算子学习

是什么

经典监督学习做的是有限维向量到向量的映射 R^n → R^m；算子学习做的是 A → U，其中 A、U 都是函数空间（如 L²(D)）。这意味着模型必须在 任意离散化方式下都成立，这也是”离散不变性”被反复强调的原因。

关键要点

• 评价标准不同：除了常规误差，还要考察分辨率泛化（训粗网格、测细网格）与参数泛化（训练集外的系数范围）。
• 理论支撑：万能逼近定理已有算子版本（对 Lipschitz 连续算子成立），但实际收敛速率仍依赖问题结构。
• 与降阶模型的交集：二者都追求低维表示，区别在于算子学习从数据学映射，ROM 从方程投影。
• 训练数据通常来自传统求解器，“数据生成成本”是算子学习落地最现实的限制。

常见误区 / 边界

• 只看同分布测试误差会高估模型能力，务必单列**分布外（OOD）**评测集。
• 算子学习不是万能加速：当每个工况都要重新生成上千条训练数据时，它不如直接优化求解器。