神经算子 ★

是什么

神经算子把”求解”这件事看作函数空间之间的映射：给定输入函数（系数场、初始场、边界条件、 几何描述），网络直接输出解函数。它学的是算子 G: a → u，而不是某个具体问题的解。 训练完成后，换一个新的输入函数，一次前向推理就能得到对应解，无需重新训练。

关键要点

• **离散不变性（discretization invariance）**是核心卖点：模型可以接受任意分辨率的输入，输出也能在任意点求值。
• 主流实现有两条路线：FNO 走频域卷积（要求规则网格），DeepONet 走 branch/trunk 双网络（天然无网格）。
• 推理成本通常是毫秒到秒级，相比传统求解器有数个数量级的加速，适合需要反复求解的场景（优化、控制、反演）。
• 代价是需要大量数据：训练数据由传统求解器生成，前期离线成本高。

常见误区 / 边界

• 神经算子不是 PINN 的替代品，二者问题设定不同：PINN 解一个方程，算子学一族方程。二者也可结合（物理约束的算子学习）。
• “零样本泛化”是相对的：训练分布之外的几何/参数范围，误差会显著上升，务必做外推测试再上工程。
• 加速比常常被拿来和”未优化的串行求解器”比较，看加速数字时要留意基线是什么。