本文介绍了一项发表于 arXiv 的研究工作（编号 2606.27459，提交于 2026 年 6 月 25 日），作者为 Emmanuel E. Oguadimma 及另一位合作者，全文共 21 页，属于机器学习（cs.LG）分类，同时涉及偏微分方程分析（math.AP）与数值分析（math.NA）。论文的主题是：如何用神经算子方法学习周期性区域上立方非线性薛定谔方程的解算子。
研究关注的是定义在二维平坦环面上的立方非线性薛定谔（NLS）方程，且环面的长宽比（aspect ratio）可以变化。作者指出，在这样的设定下，长宽比的选择直接决定了傅里叶共振结构，因此有理几何与无理几何会表现出不同的高频级联行为。换句话说，环面的几何参数并非无关紧要的细节，而是影响解在高频段如何演化的关键因素。
为处理这一问题，作者提出了一种“几何条件化”的傅里叶神经算子（geometry-conditioned Fourier neural operator，FNO），用于立方散焦（defocusing）NLS 方程。模型的输入由三部分构成：解的实部、解的虚部，以及长宽比参数 ω²。模型被训练以逼近单步解算子，并在由随机相位初始数据、通过傅里叶伪谱方法生成的未见轨迹上进行评估。
数值实验显示，学习到的算子能够捕捉两类环面上的主要解动态，并重现两种几何结构下 Sobolev 范数的不同行为：在有理环面上 H² 范数增长更强，而在无理环面上行为更为受限。作者强调，这一结果与参考文献 hrabski2021energy 的发现相一致，说明神经算子确实学到了与几何相关的谱传输现象，而非仅仅拟合表面数据。
论文还进行了消融实验，考察保留的傅里叶模态数量、激活函数的选择、傅里叶层的深度以及显式几何条件化各自的作用。结果表明，将 ω² 纳入输入能够提升长时间预测的精度，尤其是在有理几何情形下效果更为明显。作者据此认为，几何感知的神经算子适合用于学习非线性色散偏微分方程中的谱传输（spectral-transfer）现象，为将算子学习应用于更广泛的色散型方程提供了支持。