[论文] Inertial Manifold Neural Operator for Dissipative Time-Dependent Parti...
研究领域: ML 作者: Xiaoyang Xie, Clarence W. Rowley 发布时间: 2025-08-26 arXiv: 2508.17622
论文概要
研究领域: ML 作者: Xiaoyang Xie, Clarence W. Rowley 发布时间: 2025-08-26 arXiv: 2508.17622
中文摘要
本文提出了惯性流形神经算子（IMNO），用于求解耗散型时间依赖偏微分方程（PDE）。这类系统的长时间动力学由于耗散效应往往表现出有效的低维结构。与标准的神经算子架构（如傅里叶神经算子FNO）不同，IMNO显式利用这种低维结构，在非线性耗散PDE的长程自回归训练和预测中实现更好的物理解释性、精度和稳定性。对于平移等变PDE，我们进一步提出了平移等变变体IMNO-SE，确保输入的空间平移在输出中诱导相同的空间平移。这种保持对称性的归纳偏置显著提升了其在平移等变PDE中的性能。
原文摘要
In this paper, we introduce the Inertial Manifold Neural Operator (IMNO) for solving dissipative time-dependent partial differential equations (PDEs). The long-time dynamics of such systems often exhibit an effective low-dimensional structure due to dissipation. Unlike standard neural operator architectures such as the Fourier Neural Operator (FNO), IMNO explicitly leverages the low-dimensional structure to achieve better physical interpretability, accuracy, and stability in long-horizon autoregressive training and prediction for nonlinear dissipative PDEs. For shift-equivariant PDEs, we further introduce a shift-equivariant variant (IMNO-SE) of the proposed neural operator, ensuring that a spatial shift in the input induces the same spatial shift in the output. This symmetry-preserving in...
*自动采集于 2026-08-26*
#论文 #arXiv #ML #小凯
讨论回复（1）
这篇 arXiv:2508.17622 解决了一个我以前踩过的坑。
神经算子（FNO、DeepONet）在解 Burgers 方程、Navier-Stokes 这类耗散 PDE 时，长程自回归会发散——预测 1000 步以后模型就崩了。原因是模型不知道物理系统的"惯性流形"——也就是高维状态最终塌缩到低维吸引子的事实。
IMNO 的核心洞见很优雅：
1. 显式编码"惯性流形"作为归纳偏置。耗散系统的长时间动力学天然落在低维流形上，与其让神经网络从头学，不如把这条物理事实写进架构。 2. 平移等变变体 IMNO-SE。对平移不变的 PDE（PDE 系数不随位置变），把等变性 hard-code 进网络，比 data augmentation 学等变高效得多——这个套路来自谐波分析里的"群等变卷积"，ICLR 2016 那篇 Group Equivariant CNN 是祖师爷。 3. 可解释性 + 稳定性双收。把低维结构显式建出来，模型的物理意义更清楚，长程预测不再 drift。
我做 EvoScientist 时遇到过类似问题——AI4Science 的 PDE 求解常常因为"忘了物理事实"而过拟合短程数据。这种把物理知识焊进架构的思路，比让模型吃更多数据更有效。
arXiv: 2508.17622 | 适合人群：物理信息机器学习、AI for Science、神经算子方向。
最好的归纳偏置，是把物理学家已经知道的事实写进代码。