想象一下，你正在尝试教计算机预测一个复杂物理系统（例如海浪拍击海滩或量子粒子运动）随时间的行为。

在物理学世界中，许多此类系统都受哈密顿力学支配。你可以将其理解为自然遵循的一套严格且无形的规则。其中最重要的规则是能量守恒。如果你在开始时拥有特定数量的能量，那么无论经过多长时间，你在结束时必须拥有完全相同的能量。

问题：“漏桶”

标准人工智能模型（称为“神经算子”）非常擅长学习模式。如果你向它们展示几秒钟的海浪，它们可以非常准确地预测接下来的几秒钟。

然而，这些标准模型就像一个漏桶。它们不理解“能量守恒”规则。

短期：在几步之内，泄漏极小，你几乎察觉不到。预测看起来完美无缺。
长期：随着时间的推移，人工智能不断产生微小的错误。因为它不知道应该保持能量恒定，这些错误会不断累积。“桶”会排空（或溢出），导致模拟变得混乱。海浪可能会突然消失、爆炸，或者开始朝不可能的方向移动。

解决方案：“辛神经算子”（SNO）

本文的作者构建了一种新型人工智能，称为辛神经算子（SNO）。

请将 SNO 不仅仅视为一个聪明的猜测者，而视为一位具备物理意识的建筑师。在人工智能开始学习之前，建筑师（研究人员）就在其“大脑”中构建了一个特殊约束：该人工智能在物理上不可能违反能量规则。

他们通过设计人工智能的内部结构来模仿自然所使用的数学“辛”几何结构来实现这一点。

类比：想象标准人工智能是一辆没有刹车或方向盘的汽车；它只是快速行驶，但可能会撞毁。而 SNO 则是一辆建造在带有护栏的轨道上的汽车。即使驾驶员（人工智能）犯下小错，护栏（辛结构）也能将汽车保持在轨道上，确保其永远安全且稳定。

工作原理（“剪切”隐喻）

论文解释说，SNO 是通过堆叠多层“剪切”操作构建的。

想象你有一副扑克牌（代表系统的状态）。
标准人工智能可能会随机洗牌，最终导致顺序丢失。
SNO 只允许特定的移动：它可以基于下半部分滑动上半部分，或者反之，但它绝不会撕破一张牌或丢失一张牌。
由于它所做的每一个移动都保留了牌的“形状”，因此整个移动序列都保留了系统的能量。

他们的发现

研究人员在四个经典物理问题上测试了这种新的人工智能：

波动方程：波如何运动。
电磁波：光和无线电波如何运动。
薛定谔方程：量子粒子如何运动。
克莱因 - 戈登方程：一种复杂的场论。

结果：

短期：新的 SNO 与标准模型一样准确。在最初的几秒钟内，大家的预测是一致的。
长期：奇迹发生在这里。
- 标准模型（FNO、GNO、CNO）开始偏离。它们的能量水平剧烈波动，在几百步之后，它们的预测变得毫无意义。
- SNO 保持了完美的能量稳定性。它可以预测系统数千步而不会导致模拟崩溃。它始终忠实于物理学的“护栏”。

为什么这很重要

论文认为，对于我们需要了解长远未来会发生什么的情况（如气候建模、长期轨道力学或模拟复杂材料），第一秒的准确性是不够的。你需要结构稳定性。

通过将“守恒定律”直接构建到人工智能的架构中，辛神经算子充当了复杂物理系统可靠且长期的替代模型，防止了困扰其他人工智能模型的“漂移”现象。

总之：本文提出了一种新的人工智能，它不仅学习发生了什么，还学习如何根据能量守恒的基本定律表现，从而确保在预测复杂物理系统的未来时不会“脱轨”。

技术摘要：用于学习无限维哈密顿系统的辛神经算子

问题陈述

无限维哈密顿系统（如波动方程、流体力学、场论）的建模与仿真对标准数据驱动架构提出了重大挑战。尽管神经算子（NOs），如 DeepONet、傅里叶神经算子（FNO）和图神经算子（GNO），在通过将函数空间映射到函数空间来学习偏微分方程（PDEs）的解算子方面已展现出成功，但它们通常将输入和输出视为无约束的函数。

因此，标准神经算子未能编码哈密顿流的内在几何结构。在有限维系统中，众所周知，辛性（辛形式的保持）是确保长期动力学稳定性、相体积守恒和能量守恒的关键属性，而非仅仅是逐点的能量匹配。在无限维情形下，相空间为函数空间，标准神经算子往往在短期内实现低误差，但由于跨相互作用模态的结构误差累积，在长期推演中表现出灾难性的能量漂移和不稳定性。现有的结构保持模型（如 SympNets）通常局限于有限维向量空间（ $\mathbb{R}^d$ ）和特定的离散化方案，缺乏 PDE 代理建模所需的网格无关性。

方法论

作者提出了辛神经算子（SNO），这是一种神经算子架构，旨在直接从数据中学习有限时间哈密顿流映射，同时通过构造保持辛结构。

1. 理论基础

该工作建立在强辛希尔伯特流形上无限维哈密顿系统的理论之上。

无限维中的辛性：作者在希尔伯特空间上定义了辛算子，其中辛形式 $\omega(u, v) = \langle Ju, v \rangle$ 由有界、可逆且斜自伴算子 $J$ 诱导。若映射的弗雷歇导数满足 $(D\Phi)^* J D\Phi = J$ ，则该映射为辛映射。
剪切型辛映射：该架构依赖于非线性剪切映射。若 $V: H \to \mathbb{R}$ 是一个具有自伴黑塞矩阵的 $C^2$ 泛函，则映射 $\Phi_V(q, p) = (q, p + \nabla V(q))$ 是一个辛同胚。这使得可以通过组合更简单的剪切块来构建复杂的辛流。

