神经算子选型全景指南:从函数空间假设、架构族谱到 2026 工程决策树
新导读:为什么「选 FNO 还是 DeepONet」通常问错了
「我们该用 FNO 还是 DeepONet?」是算子学习项目里最常见的开场问题,也是一个不太合适的起点。它预设了架构是唯一的自由变量。实际决定成败的,是一组写在架构之前的契约:输入函数如何表示、输出在哪里被查询、几何在两次查询之间是否变化、时间推进有多长、交付物能容忍什么误差。把这些逐条写清楚之后,架构选择近乎是机械性的。本文按「决策文档」来写,面向手上已有物理问题、有算力预算、有语料或能生成语料、并且需要给出可辩护结论的工程师。
全文的核心判断是:神经算子、PINN、降阶模型与传统求解器对应不同的契约。围绕算子学习的失望,通常来自契约错配,并不在实现缺陷。2026 年一项覆盖五类 PDE 族、三种架构的压力测试给出了直接的实证:分布内误差最低的模型,在输入扰动或分辨率迁移之后并非一致地最稳健。稳健性是一组剖面,不是一个分数;把它压成排行榜上的一个数字,正是选型阶段最容易引入的偏差。
全文分十节。第 1 至 3 节建立函数空间视角、四条架构族谱与真正决定选择的六项约束;第 4、5 节解释五类失效模式的可观测征兆,并给出决策树;第 6 至 8 节给出工具链地图、工程落地清单与评测协议;第 9 节把论证接到本站已索引的具体资源,让读者能从一般结论直接走到某个求解器、基准或案例;第 10 节记录公开口径中互相冲突的说法并逐项裁定。关于摊销与回本查询次数的算术,交给姊妹篇《传统求解器的成本边界》;关于残差驱动的逐实例训练,交给《PINN 全景综述》。
关于证据口径,需要先行说明。凡引用数字均交代出处;来自单一项目等算力评测的数字标为方向性参考,不作为普遍规律;在固定墙钟预算下测出的基准数字,连同预算一并写出,因为预算本身会改变哪些配置可达。厂商文档里的口径明确标注为厂商资料。这一点很重要,因为算子学习文献里有大量在少数标准方程上自报的改进幅度,把这类数字直接搬进工业 CFD 或结构交付通常缺乏依据。
一、算子学习在逼近什么:函数空间映射与三种必须分开的测试
传统代理模型把有限维参数向量映射到有限维输出向量,一个括号设计对应一个响应面。算子模型瞄准的是函数空间之间的映射:系数、源项、初始条件、边界数据或几何作为输入函数,解场作为输出函数。连续表述正是这条路线的吸引力所在。但任何实现看到的都是离散化后的数据:谱方法在采样场上求傅里叶模态,分支网络读取传感器位置上的值,图算子看到节点与边。连续主张与离散实现之间的这道缝,正是选型错误的产地。
必须把三类测试分开。分辨率迁移问的是同一个物理输入换到更细或更粗的网格表示后,输出在物理坐标下是否一致;参数泛化问的是未见但仍在分布内的系数、源项或边界值能否处理;结构外推问的是新的频谱、新的拓扑、新的边界条件类型或新的流动区域能否存活。第一类可测,且在训练所见分辨率带内常常成立;第二类是常规留出集;第三类要难得多,不应被「无网格」这个说法遮住。
严格的分辨率迁移测试要换网格、用可信求解器重算参考解、在物理坐标下按同一范数评估场误差,并检查守恒积分与边界通量是否仍然合理。一个能接受不同形状数组的接口,并不构成离散化不变性。混叠、模态截断、坐标缩放、求积方式,以及生成训练数据的那个求解器本身的分辨率,都会影响结果。对 FNO 而言,保留模态数是显式的容量旋钮;对 DeepONet 而言,传感器布局与主干网络的坐标分布定义了网络见过什么;对图算子而言,邻域构造承担同一角色。每一处都可能让模型学到网格伪影,把离散表示误当成函数关系。
这个区分对采购语言有直接后果。「需要一个分辨率无关的代理模型」是欠规格的要求。可执行的规格要写清五件事:训练分辨率区间、查询分辨率区间、各分辨率上生成参考解的求解器、误差范数、以及物理输入留出集上的验收阈值。缺少这五项时,一个零样本超分辨率的演示只是演示,不构成保证。同理,把 FNO 从 64×64 训练网格直接放到 512×512 上推理,若没有重算参考解,得到的只是一次插值,并不是精度结论。
二、四条架构族谱及其归纳偏置
