在横向子空间中学习：用于无散度算子学习的最小表示

基于摘要分析。本文研究不可压缩流及相关 PDE 系统中的无散度向量场，提出将 D 维定义域上的实值 D 分量无散度场编码为同一定义域上的实值（D−1）分量场，以唯一、可逆的约化状态表示支持神经算子的时间演化学习。 核心机制是利用 Fourier 空间中无散度约束所限定的横向结构，通过 Householder 正交变换直接构造约化坐标。对于周期场与封闭不可穿透边界条件下的场，摘要称该变换可逆、等距且保角；对于开放非周期流，则通过 Fourier extension 构造兼容的周期场，并以最小能量规则选取唯一约化表示。训练时先编码物理场，神经算子完全在约化空间中学习时间演化；推理时直接解码为物理无散度场，无须先预测 D 分量场再做事后投影。 作者报告，静态表示拟合与时间预测存在任务相关的权衡：包括 Neural Conservation Law（NCL）势函数在内的冗余参数化，可通过扩大等价解集合降低静态拟合误差；而唯一、可逆坐标更适合为时间演化提供明确状态。作者认为，投影或冗余表示中的纵向、零空间方向可能不受物理损失直接约束，并引入不稳定性；作者报告，消除这些冗余方向后，时间预测误差更低、鲁棒性更强，同时通过表示构造保持无散度约束。摘要未提供具体数据集、神经算子架构、误差指标及改善幅度，实验协议、消融及统计信息尚未验证。 该方法依赖原问题明确的无散度约束、空间场结构及相应边界处理，不能将其直接视为 EEG/BCI 算法。现有材料未建立 EEG 观测与该约束之间的具体对应关系，因此暂不提出迁移实验；已有 EEG 相关工作尚未检索确认。复现时需核对不同边界条件下的变换实现、唯一性与可逆性的适用条件，以及各表示在相同时间预测协议下的对照设置。