精选理由
FaNO 把物理系统的快慢变分开建模，比传统算子更准更省参数，科学计算和仿真场景值得一试。
物理系统常包含快变动态与持久结构共存的多尺度行为，现有神经网络算子依赖单一归纳偏置，难以解耦。因子化神经算子 FaNO 将频谱分解为等变动态响应和不变持久响应，两个分支分别专注于瞬态动力学和相干结构提取。在 Navier-Stokes 方程等系统上，FaNO 相比 FNO 参数效率提升 50%，跨分辨率外推误差降低 30%。长自回归 rollout 下 FaNO 能保持 1000 步稳定预测，而基线发散。该方法在跨域迁移和物理条件偏移时保持泛化能力。
AI 翻译 · 中文
物理系统常包含快变动态与持久结构共存的多尺度行为，现有神经网络算子依赖单一归纳偏置，难以解耦。因子化神经算子 FaNO 将频谱分解为等变动态响应和不变持久响应，两个分支分别专注于瞬态动力学和相干结构提取。在 Navier-Stokes 方程等系统上，FaNO 相比 FNO 参数效率提升 50%，跨分辨率外推误差降低 30%。长自回归 rollout 下 FaNO 能保持 1000 步稳定预测，而基线发散。该方法在跨域迁移和物理条件偏移时保持泛化能力。
Physical systems often exhibit heterogeneous mechanisms, where rapidly evolving dynamics coexist with persistent structures. Capturing such multiscale physical behavior remains challenging for existing neural operators, …