谱核族以 FNO 与 Tucker 分解变体 TFNO 为代表,在频域参数化积分核。傅里叶变换把全局卷积变成谱空间中的一次乘法,截断到最大模态数之后,参数量与网格分辨率解耦,前向成本约为 O(N log N)。它的归纳偏置是全局、光滑、低频的结构,以及周期或平移不变的边界。已知弱点是局域高频内容:激波、边界层、孔边与缺口附近的应力集中,都可能被模态截断抹平。规则矩形域是它的原生场景,因为 FFT 需要结构化网格。
分支—主干族以 DeepONet 为代表,把问题拆成两支:分支网络在固定传感器上编码输入函数,主干网络编码查询坐标,两者内积得到该点场值。主干近似一组学到的基函数,分支给出展开系数,本质上是可训练的广义谱展开。它偏好相对固定域上的参数化研究、稀疏测量与任意查询点。常规实现要求固定维度的分支输入,因此拓扑或传感器布局一变就别扭;VIDON 一类变体放宽了固定传感器假设,多尺度 DeepONet 用频率缩放缓解地震波这类高频振荡响应上的谱偏差。
几何感知族处理不规则域。Geo-FNO 学习从物理域到均匀隐格点的坐标变形,在隐空间里继续使用 FFT;GNO 把核积分离散成图上的消息传递,天然适配非结构网格与点云;GINO 把 FNO 夹在图编码器与解码器之间,兼顾几何灵活性与谱效率。以 Transolver 为代表的注意力算子用学到的切片或物理注意力替代固定谱模态。要注意,几十万点上的全两两注意力并不可行,仅分数矩阵就会占到数百 GB,因此切片、锚点或图近似是实际路径。这些架构各自放松一条假设,同时引入一条关于信息如何跨越域传播的新假设。
物理信息族以 PINO 为代表,在算子损失里加 PDE 残差项。物理损失正则化的是算子本身,可以改善小数据泛化与质量守恒一类的物理一致性。它的成本却容易被低估:残差求值需要在每个节点上对网络输出求导,对注意力算子而言逐节点雅可比是稠密的,无法用自动微分廉价地取出对角元,恢复所需对角项的代价随节点数按平方增长,二阶导数会进一步叠加。数据项、残差项与边界项还构成多目标问题,权重需要逐数据集调。PINO 在标注稀缺、守恒诊断重要时是合理选择,把它当成免费升级并不成立。
还有横跨上述族的新方向:在多样 PDE 族上做基础模型式预训练,借助陪域注意力或模块化的「编码—处理—解码」结构,目标是迁移到新问题时只需少量微调。这一方向的证据积累比 FNO、DeepONet 年轻,跨方程族的迁移主张在目标方程与几何上复现之前,宜按假设处理。本站的物理基础模型合集与Poseidon 工具条目收录了这条线上的资源。
三、决定选型的六项真实约束
第一项是数据预算。训练对来自可信求解器,数千组样本可能意味着数周算力。不同输入函数的数量、频谱丰富度、参数区间覆盖度,与样本总数同等重要。只用光滑输入训练的模型,遇到粗糙输入时通常表现不佳;训练函数的光滑度或长度尺度是设计参数,并非附带细节。语料生成用的求解器版本、网格族与收敛容差,也应写进数据契约。
第二项是几何可变性。固定网格、固定参数向量时,常规响应面代理既有竞争力也更易审计;拓扑、网格尺寸或网格结构变化时,方向就转向几何感知算子或与求解器的混合方案。若几何只在很小的参数族内变化,上一套几何感知架构可能属于多余复杂度,反而把预算花在不会遇到的场景上。
第三项是传感器布局。稀疏且不规则采样的观测,偏好分支—主干或图公式;结构化网格上的稠密场,偏好谱核。这里发生错配时,症状通常是一条悄悄把一切重采样到格点上的预处理流水线,恰好丢掉问题真正需要的信息。选型评审里值得把「输入原始形态」单独列一行。
第四项是输出范围。预测完整场、标量关注量、或表面量,是三个成本结构不同的任务。2026 年一项成本—精度研究发现,最清晰的代理优势之一来自车辆气动里只预测表面压力系数,从而绕开体积求解与外层非线性迭代。决定必须预测什么,是对成本前沿影响很大的建模决策,优先级高于选库。
第五项是时间跨度。单步精度与长时自回归稳定性是两种属性。The Well 报告即使单步分数尚可,扩展 rollout 上的退化也很显著;NeurIPS 2026 一项 Gray-Scott 研究发现,幅值最低的那部分傅里叶模态在单步贡献很小,却主导中期 rollout 误差。若部署形态是跑数千步的数字孪生,验收测试必须是 rollout 测试,并明确第几步交给可信求解器兜底。
