傅里叶神经算子 FNO ★

是什么

FNO 的每一层都做三件事：FFT → 在截断后的低频模态上做可学习的复数线性变换 → 逆 FFT。 由于物理场的主要能量集中在低频，截断高频既省算力又起到隐式正则化作用。 整个网络就是若干这样的谱卷积层加上逐点非线性。

关键要点

• 计算复杂度：FFT 是 O(N log N)，比空间域卷积便宜很多，这是 FNO 快的根本原因。
• 分辨率无关：低频模态的权重与网格分辨率无关，理论上训在 64×64、推在 256×256 也能用。
• 必须规则网格：FFT 的前提是结构化网格。非结构网格要先插值到规则网格（会引入误差）或改用图神经算子。
• 周期性边界条件下表现最好；非周期边界可通过填充/延拓处理。

常见误区 / 边界

• “分辨率不变”不等于”精度不变”：外推到更高分辨率时高频细节仍然缺失，误差会上升。
• FNO 对湍流等高雷诺数问题需要较多模态，截断模态数是一个必须调的关键超参。
• 涉及复杂几何（如带孔洞的机翼绕流）时，规则网格假设会成为瓶颈，此时应评估图神经算子。