傅里叶神经算子(FNO)

FNO的理论基础

算子学习这一框架

Fourier神经算子（FNO）是学习从函数到函数的映射（算子）的神经网络。普通神经网络学的是"向量→向量"，而FNO学的是"初始条件场→时间演化后的场""渗透系数分布→压力场"这类场到场的对应关系。PINN是为求解单个问题实例而训练，与之形成对照，FNO一旦训练完成，面对新的输入场只需毫秒就能给出解——它是为多次评估（优化、不确定性量化、实时预测）准备的工具。

Fourier层的机理

FNO的核心是Fourier层，它对输入场 \( v(x) \) 做如下变换。

$$ (\mathcal{K} v)(x) = \mathcal{F}^{-1}\!\left( R_\phi \cdot \mathcal{F}(v) \right)(x) $$

也就是：①用FFT变换到频域，②只对低频模态（截断数 \( k_{max} \)）乘以可学习权重 \( R_\phi \)，③用逆FFT回到实空间，④再加上逐点线性变换与跳跃连接——这一整套操作即所谓的谱卷积。卷积只能看到"局部"的相互作用，而Fourier层用一层就能表达全局的相互作用，与偏微分方程的解算子（格林函数式的全局结构）天然契合，这正是它的强项。

"离散化不变"（分辨率不变性）的含义与条件

训练的实务

训练数据的设计才是最大成本

FNO的训练需要几百到几千对"输入场→输出场"数据，而这些来自CFD的训练数据，其数量就等于FOM（CFD／FEM）的执行次数本身。数据设计有三个要点：①输入分布的设计——生成训练数据所用的随机分布，必须覆盖运行时会遇到的输入（边界条件、物性分布、形状参数）的分布；②分辨率与预处理——插值到均匀网格，并对各通道做归一化（均值0、方差1）；③数据增强——问题若具有对称性（旋转、平移、翻转），用增强可以实质上扩大数据量。训练本身以相对 \( L^2 \) 损失＋Adam为标准，超参数则从模态数 \( k_{max} \)（先取12～32左右）、通道宽度、层数（4层前后）起步。

非周期边界·非结构网格的应对

FFT以周期性为前提，非周期问题原样输入会在边界处产生折叠伪影。标准对策是域填充（domain padding）——把计算域向外扩展，让场平滑地衰减到零。此外，非结构网格与复杂形状是原始FNO的弱项，对策有三：①插值到均匀网格（简单，但边界附近会劣化），②用坐标变换把计算域矩形化的geo-FNO，③与图神经网络结合的GINO系。如果主战场是"复杂形状×非结构网格"，就必须把FNO以外的方案（GNN系、DeepONet）纳入比较。

验证的纪律——机器学习模型同样是V&V的对象

验证只看留出集的相对L2误差是不够的。要把这四项定为标准：①基于目标量的误差（升力、最高温度等下游真正要用的量），②守恒律检查（质量·能量收支的残差——FNO并不保证守恒），③分布外检测（确认输入偏离训练分布时的劣化程度），④谱对比（用能量谱定量刻画高频成分的缺失）。其中②尤其重要，它是防止"把FNO的预测直接送入后续分析、混入收支对不上的场"这类事故的防线。

实务应用的方针

投资回收的算账——数据生成成本能否收回

导入FNO的经济性可以用简单的算术来判断。先付出 \( N_{train} \) 次FOM计算（外加训练成本），此后每次评估几乎免费——也就是说，判断标准是运行阶段的评估次数是否有望远远超过 \( N_{train} \)。形状优化（数千次评估）、蒙特卡罗不确定性量化（数万次评估）、实时数字孪生（无限次）都能回本；一个月只做几次设计验算的用途则收不回来。规模上收不回本时，正确答案是Kriging（几十个点即可构建）。

代理类方法的分工（再梳理）

推荐的导入步骤

1. 复现基准算例——用公开数据集（Darcy流动、Navier-Stokes等）把实现与训练流水线跑通
2. 自家问题的小规模版——用二维·简单形状生成几百个工况，实测精度与数据量的关系（学习曲线）
3. 由学习曲线估算正式的数据量——先外推出达到目标精度所需的 \( N_{train} \)，再投资正式的数据生成
4. 运行——分布外检测与FOM回退必须成套部署

实现与工具

实现的选择

训练·运维的实务备忘

• 可复现性——随机种子、数据划分、归一化常数都要作为交付物保存（归一化常数对不上是运行阶段的经典事故）
• 混合精度——因为含有FFT，用AMP之前要先验证精度是否劣化
• 模型规模——模态数×宽度×层数一增加，先撑爆的是显存而不是过拟合。看着学习曲线，从最小配置起步
• 版本管理——生成数据所用FOM的设置（网格、离散格式）也要作为模型的一部分记录。FOM侧一改，原则上就要重新训练

前沿研究动向

与物理约束的融合（PINO）

在FNO的损失中加入偏微分方程残差的PINO（Physics-Informed Neural Operator），是数据驱动与物理约束的折中。数据稀少的区域由物理来补，守恒律的破坏也受到抑制，因此作为能同时瞄准降低数据生成成本与改善物理一致性的路线，研究正在向它集中。由于微分可以在频域中精确求得，残差计算也比PINN更高效。

大规模化与"仿真基础模型"

FNO系在气象预报领域（球谐函数版的SFNO、FourCastNet）以数量级更快的速度达到了逼近数值预报的精度，证明了大规模化的有效性。这一潮流正在发展为仿真基础模型的构想：先在多样的物理与几何上预训练出通用算子，再针对具体问题做微调。对CAE实务的含义是：将来数据门槛有可能降到"自有数据几百件＋预训练模型的微调"。

形状泛化——geo-FNO·GINO·点云系

实务CAE的输入往往就是"形状本身"，因此如何让以矩形网格为前提的FNO泛化到形状上，成为焦点所在。坐标变换学习（geo-FNO）、SDF（有符号距离场）输入、与图算子的复合（GINO）、点云Transformer系——可选方案正在迅速增多，在汽车外流、翼型这类"形状→场"问题上，相对FOM加速数千倍的报告接连出现。形状分布的设计（训练形状的多样性）支配精度这一点，与其他代理模型并无不同。

故障排查

按症状的原因与对策

"到底需要多少数据"该怎么回答

相关文章：PINN流体分析、降阶模型（ROM）、Kriging代理模型。