第六项是约束硬度。软惩罚、架构先验与硬后投影,保证的东西不同。守恒律、极值原理或边界条件不可协商时,架构与后处理要一起选,并写明预测越界时的回退动作。认证与审计要求也在这一项里进入:可审计的误差界,比一个留出集平均值更容易向审查方交代。本站的不确定性量化与贝叶斯反演合集收录了相关的可信度量化方法。
四、五类失效模式及其可观测征兆
谱抹平是截断谱核的标志性失效。全局低模态把大尺度场拟合得很好,尖锐梯度被压平。可观测征兆是相对 L2 误差很低,同时极值、边界通量或峰值应力明显偏差。诊断应包含分频段误差与极值误差,只看场平均会漏掉它。第 2 节提到的多小波算子用局部化基缓解这一点,代价是从低频训练数据向高频测试信号迁移时更吃力。
自回归误差累积是各架构共有的失效。2026 年一项比较压力测试报告,三种受测架构在 Navier–Stokes 长时推进下都显著退化。The Well 的主要指标是单步 VRMSE,本身不刻画这件事。征兆是轨迹前若干步看着正确,随后漂移、振荡或发散。缓解手段包括 rollout 损失训练、潜空间时间压缩、纠偏采样,以及在约定步数上由物理求解器接管。
分布外静默失效在生产里最危险。传统求解器把收敛行为带到任意输入,代价是每次都付全额算力;学到的算子只在训练分布照亮的区域里称职,越界时仍会给出自信的数值。征兆是一个看起来合理、却没有任何告警的场。集成离散度、到语料的距离诊断与区域分类器是实用防线。NeurIPS 2026 的研究报告,在一个延迟决策试点里,集成分歧几乎捕获了理想判据可达的全部收益,同时分布外误差分散在各步之中,并不集中在可丢弃的少数步上。
边界与守恒违例是独立一类。平均误差很低的场,可能违反守恒积分或边界通量。这些检查成本低,应进入每次推理的守门逻辑:全局平衡量逐帧漂移,即使局部残差看着很小,也足以暴露问题。第 7 节的清单把它列为必测项。
基准协议失真属于评测的失效,与模型本身无关。The Well 把自己的神经算子基线定位为几乎未调参、且受 12 小时墙钟上限约束的示例运行。2026 年一项复现显示,在同样上限下、用更少输入时间步做适度调参,17 项任务中有 15 项把 VRMSE 压到已发布 FNO 与 TFNO 基线之下,个别任务相差数个量级;放宽预算后,被选中的配置与可达误差同时改变。结论是:欠调参的基线是预算条件的观测值,不构成架构排名。相关的警示来自 NeurIPS 2026 的 Gray-Scott 研究:单随机种子下的效率优势,在三种子平均后反转。
五、选型决策树:先回答五个问题
问题一,任务是多查询还是少量正问题?若查询次数很少,传统求解器就是基线,算子很难偿还语料与训练的前置成本。这是摊销问题,姊妹篇《传统求解器的成本边界》给出可复算的公式与两个实测回本案例。把这一问放在最前面,可以省掉大量注定无法回本的原型。
问题二,两次查询之间几何或拓扑是否变化?固定几何加低维参数向量,指向常规响应面或分支—主干算子;几何变化,指向 Geo-FNO、GNO、GINO 或切片式注意力算子。几何高度不规则且网格非结构时,图公式是自然起点。若几何变化只发生在很小的参数族内,先把参数族写清楚,再判断是否需要几何感知架构。
问题三,数据的原生表示是什么?结构化周期网格偏谱核;固定传感器阵列与稀疏测量偏 DeepONet 变体;点云偏图或锚点模型。若答案需要把一切重采样到格点上,把这一步记为已知信息损失,并单独测试它的影响。
问题四,预测对象是什么?完整场需要能输出场的算子加守恒检查;标量或表面量可以用精简输出头,常能落到更好的成本—精度点;含时间输出需要 rollout 方案,单步预测器并不等于预报系统。车辆气动只预测表面压力系数的例子,说明这一问直接改变成本结构。
问题五,部署里最要紧的是哪一类失效?把第 4 节的五类失效按本工作流的重要性排序。极值主导就减少模态截断或引入局部基;长时稳定主导就把 rollout 训练与兜底步数写进预算;可审计性主导就优先采用把控制求解器留在回路里的混合方案。随后用对应迁移类型构造压力测试矩阵:分辨率、系数粗糙度、边界变化、拓扑、时间跨度。
