週期域上三次非線性薛定諤方程的算子學習
研究團隊提出了一種幾何條件化的傅里葉神經算子（FNO），用於求解二維平環面上不同縱橫比下的三次非線性薛定諤方程。該算子將解的實部和虛部以及縱橫比參數作為輸入，學習一步解算子。實驗表明，該算子能捕捉有理環面和無理環面上的不同動力學行為，並重現了Sobolev範數的差異。消融研究顯示，包含縱橫比參數能提高長期預測精度。
近日，arXiv上發表了一項關於算子學習在週期域上三次非線性薛定諤方程應用的研究。該研究由Emmanuel E. Oguadimma等人完成，提出了一種幾何條件化的傅里葉神經算子（FNO），專門用於求解二維平環面（flat tori）上具有不同縱橫比的立方散焦非線性薛定諤方程。在二維環面上，方程的解行為強烈依賴於環面的縱橫比，因為縱橫比決定了Fourier共振結構。有理縱橫比和無理縱橫比會導致不同的高頻能量級聯行為，這一現象在以往的文獻中已有記載。為了捕捉這種依賴性，研究者設計了一個幾何條件化的FNO，其輸入包括解的實部和虛部以及縱橫比參數ω²。該網絡被訓練來近似一步求解算子，即從當前時間步的解預測下一個時間步的解。訓練數據通過Fourier偽譜方法生成，使用隨機相位的初始條件。訓練後的模型在未見過的軌跡上進行評估。實驗結果顯示，該學習算子能夠很好地捕捉兩種環面上的主要解動力學，並重現了Sobolev範數的不同行為：在有理環面上H²範數增長更強，而在無理環面上增長受到更多約束，這與以往文獻中的發現一致。研究者還進行了詳細的消融研究，考察了保留Fourier模式數量、激活函數、Fourier層深度以及顯式幾何條件化等因素的影響。結果表明，包含ω²參數能顯著提高長期預測的準確性，尤其是在有理幾何情況下。這支持了使用幾何感知神經算子來學習非線性色散偏微分方程中譜轉移現象的觀點。該研究為神經算子方法在偏微分方程應用中的幾何依賴性問題提供了重要見解，通過將幾何信息顯式編碼到網絡中，模型能夠適應不同的物理場景，展現出更強的泛化能力。未來的工作可能涉及將該方法擴展到更復雜的幾何或更高維度的系統。