标签
本文介绍了方程重塑，一种将参数算子学习重新表述为单一典范算子的方法，通过解析推导参数诱导的变化，实现跨新参数区域的零样本预测。
本文比较了周期性物理信息神经网络中的傅里叶谱微分与空间自动微分，发现傅里叶方法在不损害准确性的前提下，显著加快了训练速度并减少了内存消耗。
本研究通过提出一种双分支、频谱门控架构（DBSG-PINN），探讨了频率分解对物理信息神经网络（PINNs）的益处。在一维偏微分方程基准测试上的消融实验表明，频率分解在频谱复杂问题上最为有效，可将误差降低高达59.2%。
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。