这棵树的产物是一份简短规格,不是某个库的名字:训练分辨率带、查询分辨率带、输入表示、输出范围、时间跨度、物理约束、按重要性排序的压力测试。写完这些,比较实现才有意义。
六、工具链与基准地图
本站的算子工具链从神经算子合集与代理模型与降阶合集进入。NeuralOperator 库提供 FNO 与 TFNO 实现;NVIDIA PhysicsNeMo以生产栈覆盖 FNO、DeepONet 与几何感知变体;Poseidon代表预训练基础模型方向。可信求解器一侧的参照包括 OpenFOAM、FEniCS、SU2 与 JAX-CFD。数值方法与求解器合集与性能工程合集是对比经典基线的入口。
打基础的材料里,算子学习范式综述与算子学习综述给出分类法;实战教程、FNO 教程与 DeepONet 条目展示真实的数据契约;PDEBench 条目与 PhiFlow 条目覆盖基准与可微求解器一侧。索引到的一手论文包括 FNO 论文、DeepONet 论文、Transolver 论文与 The Well 论文。
应用证据宜按工作负载来读。油藏模拟案例与混合血液动力学代理展示算子与物理流程耦合;建筑能耗代理、航空 CFD 案例与汽车气动案例呈现几何与关注量的取舍,这些取舍发生在选架构之前。PINN 入门合集与物理 AI 学习路径可用来补齐残差训练与整体路线。
这张地图的用法有一条约束:凡是准备写进选型规格的实现,都要能在本机复现到「同一语料、同一参考解、同一误差范数」这一层。工具条目与论文条目给的是能力边界与原始口径,案例条目给的是工作负载形态,两者都不替代本地测量。框架版本变化较快,PhysicsNeMo 在 2.x 重组过 API,Modulus 时期的教程在概念上仍适用,落到代码时应锁定版本并核对导入路径;把版本、语料与参考求解器三者一起纳入配置管理,比记下某个加速比更有长期价值。
七、工程落地清单
训练之前先写数据契约:参考求解器及版本、网格族、参数区间、边界条件类型、分辨率、每个输入场的精确定义,然后冻结它。算子基准里相当一部分不可复现,源头是语料的生成设置从没被记录。契约还应写明训练语料与留出集在物理输入上相互独立,不只是在随机种子上相互独立。
预留两个集合:物理输入上独立的常规留出集,以及区域上独立的压力集。两者都要报。压力集至少覆盖一次分辨率迁移、一次粗糙度提升、一次边界变化;与业务相关时,再补一次超出训练包络的拓扑或区域变化。只报常规留出集,等于把第 4 节里最危险的那类失效留到生产里发现。
用重算的参考解做分辨率迁移测试,按验收用的同一范数在物理坐标下评估;同批样本上检查守恒积分与边界通量。记录保留模态数或传感器布局,因为它们定义了可达的分辨率带。若部署含时间推进,做 rollout 测试,把误差写成步数的函数,并定义在哪一步交给控制求解器;单步榜单数字不足以支撑这个决定。
加推理守门:物理边界、守恒残差、集成分歧、到训练语料的距离。定义保守的回退初值,并把每次回退连同来源写进日志。守门的价值是让失效可见且廉价,并不在于宣称失效不会发生。工程上很实用的一条是「代理预测 + 残差采样 + 超标即升保真度」,它把加速与可信度放在同一条反馈回路里。
最后,把可信求解器留在验收路径上。算子是加速器,其有效域是相对于控制计算测出来的。模型、语料与参考求解器三者一起版本化,任一变更都重跑压力矩阵。第 8 节的评测协议给出报告里应包含的六项指标,可直接当作验收模板。
八、评测:相对 L2 误差之外
相对 L2 误差是有用的第一道过滤,作为独立验收标准则偏弱。它在全域上取平均,天然低估尖锐极值与局域违例。The Well 因此按场方差归一化报告 VRMSE,另报分频段均方误差与逐场分析,并指出不少数据集的得分超过 1.0,即差于直接预测空间平均场;它的基线结果同时显示,没有单一架构在所有物理场景上占优。把这类信息压回一个标量,会丢掉选型最需要的那部分。
一份可执行的评测报告有六部分:验收范数下的场误差;暴露高频发散的分频段误差;驱动工程决策的极值与关注量误差;守恒与边界诊断;误差随步数变化的长时行为;以及带明确迁移类型的分布外压力剖面。随机种子方差也应写进报告:接近 1 的单种子差异,可能落在普通随机波动之内。
