[ICLR 2025 投稿] OpsSplit：将神经算子“拆”开，捕捉不可见的物理法则

TL;DR

传统的神经算子（Neural Operators）像是一个试图背诵物理演化的“黑盒”，一旦遇到没见过的粘度或初值就容易“露馅”。本文提出的 OpsSplit 框架通过 算子拆分（Operator Splitting） 的直觉，将复杂的物理方程解构为可预测的线性分量（硬编码物理）和具挑战性的非线性分量（神经网络学习），不仅实现了更高的精度，更在 Time Extrapolation（时间外推） 和 OOD（分布外泛化） 上展现了恐怖的稳定性。

背景定位：从“背答案”到“解方程”

在 AI for Science 领域，Neural Operators (NO) 已经极大提升了 PDE 求解速度。但其痛点在于：

1. 物理一致性差：模型不知道自己在满足什么守恒律；
2. 离散受限：自回归模型必须按训练时的 $dt$ 演化；
3. 泛化瓶颈：当物理参数（如雷诺数）跨度较大时，模型往往失效。

OpsSplit 的核心 Insight 是：不要让神经网络去学那些人类已经搞得很清楚的线性导数（如 Laplacian），让它专注去学最难搞的非线性项（如 Convection）。

核心方法：物理算子拆分 (OpsSplit)

1. 架构解构

作者将 PDE 的右端项 (RHS) 分解为混合专家结构：

• 线性算子 ($FD$)：使用固定的有限差分卷积核 (Finite-difference Convolutions)。这部分不需要参数，物理上极其精确。
• 非线性算子 ($NO$)：使用神经算子（如 FNO, CNO）来捕捉非线性的对流和压力效应。

这种设计本质上是 Physics-informed MoE。

图 1：从左至右对比了自回归、Neural ODE 以及本文的 OpsSplit 方法。OpsSplit 显式地将算子分解为 $abla\cdot$ 和 $ablaimes$ 等物理过程。

2. Neural ODE 系统集成

与传统的自回归迭代不同，OpsSplit 学习的是时间的导数 $\frac{du}{dt}$，其形式如下： $\frac{du}{dt}=\sum {\lambda }_{linear}FD(u)+\sum {\lambda }_{nonlinear}NO(u)$ 预测时，使用标准的 ODE Solver（如 Runge-Kutta）进行积分，这赋予了模型处理任意时间步长（Continuous-in-time）的能力。

实验战绩：全方位的碾压

作者在不可压缩及可压缩的 Navier-Stokes (N-S) 方程上进行了严苛测试。

1. 突破泛化瓶颈 (OOD Analysis)

在改变流体粘度 ($\mu$) 和初始条件参数后的 OOD 测试中，OpsSplit 表现出了极强的鲁棒性。

• NRMSE 指标：在 FNO 架构上，OpsSplit 的 OOD 预测误差比传统 Neural ODE 降低了 33%，比自回归方法降低了 60% 以上。

2. 长时间演化稳定性

在时间外推（t-extrapolate）实验中，OpsSplit 能够维持较低的误差增长，而基线模型在测试时程过半后往往会出现严重的物理不一致性（例如违反连续性方程）。

表 1：不同架构（FNO, U-Net, ViT）在不可压缩流体任务下的表现。OpsSplit（True 选项）在绝大多数指标下均为最优。

深度洞察：为什么这很重要？

可解释性的回归

OpsSplit 最令学术界兴奋的地方在于其 解开的分量是可解释的。作者可视化了模型学到的“非线性对流项”，并将其与经典的数值求解器结果对比（见图 3、图 6）。你会发现神经网络确实捕捉到了真实的物理梯度，而不是仅仅学习了像素级的分布偏差。

迁移学习的新可能

由于模型是模块化的，你可以将在“可压缩流体”上训好的对流项算子，直接拿来作为“不可压缩流体”模型的初始化。这种 Cross-PDE Transfer Learning（跨方程迁移）在本文的实验（图 16, 17）中被证明能显著加速收敛。

局限性与未来展望

尽管 OpsSplit 性能卓越，但其依赖于对物理方程的先验了解。如果你完全不知道底层的物理公式，就无法进行算子拆分。此外，虽然它在矩形网格上表现极佳，但在处理极其复杂的工业几何边界（非结构化网格）时，仍需结合图神经算子 (GNO) 或隐式神经表示 (INR)。

总结

OpsSplit 的成功宣告了：AI 仿真的未来不在于端到端的黑盒化，而在于将经典的数值算法逻辑与神经网络的表达能力进行深度的“外科手术式”融合。

关键词：Neural Operators, Physics-Informed ML, Navier-Stokes, Operator Splitting, Neural ODEs.