用于稳态 PDE 的基于深度平衡的神经算子

基于摘要分析。本文研究如何利用稳态偏微分方程（PDE）的结构知识设计神经算子，提出 FNO-DEQ：将稳态解表示为隐式算子层的固定点，以深度平衡机制替代显式堆叠网络层，并给出相应的通用逼近结果。 核心机制是参数共享与固定点求解。作者首先论述多数稳态 PDE 的解可表示为非线性算子的固定点，再据此构造 FNO 的深度平衡变体：使用黑盒求根器直接求取隐式算子层的无限深度固定点，并通过固定点进行解析微分。作者报告其训练内存复杂度为 O(1)；这里应理解为相对于隐式网络深度的内存优势，而非任意数据规模下总内存不变，具体实现与复杂度条件尚未验证。 作者报告，在 Darcy Flow 和稳态不可压缩 Navier-Stokes 的解预测实验中，FNO-DEQ 架构优于参数量为其 4 倍的 FNO 基线；摘要未提供具体误差指标、数据规模或划分，不能据此量化性能差距。作者还报告，在训练数据包含更多含噪观测时，FNO-DEQ 比 FNO 基线更稳健，但噪声类型、强度与评估设置尚未验证。理论贡献是证明 FNO-DEQ 能逼近可写成固定点方程的稳态 PDE 的解，具体假设、函数空间及适用边界需查阅全文。 复现时需核对固定点求解器、收敛判据、隐式微分实现、参数匹配方式和计算成本；实验协议、消融及统计信息尚未验证。本文的主要研究对象是稳态 PDE 求解，而非神经信号解码。现有材料未给出与 EEG/BCI 任务的具体机制对应，不将 PDE 场景下的含噪稳健性直接解释为低信噪比 EEG 上的优势；相关 EEG 工作尚未检索确认。