标签
RECAST是一个机器学习框架，结合了学习校正与超分辨率技术，以恢复粗网格PDE求解器的精度，在六个一维PDE系统上将误差降低50-92%，从而能够在保持保真度的同时使用更粗的网格进行模拟。
This paper introduces feature interaction modules based on factorization machines into physics-informed neural networks and neural operators (FM-PINN, FM-Operator, FM-DeepONet) to better capture spatio-temporal variable couplings for solving parameterized PDEs, showing accuracy gains particularly on shock-dominated equations.
提出了能量流形自然梯度下降（EMNGD），一种面向神经PDE求解器的流形优化框架，该框架在参数更新时与函数空间能量曲率对齐，同时遵循参数约束。理论保证和实验结果表明，该方法提高了准确性和收敛速度。
Anima Anandkumar 强调，尽管基准测试简单，但神经算子在像高分辨率 AI 天气预报模型 (FourCastNet) 和核聚变湍流这样的困难实际问题上实现了巨大加速（10,000 到百万倍）。她引用了一篇新论文，表明随着 PDE 任务难度的增加，学习型求解器变得更加经济高效。
本文建立了神经算子的定量 Sobolev 逼近界，证明了算子可以以显式的复杂度-误差关系进行一致逼近。通过在 Burgers 方程上对 Fourier 神经算子（FNOs）进行验证，展示了 Sobolev 空间逼近理论能够准确预测其缩放行为。