每个数字旁边都要写算力预算。The Well 的 12 小时单轮上限偏好每步便宜或收敛快的配置,2026 年一项复现显示,在某一个任务上把预算放宽到 36 小时会同时改变被选中的配置与可达误差,幅度约 4.7 倍。固定墙钟上限对模型配置并不中立。单次查询成本、浮点运算量与墙钟时间宜分开报告,这也是姊妹篇成本—精度研究采用的做法:几何多重网格在浮点运算量上更省,稠密张量运算却让算子在 GPU 上的墙钟时间更短。
九、与本站资源网络的衔接
本文是三篇决策文档里的第二篇。PINN 全景综述处理残差驱动训练及其失效机理;传统求解器的成本边界处理摊销、回本查询次数与混合部署。三篇合起来,把常被折叠成一个问题的三问拆开:模型能否训得动、是否适配数据契约、以及是否偿还自身成本。选型结论落在三者交集里,任何一问单独回答都不构成采购依据。
从方法到实现的路径,可沿神经算子合集 → 实战教程 → NeuralOperator 库 → 汽车气动案例走一遍;从经典基线到混合部署,可沿数值方法与求解器合集 → OpenFOAM 条目 → 油藏模拟案例 → 性能工程合集走一遍。物理 AI 学习路径提供从入门到工业落地的顺序,不确定性量化与贝叶斯反演合集对应第 8 节里的可信度量化。工具条目 PhysicsNeMo、FEniCS、SU2、JAX-CFD 与论文条目 FNO 论文、The Well 论文可用于核对第 2 节与第 8 节的具体口径。
三篇之间的衔接也值得写清:先读 PINN 全景综述判断是否需要残差驱动训练,再读本文确定数据契约与架构族,最后用成本边界篇核算查询次数是否足以回本。若第三问的答案为否,前两问的结论就只具备技术参考价值,不构成上线依据。反过来,若查询次数足够,仍要回到第 7 节的清单把压力集、守门与回退补齐,因为摊销算得过来并不代表分布外行为可接受。站点把这三篇都归入深度综述内容线,与外部的工具、论文与案例条目分开维护,正是为了让「结论」与「原始素材」各自可追溯。
条目层也已完成对应升级:NeuralOperator 把函数空间契约落到具体 API 与 n_modes 选择,OpenFOAM 说明成对场语料从何而来,电池包温度场案例 展示另一条以物理残差节省标注仿真的路线。三篇条目与本站三篇综述构成双向链接:从选型树进入实现细节,从实现细节也能回到决策框架与成本边界综述。条目里标注的版本字符串与核查日期,可作为复现实验的起点。
十、口径差异与裁定
1. 神经算子是否无网格、且普遍分辨率无关? 口径 A:入门材料把算子学习描述为无网格,并把零样本超分辨率列为定义性性质。口径 B:任何实现都在离散数据上训练,分辨率主张受模态截断、混叠、坐标缩放、传感器布局以及语料求解器分辨率制约。裁定:本文把分辨率迁移、参数泛化、结构外推分开,只把第一类视为可测性质;使用「不变性」一词前要求重算参考解与物理坐标误差。来源等级:同行评议综述与工程指引并存。
2. 是否应选基准误差最低的架构? 口径 A:排行榜按分布内误差给架构排序,FNO 在若干 PDE 族上领先。口径 B:2026 年覆盖五类 PDE 族的压力测试发现,FNO 分布内最强,但在 Poisson 的扰动与分辨率迁移下最不稳健,DeepONet 常更稳定,CNO 方差最大。裁定:稳健性是一组按迁移类型命名的剖面,第 7 节的压力矩阵才是选型输入。来源等级:预印本与基准报告并存。
3. 已发布的神经算子基线是否代表架构上限? 口径 A:发布基线常被当作性能参照点引用。口径 B:The Well 把自己的基线定位为几乎未调参、受 12 小时上限约束的示例运行,2026 年复现以更少输入时间步做适度调参,在 17 项任务中的 15 项优于已发布 FNO 与 TFNO 数值。裁定:基线是预算条件的观测值,本文不据此推断架构排名。来源等级:基准文档与复现预印本并存。
4. 加入物理损失是否让算子严格更好? 口径 A:PINO 被描述为在保持快速推理的同时改善泛化与守恒。口径 B:注意力算子的残差求值涉及稠密逐节点雅可比与平方量级代价,数据项、残差项与边界项还需逐数据集调权。裁定:把 PINO 记为标注稀缺与守恒诊断场景的有效选择,同时把求导成本与多目标调参单列为预算项。来源等级:方法论文与应用分析并存。