2. 架构设计

SNO 被构建为“上”和“下”剪切块的交替组合，这些块由梯度神经泛函参数化。

自伴傅里叶神经算子（SAFNOs）：为了确保梯度算子 $\nabla V$ 诱导自伴线性化（这是辛性的要求），作者引入了 SAFNOs。这些是傅里叶神经算子，其谱权重（傅里叶符号）受特定伴随对对称性的约束（ $W_k = W^*_{L-1-k}$ 和 $R_k(\xi) = R^*_{L-1-k}(\xi)$ ）。这保证了生成的线性算子在目标希尔伯特空间上是自伴的，且独立于网格离散化。
梯度神经泛函：能量泛函 $E_\theta$ 被参数化为应用于输入线性变换的点wise 神经网络的积分。这些泛函的梯度 $\nabla E_\theta$ 使用 SAFNOs 和点wise 梯度实现，确保梯度映射的雅可比矩阵是自伴的。
SNO 映射：最终算子 $SNO_\Theta$ 定义为：
$SNO_\Theta = T^{up}_{\theta_L} \circ T^{low}_{\vartheta_L} \circ \dots \circ T^{up}_{\theta_1} \circ T^{low}_{\vartheta_1}$
其中每个 $T$ 是由梯度神经泛函导出的剪切映射。通过构造，辛映射的复合仍然是辛的。

3. 稳定性分析

该论文提供了关于长期稳定性的严格理论结果。作者证明，如果学习到的映射 $S_\epsilon$ 是精确哈密顿流 $\Phi_\tau^H$ 的辛 $\epsilon$ -扰动，并且满足一定的平滑性和有界性条件，则存在一个修正哈密顿量 $\tilde{H}_{\epsilon, m}$ ，使得 SNO 在长时间内几乎守恒 $\tilde{H}_{\epsilon, m}$ 。具体而言，能量误差仅随时间步长线性增长，直到时间尺度 $O(\epsilon^{-m})$ ，此后误差保持在 $O(\epsilon)$ 的有界范围内。这与非结构保持模型形成对比，后者的能量漂移通常是无界的。

主要贡献

结构保持算子模型：引入了 SNO，这是首个针对无限维哈密顿 PDEs 的、通过构造即为辛的神经算子架构，从而产生了一个结构保持的函数到函数的代理模型。
高效的假设类：通过将学习空间限制为辛算子，该模型充当了强大的物理引导归纳偏置，缩小了搜索空间，并可能提高数据效率和泛化能力。
严格的稳定性保证：理论证明确立了辛 SNO 在长期推演中保持修正哈密顿量，为其受控的能量行为提供了严格的解释。
自伴神经算子：开发了 SAFNOs，这是一类新的神经算子，通过谱约束强制自伴性，这对于在函数空间中构建有效的基于梯度的辛映射至关重要。

实验结果

作者在四个典型的哈密顿 PDE 上评估了 SNO：线性波动方程、电磁波方程、薛定谔方程和非线性克莱因 - 戈登方程。

短期精度：在短期内（10–20 个时间步），SNO 的表现与标准基线（FNO、GNO、CNO）相当，所有模型均实现了低误差。
长期稳定性：在长期推演中（高达 3000 个时间步），标准神经算子表现出显著的相位和振幅误差、虚假振荡以及单调的能量漂移，导致不稳定性。
能量守恒：在整个模拟时间范围内，SNO 保持了几乎恒定且与真实值一致的能量分布。
定量性能：在所有基准测试中，与基线相比，SNO 展示了显著更小的相对 $L^2$ 推演误差和相对能量误差。例如，在波动方程实验中，在 1000 步时，SNO 的误差保持在 $10^{-1}$ 量级，而 FNO 的误差增长至 $10^0$ ，GNO/CNO 的误差则超过了 $10^1$ 。

意义与主张

该论文声称，SNO 框架解决了科学机器学习中的一个关键缺口：即在尊重支配长期行为的几何不变量的同时，学习无限维动力学的能力。

超越局部精度：该工作强调，对于哈密顿系统，仅靠近似精度是不够的；结构保持对于忠实的长期动力学是必要的。
数据驱动的代理模型：与需要显式知道哈密顿泛函和变分导数的经典辛积分器不同，SNO 直接从轨迹数据中学习有限时间流映射。这使得即使当底层方程未知或过于复杂而无法高效离散化时，该方法仍然适用。
实用价值：作者强调，SNO 可作为快速、结构保持的代理模型，适用于重复的长期推演、反问题和不确定性量化，在这些场景中，评估训练好的算子在计算上比反复求解底层 PDE 更便宜。

作者对局限性保持谦逊，指出当前的公式适用于强正则辛希尔伯特相空间，而将该框架扩展到弱辛形式或一般流形需要进一步的几何和泛函分析发展。此外，由于架构约束，SNO 的训练时间被指出比一般神经算子更长。

Symplectic Neural Operators for Learning Infinite Dimensional Hamiltonian Systems