技术摘要：因子分解神经算子解构动态与持久响应

1. 问题陈述

从地球物理流体到工程湍流，物理系统通常表现出异质机制（heterogeneous mechanisms），即快速演化的动力学过程与由几何、边界条件和异质介质诱导的持久结构并存。现有的神经算子，特别是基于谱的方法（如 FNO、SFNO），通常依赖于单一的主导归纳偏置（inductive bias）（通常是等变性）。这种表述将截然不同的物理响应耦合进一个共享的表示中，迫使模型同时处理对变换敏感的动力学过程和对变换稳定的结构。

作者认为，这种耦合限制了可解释性，放大了长程自回归展开过程中的误差，并削弱了跨分辨率的泛化能力。核心挑战在于：物理算子应当被学习为一个单一的响应，还是应当被分解为特定机制的组件，以更好地反映物理系统的异质组织结构。

2. 方法论：统一格林函数框架与 FaNO

2.1 统一格林函数框架

作者提出将经典的格林函数（Green's function）重新诠释为不仅是一个待恢复的解析核，更是一种设计原则，用于构建几何原生（geometry-native）的算子系统。他们提出了一个统一框架，将物理系统的解表示为一个积分响应。在该框架内，他们根据依赖关系区分了两类核：

• 相对位置依赖核 ($G(T^{-1}u)$)： 这些自然地导致等变（equivariant）（动态）响应，捕捉对变换敏感的动力学过程。
• 绝对位置依赖核 ($G(u)$)： 这些代表不变（invariant）（持久）响应，捕捉在变换下保持稳定的结构，例如由固定边界或全局几何诱导的结构。

2.2 因子分解神经算子 (FaNO)

基于该框架，作者引入了 FaNO，这是一种将算子分解为两个专门分支的谱架构：

1. 动态分支 (等变分支)： 使用依赖于相对位置（或群变换 $T$）的可学习核 $G^E_\theta$ 进行建模。该分支捕捉快速变化、瞬态且依赖状态的动力学过程。它利用标准的谱变换（对于欧几里得网格使用傅里叶变换，对于球面使用球谐函数，对于流形使用 Laplace–Beltrami 特征基）。

   • 公式： $g^E(u) = \mathcal{F}^{-1}[G^E_\theta \cdot \mathcal{F}[f]]$

2. 持久分支 (不变分支)： 使用依赖于绝对位置的可学习核 $G^I_\theta$ 进行建模。该分支提取跨尺度保持稳定的、由系统驱动的相干结构。它由输入函数的几何感知积分信息 ($C_f$) 所驱动。

   • 公式： $g^I(u) = \mathcal{F}^{-1}[C_f \cdot G^I_\theta]$

3. 融合： 将两个分支的输出进行拼接，并通过线性层 ($w_1$) 进行通道交互：

   • $g(u) = \mathcal{F}^{-1}[\text{Concat}(\mathcal{F}[f] \cdot G^E_\theta, C_f \cdot G^I_\theta)] \cdot w_1$

这种设计在保留谱算子的网格不变性和高效性的同时，实现了显式的专业化。该架构适用于欧几里得网格、球面域以及非结构化流形。

3. 核心贡献

• 概念转变： 提出从单一归纳偏置表述转向因子分解算子表示，明确分离动态响应与持久响应。
• 统一框架： 引入了统一格林函数框架，通过区分等变核与不变核结构，将算子设计推广到不同的几何领域（欧几里得、球面、流形）。
• 自发专业化： 证明了 FaNO 的两个分支无需显式监督即可自发地专业化为不同的物理角色：动态分支追踪瞬态变化，而不变分支锚定稳定的空间组织。
• 泛化性： 表明这种因子分解不仅提高了流体力学的性能，在时间无关的物理系统（Darcy、Helmholtz）以及几何学习任务（分类、分割）中同样表现出色。

4. 实验结果

作者针对单分支基准模型（SFNO、FNO、NORM）以及最先进的模型，在多种设置下对 FaNO 进行了评估：

• 机制专业化： 在浅水方程 (SWE)、纳维-斯托克斯 (NS) 和圆柱绕流 (Cylinder Flow) 的自回归预测中，动态分支捕捉了高振幅、样本相关的变化，而持久分支则编码了低振幅、相干的大尺度结构（例如极地地势高度、几何诱导的尾迹）。
• 多尺度地球物理建模 (SWE)： FaNO 在时间与空间尺度上均实现了最低的平均相对误差 (MRE)。至关重要的是，在跨分辨率外推（在粗网格上训练，在细网格上测试）的情况下，FaNO 保持了低于 $2.5 \times 10^{-3}$ 的稳定误差，而单分支的 SFNO 性能显著下降（误差接近或超过 $10^{-2}$）。
• 现实世界天气预报 (WeatherBench)： 在 ERA5 数据集上，FaNO 仅使用 2.7M 参数，就在中长期预报（3天和5天）中实现了最高的异常相关系数 (ACC)。在 120 小时时界处，它保留了相干的行星尺度流动结构，而其他方法在此阶段会出现结构畸变。
• 流体力学与几何约束：
  • 纳维-斯托克斯 (Navier-Stokes)： 通过在粘度和分辨率转移期间保持相干的涡旋组织，FaNO 减少了展开误差，且使用的参数比 FNO 少 45.8%。
  • 圆柱绕流 (CylinderFlow, 非结构化网格)： 在长程自回归展开中，FaNO 与 NORM 相比，每步 MSE 降低了约 28.8%，防止了下游尾迹中畸变的累积。
• 超越时间相关物理： FaNO 在时间无关的 Darcy 和 Helmholtz 方程，以及球面 MNIST 分类和表面分割等几何任务中均优于基准模型，证明了因子分解原则有助于分离稳定的全局结构与局部输入变化。

5. 重要性与主张

本文声称，可扩展的物理建模受益于超越单一归纳偏置表述的尝试。通过将算子响应分解为互补的动态与持久组件，FaNO 提供了一种更适合异质物理系统的归纳偏置。

作者强调的关键意义包括：

• 提高鲁棒性： 因子分解机制增强了跨尺度、跨领域及跨物理机制的泛化能力，特别是在长程自回归展开和跨分辨率外推方面。
• 可解释性： 分支的自发专业化提供了更具解释性的物理系统模型，使架构与底层物理的异质组织结构相契合。
• 高效性： 这些改进是通过受控的架构修改而非增加模型容量实现的，通常比同类单分支模型具有更少的参数量。

作者总结道，这项工作代表了向更具解释性、鲁棒性和泛化性的科学计算基础迈出的一步，并指出未来的物理启发式机器学习应考虑能够反映物理系统不同控制机制的因子分解表示。