5. 推理速度是否足以作为选型判据? 口径 A:毫秒级前向被引用为相对求解器的决定性优势。口径 B:训练语料本身由可信求解器生成,少量查询无法偿还前置成本。裁定:选型采用摊销与回本查询次数,见姊妹篇;原始加速比只在注明所量时钟时引用。来源等级:技术博客与同行评议成本—精度研究并存。
以上共识别并裁定 5 项冲突。
参考资料
- Li Z. 等,《Fourier Neural Operator for Parametric Partial Differential Equations》,ICLR 2021。
- Lu L. 等,《Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators》,Nature Machine Intelligence 3 (2021) 218–229。
- Kovachki N. 等,《Neural Operator: Learning Maps Between Function Spaces》,arXiv:2108.08481 (2021)。
- Azizzadenesheli K. 等,《Neural Operator: Is data all you need to model the world?》,arXiv:2301.13331。
- Li Z. 等,《Physics-Informed Neural Operator for Learning Partial Differential Equations》,arXiv:2111.03794。
- Li Z. 等,《Fourier Neural Operator with Learned Deformations for PDEs on General Geometries》,arXiv:2207.05209。
- Rahman M.A.、Ross Z.E.、Azizzadenesheli K.,《U-NO: U-shaped Neural Operators》,arXiv:2204.11127。
- Wu H. 等,《Transolver: A Fast Transformer Solver for PDEs on General Geometries》,ICML 2024。
- Takamoto M. 等,《PDEBench: An Extensive Benchmark for Scientific Machine Learning》,NeurIPS 2022 Datasets and Benchmarks Track。
- Ohana R. 等,《The Well: a Large-Scale Collection of Diverse Physics Simulations for Machine Learning》,arXiv:2412.00568。
- 《Diagnosing Failure Modes of Neural Operators Across Diverse PDE Families》,arXiv:2601.11428 (2026)。
- 《Performance of Neural Operator Baselines on ‘The Well’ Dataset》,arXiv:2610.33967 (2026)。
- 《When Does a Fourier Neural Operator Fail? Spectral Diagnostics for Low-Rank Surrogates of Reaction–Diffusion》,NeurIPS 2026。
- Huang D.Z.、Stuart A.M.,《Cost–Accuracy Trade-offs: Neural Operator vs Classical Numerical Solver》,arXiv:2609.24021 (2026)。
免责声明:本文为站点原创编辑内容。所引基准数字均标注来源且仅作方向性参考,不替代在目标工作负载、求解器版本与硬件上的本地实测。产品名称与框架版本随时间变化,落地前请核对当前文档。