FNO（Fourier Neural Operator）入门教程
学习路径
阶段 1：理论背景（1–2 天）
必读论文：
- Li et al. “Fourier Neural Operator for Parametric PDEs”（ICLR 2021）
核心概念：
- Neural Operator vs. 传统 Neural Network：学习解算子而非有限维映射
- 傅里叶变换在离散化 PDE 解空间的线性性
- 降谱定理（Kolmogorov-Arnold）与神经算子的逼近能力
阶段 2：代码实现（3–5 天）
官方实现（PyTorch）：
git clone https://github.com/neuraloperator/neuraloperator
cd neuraloperator学习顺序：
scripts/train_darcy.py：Darcy 流的数据加载 + 训练循环（最佳起点）neuralop/models/：FNO 模型实现neuralop/layers/：谱卷积层（torch.fft解读）- 在 AirfRANS 数据集上复现（翼型 RANS 代理模型）
阶段 3：进阶（1–2 周）
- 降谱攻击（FNO 在高分辨率上失效的原因与对策）
- Time-FNO（时变 PDE，如 NS 方程）
- 与 DeepONet / PINN 的对比消融实验
推荐练习项目
- Darcy 流：最简入门，数据集小，训练 10 分钟出结果
- NACA 翼型：AirfRANS 子集，FNO 精度验证
- U-bend 弯管：工程实用，数据集在导航站收录
适用人群
- 有 PyTorch 基础的工程师/研究者
- 希望了解神经算子（Neural Operator）与传统 PINN 区别的人
- 需要为 CFD/CAE 开发代理模型的人
标签: FNO神经算子代理模型教程PyTorch
相关条目
- DeepONet 深度算子网络入门 · 系统学习 DeepONet（深度算子网络）的理论原理与 DeepXDE 代码实现，适合需要处理多物理参数场景的 PINN 开发者。
- 物理仿真与机器学习融合路线图 · 从经典 PDE 数值方法到数据驱动物理 AI 的系统学习路线，覆盖有限元、有限体积、代理模型、PINN 等方法的演进逻辑与适用场景。
- 算子学习综述（Operator Learning Survey） · 系统梳理算子学习方法的综述论文，覆盖 DeepONet、FNO 及其变体的理论、架构与误差分析，是理解「学习无限维映射」最合适的入门与查阅材料。
- Physics-Based Deep Learning 在线教材 · 由慕尼黑工业大学团队维护的免费在线教材，系统讲解「物理 + 深度学习」的融合范式，从可微物理、PINN 到神经算子与湍流建模，配套可运行代码。
- PINN from Scratch · 从零实现物理信息神经网络的经典中文结构化教程，配合 Raissi 原版 PINNs 仓库，是入门物理 AI 的最佳起点。