PDEfuncta：面向 PDE 解建模的频谱感知神经表示

基于摘要分析。本文研究科学机器学习中多个 PDE 解场的连续表示问题，重点处理尖锐过渡、细尺度振荡和局部结构等高频特征。作者提出 Global Fourier Modulation（GFM），并据此构建元学习框架 PDEfuncta，以共享隐式神经表示（INR）和低维潜向量表征多个解场，并支持向新任务泛化。 机制上，GFM 通过基于 Fourier 的重参数化，在 INR 的每一层注入高频信息。其针对的困难是：共享网络同时建模多个解场时，高频特征仍难以准确捕获；摘要将其与主要面向单实例的既有频谱偏置处理方法相区别。PDEfuncta 在此基础上学习多模态解场，但潜变量的获取方式、元学习目标、任务构造及适配流程尚未验证。 作者报告，在多种科学问题上的实验改善了表示质量，并显示出无需重新训练即可开展正向与逆向推断的潜力。摘要未提供具体问题名称、数据规模、划分协议、对照方法或指标数值，因此无法量化提升，也不能确定“无需重新训练”是否仍涉及潜变量优化。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 片段建模为时间或时空坐标上的连续场，逐层 Fourier 调制可能用于检验共享 INR 对瞬态和振荡细节的表示能力；这不是本文已验证的 EEG 或 BCI 结果。可复用部分是 GFM 与共享 INR，需改造坐标编码、通道空间表示及潜变量适配流程。低信噪比可能使高频增强同时拟合噪声，跨被试差异、通道布局变化和小数据也可能削弱共享表示。一个可证伪的小实验是在固定 EEG 被试内划分、相同潜变量维度和训练预算下，对比加入与不加入 GFM 的 INR，分别检查整体重建误差及预先指定频段的重建误差，避免把高频拟合直接等同于任务收益。相关 EEG 工作尚未检索确认。