1. 课程导入与算子映射问题界定

在传统数值仿真中，我们习惯把一个问题写成“给定参数，求解某个物理场”。例如给定热源位置与材料导热系数，求解温度分布；给定翼型几何与来流条件，求解压力场与速度场。神经算子要做的不是重复某一次求解，而是学习“从一类输入函数到一类输出函数”的映射本身。理解这一点，是进入本课程的第一道门槛。

先明确映射对象。设输入是一个函数 a(x)，输出是另一个函数 u(x)，神经算子学习的是算子 G: a → u。以二维稳态热传导为例，输入可以是空间变化的导热系数场 k(x,y)，输出是对应的温度场 T(x,y)。注意，这里输入和输出都不是固定维度的向量，而是定义在连续区域上的函数。实际训练时我们只能在离散网格上采样，但学习目标始终是函数之间的对应关系，而不是某几个网格点上的数值。

由此引出输入输出函数空间的问题。输入函数属于哪个空间，输出函数属于哪个空间，直接决定网络该以什么形式接收和输出数据。工程上常见的输入空间包括：有界区域上的平方可积函数空间 L²(Ω)、具有一定光滑性的 Sobolev 空间 H^s(Ω)，以及只要求连续性的 C(Ω)。输出空间同样需要界定。若输出是温度场，通常要求 T ∈ H¹(Ω) 以保证能量有意义；若输出是概率密度或浓度，则还需满足非负性与守恒性。课程中我们会反复强调：函数空间的选择不是数学装饰，而是约束网络输出合理性的第一道防线。

监督信号的形式是第二个关键界定。神经算子的训练数据通常成对出现：(a_i, u_i)，其中 a_i 是输入函数的一个离散采样，u_i 是对应输出函数的离散采样。监督信号可以是网格点上的函数值，也可以是模态系数、边界通量或积分量。以热传导为例，若我们只关心平均温度，监督信号可以退化为一个标量；但若目标是重建整个温度场，监督信号就必须覆盖足够多的空间位置。这里有一个容易被忽视的实践要点：监督信号的采样密度应与目标分辨率匹配。若训练时只在 32×32 网格上监督，却期望推理时输出 256×256 的场，网络必须依赖算子本身的光滑性先验，否则误差会在细尺度上放大。

泛化目标是第三个界定。神经算子追求的泛化不是“对同一输入换个随机种子”，而是对未见过的输入函数仍能给出合理输出。这包括三类泛化：一是参数泛化，如导热系数幅值变化；二是几何泛化，如区域形状改变；三是分辨率泛化，即训练与测试网格不同。课程后续会看到，不同算子架构对这三类泛化的支持程度差异很大。以 Fourier 神经算子为例，它在规则网格上对分辨率泛化较友好，但对非规则几何需要额外处理；而图神经算子更擅长处理不规则网格，却在全局模态捕捉上需要更多层数。

把上述四个要素放在一起，就构成了本课程的问题框架。左侧是输入函数空间，中间是待学习的算子，右侧是输出函数空间；下方三块分别对应监督信号、泛化目标与误差评估。这个框架会贯穿后续所有章节：无论我们讨论 DeepONet、Fourier 神经算子还是图神经算子，本质上都是在回答“如何用有限参数近似这个无穷维映射，并让近似在未见函数上仍然可靠”。

为了把框架落到可操作的层面，下面给出一个最小示例的界定方式。假设我们研究一维稳态扩散问题，输入是扩散系数函数 a(x)，输出是解 u(x)，满足 -(a(x)u'(x))' = f(x)，边界条件 u(0)=u(1)=0，源项 f(x)=1 固定。我们取输入空间为 A = {a ∈ L²(0,1): 0.1 ≤ a(x) ≤ 10}，输出空间为 U = H¹₀(0,1)。训练数据通过有限元在 64 个单元上生成，监督信号为 64 个节点上的 u 值。评估时除相对 L² 误差外，还检查 u 在 x=0.5 处的值与守恒量 ∫ a u' dx 的偏差。这个示例虽小，却完整覆盖了映射对象、函数空间、监督信号与泛化目标四个界定要素，后续章节的复杂案例都可以看作它的扩展。

还需要澄清一个常见误解：神经算子并不是“用神经网络替代有限元”。有限元在给定输入下求解一个具体问题，神经算子则学习一类问题的解算子。前者是数值方法，后者是近似映射。二者可以结合，例如用神经算子提供初值或粗解，再用有限元修正；但它们的评价标准不同。数值方法看单次求解的精度与稳定性，神经算子看跨样本的泛化误差与推理成本。课程后续的对比章节会反复回到这一区分。

最后说明本课程的组织逻辑。第一章建立问题框架；随后几章分别介绍函数空间与离散化的基本工具、DeepONet 与 Fourier 神经算子的构造、训练与误差分析；再往后进入几何泛化、多物理场耦合与工程案例。每一章都会回到本章这张框架图，指出当前内容在“输入空间—算子—输出空间—监督—泛化—评估”链条中的位置。读者若能在学完后独立画出这张图并填入具体对象，就说明问题界定已经牢固。