FNO（Fourier Neural Operator）入门教程

学习路径

阶段 1：理论背景（1–2 天）

必读论文：

• Li et al. “Fourier Neural Operator for Parametric PDEs”（ICLR 2021）

核心概念：

• Neural Operator vs. 传统 Neural Network：学习解算子而非有限维映射
• 傅里叶变换在离散化 PDE 解空间的线性性
• 降谱定理（Kolmogorov-Arnold）与神经算子的逼近能力

阶段 2：代码实现（3–5 天）

官方实现（PyTorch）：

git clone https://github.com/lirui-Country/FNO-for-parametric-PDEs
cd FNO

学习顺序：

1. datasets/：数据加载与归一化（Darcy 流入门最佳）
2. models/FNO.py：谱算子实现（torch.fft 解读）
3. train.py：训练循环与学习率调度
4. 在 AirfRANS 数据集上复现（翼型 RANS 代理模型）

阶段 3：进阶（1–2 周）

• 降谱攻击（FNO 在高分辨率上失效的原因与对策）
• Time-FNO（时变 PDE，如 NS 方程）
• 与 DeepONet / PINN 的对比消融实验

推荐练习项目

1. Darcy 流：最简入门，数据集小，训练 10 分钟出结果
2. NACA 翼型：AirfRANS 子集，FNO 精度验证
3. U-bend 弯管：工程实用，数据集在导航站收录

适用人群

• 有 PyTorch 基础的工程师/研究者
• 希望了解神经算子（Neural Operator）与传统 PINN 区别的人
• 需要为 CFD/CAE 开发代理模型的人