该论文提出了一种新的神经算子，通过直接在傅里叶空间中参数化积分核，实现了对偏微分方程的求解，并在 Burgers' equation、Darcy 流和 Navier-Stokes 方程等测试中展现了高准确率和比传统方法高三个数量级的速度。

Oct, 2020

利用 Fourier 神经算子学习非线性双曲型偏微分方程的弱解并采用物理学启发式正则化策略可以提高模型的预测能力，研究表明 Fourier 神经算子具有良好的泛化能力，尽管随着初始和边界条件的分布复杂度线性增长，其泛化误差也呈现线性增长。

Feb, 2023

通过改进的傅里叶层和注意机制，我们提出了一种新颖的分层神经算子，旨在捕获所有细节并在不同尺度上处理它们，以解决多尺度偏微分方程问题。在多个物理场景中进行实验，并在现有偏微分方程基准测试中取得卓越性能，尤其是具有快速系数变化特征的方程。

Nov, 2023

利用 Fourier 神经算子 (FNO) 网络以实时三维城市风场模拟，通过半拉格朗日方法和分数步进法模拟大规模城市问题中的城市微气候特征，数值实验显示 FNO 模型能够准确重构瞬时空间速度场，在不同风向的未见数据上也具有良好的泛化能力，更重要的是 FNO 方法能够在毫秒内进行预测，实现了三维动态城市微气候的实时模拟。

Aug, 2023

本论文提出了基于深度学习的 Fourier 神经算子 (FNO) 的新框架 - geo-FNO, 用于求解偏微分方程，并可在任意几何图形上工作。该方法利用深度学习降噪算法，将不规则的物理空间映射到一个均匀的潜空间中，再应用 FNO 模型来求解偏微分方程。geo-FNO 比传统的数值求解方法快 $10^5$ 倍，比其它机器学习算法（如 FNO）的直接插值更准确。

Jul, 2022

通过对 Fourier neural operator（FNO）进行全精度和混合精度训练的内存和运行时时间进行分析，研究混合精度训练的数值稳定性，并设计了一种训练程序，有效减少了训练时间和内存使用，而在准确性上几乎没有减少，适用于 Navier-Stokes 和 Darcy 流动方程。

Jul, 2023

本文提出了一种可逆傅里叶神经算子（iFNO），既能解决正向预测问题，又能解决逆向问题，通过设计一系列可逆傅里叶块在潜在通道空间共享模型参数、高效交换信息并相互正则化学习，结合变分自编码器以捕获输入空间内部结构并进行后验推理，从而克服了不适定性、数据不足、噪声等挑战，并通过对五个基准问题的评估证明了我们方法的有效性。

Feb, 2024

在这篇论文中，我们提出了一种新的空时傅里叶神经算子 (Spatiotemporal Fourier Neural Operator, SFNO)，它学习了 Bochner 空间之间的映射，并引入了一个新的学习框架来解决神经网络训练方面的问题。这种设计通过使用一种可靠的基于可估计（Parseval）误差分析的负 Sobolev 范数作为运算符学习的损失函数来优化神经算子，从而在处理低频误差和高频误差时取得了显著的计算效率和精度改进。与端到端评估和传统数值偏微分方程求解器相比，在二维 Navier-Stokes 方程常用基准测试中进行的数值实验显示出了显著的改进。

May, 2024

该研究探讨了神经算子在预测紊流方面的应用，重点研究了傅立叶神经算子（FNO）模型。旨在利用机器学习开发用于紊流模拟的降阶 / 替代模型。通过分析不同的模型配置，发现 U-NET 结构（UNO 和 U-FNET）在准确性和稳定性方面优于标准的 FNO。U-FNET 在预测更高雷诺数下的湍流表现出色。梯度和稳定性损失等正则化项对于稳定而准确的预测至关重要。该研究强调了改进流体流动预测深度学习模型评估指标的必要性。进一步研究应该关注处理复杂流动和实际基准评估指标的模型。

Jul, 2023

本研究提供了首次关于科学发现模型对抗鲁棒性的研究，通过在指定模型上生成敌对性的样本数据，我们发现模型的鲁棒性随着扰动水平的增加而迅速下降，这为评估基于机器学习的科学发现模型提供了敏感性分析工具和评估原则。

Apr, 2022