周期域上三次非线性薛定谔方程的算子学习
研究团队提出了一种几何条件化的傅里叶神经算子（FNO），用于求解二维平环面上不同纵横比下的三次非线性薛定谔方程。该算子将解的实部和虚部以及纵横比参数作为输入，学习一步解算子。实验表明，该算子能捕捉有理环面和无理环面上的不同动力学行为，并重现了Sobolev范数的差异。消融研究显示，包含纵横比参数能提高长期预测精度。
近日，arXiv上发表了一项关于算子学习在周期域上三次非线性薛定谔方程应用的研究。该研究由Emmanuel E. Oguadimma等人完成，提出了一种几何条件化的傅里叶神经算子（FNO），专门用于求解二维平环面（flat tori）上具有不同纵横比的立方散焦非线性薛定谔方程。在二维环面上，方程的解行为强烈依赖于环面的纵横比，因为纵横比决定了Fourier共振结构。有理纵横比和无理纵横比会导致不同的高频能量级联行为，这一现象在以往的文献中已有记载。为了捕捉这种依赖性，研究者设计了一个几何条件化的FNO，其输入包括解的实部和虚部以及纵横比参数ω²。该网络被训练来近似一步求解算子，即从当前时间步的解预测下一个时间步的解。训练数据通过Fourier伪谱方法生成，使用随机相位的初始条件。训练后的模型在未见过的轨迹上进行评估。实验结果显示，该学习算子能够很好地捕捉两种环面上的主要解动力学，并重现了Sobolev范数的不同行为：在有理环面上H²范数增长更强，而在无理环面上增长受到更多约束，这与以往文献中的发现一致。研究者还进行了详细的消融研究，考察了保留Fourier模式数量、激活函数、Fourier层深度以及显式几何条件化等因素的影响。结果表明，包含ω²参数能显著提高长期预测的准确性，尤其是在有理几何情况下。这支持了使用几何感知神经算子来学习非线性色散偏微分方程中谱转移现象的观点。该研究为神经算子方法在偏微分方程应用中的几何依赖性问题提供了重要见解，通过将几何信息显式编码到网络中，模型能够适应不同的物理场景，展现出更强的泛化能力。未来的工作可能涉及将该方法扩展到更复杂的几何或更高维度的系统。