神经算子与能量理论结合：哈密顿和耗散偏微分方程的算子学习
内容提要
该文综述神经算子求解偏微分方程的进展，涵盖能量耗散进化算子网络、傅里叶空间积分核、GraphDeepONet、伪哈密顿网络、物理信息神经算子及变分算子学习等方法，这些方法均提升了精度与效率。
延伸解读
能量视角下的算子学习
文章综述的多种神经算子方法中，能量理论扮演了重要角色。例如，基于能量耗散的进化深度算子神经网络直接针对耗散型偏微分方程设计，而伪哈密顿神经网络则将方程拆分为守恒、耗散和外力三部分，分别用神经网络模拟。这种物理分解不仅提升了预测精度，还使模型在反演时能单独研究各部分的贡献，增强了泛化能力。
傅里叶空间参数化的效率优势
傅里叶神经算子通过在傅里叶空间中直接参数化积分核，在Burgers方程、Darcy流和Navier-Stokes方程等测试中，不仅保持了高准确率，还比传统数值方法快三个数量级。这种速度优势源于频域计算的高效性，为需要大量重复求解的工程场景提供了新可能。
物理约束与数据驱动的融合
物理信息神经算子（PINO）和物理知识DeepONets等方法，通过将物理约束（如PDE残差或重力定律）作为软惩罚项加入训练，显著提高了模型的泛化能力和预测精度，同时降低了对大规模标注数据的依赖。这种融合策略在数据稀缺或物理规律明确的场景中尤其有价值。
不规则网格与时间外推的进展
GraphDeepONet利用图神经网络处理不规则网格上的PDE解，并具备时间外推能力，这扩展了神经算子的适用场景。同时，变分算子学习（VOL）以近乎无标签的方式学习解算子，结合最陡下降法和共轭梯度法更新，为减少对标签数据的依赖提供了新思路。
Q&A
神经算子是什么？它和传统神经网络有什么区别？
神经算子是一种学习算子的新型神经网络，能够在无限维函数空间中进行映射。传统神经网络通常学习有限维向量之间的映射，而神经算子学习的是函数到函数的映射，因此更适合求解偏微分方程等涉及函数空间的问题。
有哪些神经算子方法被用于求解偏微分方程？
文章提到了多种方法，包括：能量耗散进化算子网络、傅里叶空间积分核参数化的神经算子、GraphDeepONet、伪哈密顿神经网络（PHNN）、物理信息神经算子（PINO）、变分算子学习（VOL）以及物理学知识不同DeepONets等。
傅里叶神经算子在求解偏微分方程时表现如何？
傅里叶神经算子通过直接在傅里叶空间中参数化积分核，在Burgers' equation、Darcy流和Navier-Stokes方程等测试中展现了高准确率，并且比传统方法快三个数量级。
伪哈密顿神经网络（PHNN）是如何扩展到偏微分方程的？
PHNN方法被扩展到偏微分方程，生成包含三个神经网络的模型，分别模拟代表守恒、耗散和外力的项，并包括可学习的离散卷积算子。数值结果表明PHNN具有卓越性能，且由于模型由三个有不同物理解释的部分组成，反演时可以分别研究每个部分，具有良好的泛化能力。
物理信息神经算子（PINO）有什么特点？
PINO使用现有的数据和物理约束条件来学习参数化偏微分方程族的解算器。通过结合数据和PDE约束条件，PINO成功地实现了高分辨率实例的准确性和泛化能力。
变分算子学习（VOL）框架是如何工作的？
VOL是一个基于变分方法的统一框架，用于训练神经网络算子和解决偏微分方程。它可以以近乎无标签的方式有效地学习PDE的解算子，并利用最陡下降法和共轭梯度法进行更新。此外，使用深度自编码器识别高维PDE输入输出函数的潜在特征表示，可以增强学习，并提高时间依赖型PDE模型的计算精度和效率。
GraphDeepONet有什么特别之处？
GraphDeepONet是一种基于GNN的自回归模型，能够适应DeepONet并有效地学习操作符。它具有在不规则网格上预测解以及对时间依赖性PDE解进行时间外推的能力。文章还对其普适逼近能力进行了理论分析。
物理学知识不同DeepONets是如何提高预测准确性的？
该模型通过使用自动差分在模型训练期间施加软惩罚约束来实现重力定律，将DeepONet模型输出偏向于确保物理一致性，从而显著提高DeepONets的预测准确性，并大大减少了大型训练数据集的需求。
