分数阶更优：神经算子学习中的可学习导数阶数

基于摘要分析。本文研究用于偏微分方程（PDE）快速代理求解的神经算子：相比直接输入坐标与函数值，加入与 PDE 微分结构相匹配的导数特征能否改善学习？作者提出 ∂-NO（del-NO），以可学习的分数阶导数特征增强神经算子输入，旨在减轻网络隐式学习微分运算的负担。 机制与理论：作者通过温和解（mild solutions）的 Picard 迭代说明，输入的导数会显式出现在解算子中。作者报告，在其理论设定下，加入导数特征可将逼近误差界从 O(W^{-(s-m)/d}) 改善为 O(W^{-s/d})，其中 W 为参数量、s 为输入正则性、m 为 PDE 阶数、d 为空间维度。摘要未给出这些界成立的完整假设。作者进一步指出，其所分析的最优导数阶数 β* 严格小于 PDE 阶数 m，并以频谱空间中的偏差—方差权衡解释这一差距；从数据学习 β 因而起到自动频谱正则化作用。 实验与证据边界：∂-NO 被描述为不依赖特定骨干架构的增强方式。作者报告，在多个基准问题和架构上，∂-NO 持续改善预测准确性，学习到的阶数同时受到已知物理结构、噪声和有限样本约束的影响。摘要未列出具体基准、误差指标、提升幅度或训练规模；实验协议、消融及统计信息尚未验证，分数阶导数的数值实现与复现条件亦需查阅全文。 平台推测（待验证）：若 EEG 任务采用连续时间算子建模，可假设分数阶导数特征为时序变化提供可调的频谱表征，但这不等于 PDE 理论可直接迁移。可复用部分是导数特征增强与阶数学习；需改造时间离散化、边界处理及多通道输入。低信噪比下的高频放大、跨被试频谱差异和小数据下的阶数过拟合均是潜在风险。可在固定 EEG 数据划分与同一骨干下，对照原始输入、固定阶数和可学习阶数，并检验加噪后的表现及阶数稳定性。相关 EEG 工作尚未检索确认。