Neural Operators

了解神经算子如何映射整个场来预测复杂的物理系统，从而加速气候、天气、工程和计算机视觉领域的模拟。

神经算子是学习整个函数或场之间映射而非固定长度向量的神经网络。例如，它们可以将风压场映射到未来的气流场，或将材料几何形状映射到其应力分布。这使得它们非常适合用作偏微分方程（PDE）所控制的模拟的快速代理模型。2024 年 Nature Reviews Physics 综述强调了它们在加速科学模拟、预测和工程设计方面日益重要的作用。(nature.com)

Link to this section神经算子的工作原理#

传统网络学习的是有限维映射，例如将像素映射到类别标签。而神经算子学习的是可重用的函数到函数规则。其架构旨在接收网格或点云上的采样场，同时保持学习参数的数量与分辨率无关。NeuralOperator 介绍解释了这如何支持对不同于训练数据的离散化进行预测。(nature.com)

常见架构包括：

**傅里叶神经算子：**在频域中应用全局卷积，通常使用 PyTorch 快速傅里叶变换 API。FNO 非常适合规则网格化的物理场。
**DeepONet：**结合了一个对输入函数进行编码的网络与另一个在请求的坐标处评估输出的网络。
**图神经算子：**将图神经网络的思想扩展到不规则网格和复杂几何形状。
**算子 transformer：**将 transformer 架构适应于连续场和远程物理相互作用。

这个可运行的示例创建了一个小型 2D FNO，并将两个输入场映射到一个输出场：

import torch
from neuralop.models import FNO

model = FNO(n_modes=(16, 16), hidden_channels=32, in_channels=2, out_channels=1)
inputs = torch.rand(1, 2, 64, 64)  # Two sampled physical fields
prediction = model(inputs)
print(prediction.shape)  # torch.Size([1, 1, 64, 64])

官方 NeuralOperator PyTorch 文档还提供了数据集、损失、训练器和几何感知架构。(neuraloperator.github.io)

Link to this section最新进展#

研究越来越多地将神经算子视为科学基础模型。Poseidon PDE 基础模型展示了在 15 个下游 PDE 任务中的迁移能力，而拉普拉斯神经算子改善了对瞬态和非周期系统的处理。2026 年 7 月，研究人员发布了实用的神经算子设计原则，强调坐标感知计算、固定的参数数量和离散化收敛。(proceedings.neurips.cc)

Link to this section实际应用#

**气候降尺度：**一项关于任意分辨率气候降离地面的 2024 年 JMLR 研究使用 FNO 将粗略的气候模拟转换为更高分辨率的场，从而支持详细的卫星图像分析。(jmlr.org)
天气预报：球面多重网格神经算子在符合地球几何形状的同时模拟全球大气动力学，补充了传统的时间序列分析。
**工程控制：**神经算子可以快速近似用于变化系统参数的反馈控制解决方案，从而支持响应式数字孪生和工业自动化。

Link to this section神经算子与计算机视觉#

神经算子模拟不断演变的连续场，而计算机视觉模型通常识别图像中的对象或结构。它们可以协同工作：Ultralytics YOLO26 可以从相机数据中提取几何形状或物理状态，随后神经算子预测流体流动、传热、变形或其他未来场。视觉数据集、训练和部署可以通过 Ultralytics Platform 进行管理。

最佳实践是规范化物理场、保留坐标和边界条件、跨多种分辨率进行训练、与受信任的数值求解器进行比较，以及评估内插和分布外行为。神经算子加速了模拟，但不应替代安全关键系统中的物理验证。