论文 · 资源记录
Fourier Neural Operator for Parametric Partial Differential Equations
在 Fourier 空间参数化积分核，学习参数化 PDE 的函数到函数映射。
作者：Zongyi Li, Nikola Kovachki, Kamyar Azizzadenesheli, Burigede Liu, Kaushik Bhattacharya, Andrew Stuart, Anima Anandkumar年份：2021出版信息：International Conference on Learning Representations元数据：完整链接核验于 2026-07-14
为什么重要
用于核对 FNO 架构、基准和零样本超分辨率主张，并明确网格与分布外限制。
阅读前提
教材中的引用位置
- A14 · 第 4 章 Fourier 神经算子与网格泛化
支持的主张：FNO 原论文用于核对 Fourier 层在频域参数化积分核、截断模态及参数化 PDE 实验的具体做法；DeepONet 原论文用于核对 branch 网络编码输入函数、trunk 网络编码查询位置的算子表示。两项来源共同支持本章对两类神经算子接口的比较，但分辨率迁移和样本外泛化仍按各自实验设置限定。
- A14 · 第 5 章 逆问题、数据同化与不确定性
支持的主张：可微物理论文用于核对基于求解器伴随的参数灵敏度和梯度校验；PINN 原论文用于核对把未知物理系数与网络状态联合反演的目标构造；FNO 原论文用于核对参数化 PDE 解算子的谱层与跨参数查询实验。三者分别支持求解器反演、残差反演和学习算子三种路线，本章的不确定性与可辨识性警告并非由其中任一篇的单次点估计结果推出。
- A14 · 第 6 章 基准、外推边界与科学机器学习综合复习
支持的主张：可微物理论文用于核对对模拟器求导及其验证层次；PINN 原论文用于核对方程残差训练和参数反演；DeepONet 与 FNO 原论文分别用于核对 branch/trunk 算子表示和谱卷积算子表示。四项来源共同构成本章的路线比较依据，评价表中的误差、数据需求和泛化边界仍严格限定在各方法实际定义与实验条件内。