2. FNO的数学基础
要理解Fourier神经算子（FNO）为什么能“一次训练、多分辨率复用”，必须先把视角从传统的有限维向量学习，抬升到函数空间之间的映射学习。传统神经网络处理的是固定维度的输入输出，例如一张 64×64 的图像对应一个 4096 维向量；而FNO面对的是偏微分方程的解算子——输入是一个函数（如初始条件、源项、系数场），输出也是一个函数（如时刻 T 的解）。这一节我们把这个扩展过程讲清楚，并说明FNO究竟逼近的是哪一类映射。
从有限维向量到函数空间
在有限维设定中，我们把输入写成向量 u ∈ ℝn，网络学习的是映射 f: ℝn → ℝm。但物理场本质上是定义在连续区域 Ω 上的函数，例如 a(x) 表示 x 处的扩散系数，u(x, t) 表示温度场。此时输入属于某个函数空间 𝒜（如平方可积空间 L²(Ω) 或 Sobolev 空间 Hs(Ω)），输出属于空间 𝒰。算子 G 把整个输入函数映成整个输出函数：
G: 𝒜 → 𝒰, a ↦ u = G(a)关键区别在于：向量是“一个点”，函数是“无穷维空间中的一个元素”。神经网络无法直接吃进无穷维对象，所以实际做法是离散化——在网格上采样得到有限维表示。但离散化只是“观测手段”，真正的学习目标仍是那个连续算子 G。这正是FNO与传统CNN代理模型的分水岭：CNN把网格点当作像素，学的是“某个分辨率下的向量映射”；FNO试图学“函数到函数”的映射本身。
算子学习的目标形式
算子学习的标准设定是：给定若干组观测对 {(ai, ui)}，其中 ui = G(ai) 由数值求解器（如有限差分、有限元）算出，我们希望构造参数化算子 Gθ 使其逼近 G。训练目标通常写成函数空间中的相对误差：
min_θ E_{a~μ} [ ‖G(a) − G_θ(a)‖_𝒰 / ‖G(a)‖_𝒰 ]其中 μ 是输入函数的分布（例如随机生成的高斯随机场系数）。注意损失是在函数范数下度量的，而不是逐点均方误差的简单堆叠——虽然实现上常以离散 L² 近似，但概念上它对应连续范数。这带来一个重要推论：如果 Gθ 真的逼近了连续算子，那么换一套网格去离散同一个 a，输出应当收敛到同一个连续解。这就是“离散化不变性”的数学根源。
FNO逼近的映射类型
FNO并不是万能的，它逼近的是一类具有特定结构的算子。其核心层写作：
v_{l+1}(x) = σ( W_l v_l(x) + (K_l v_l)(x) )其中 Kl 是积分算子，在Fourier域中实现为对低频模态的逐点乘法：先做FFT，截断到前 kmax 个模态，乘以可学习的复权重 R，再逆变换回来。因此FNO擅长逼近的是平移不变（或近似平移不变）的积分型算子，例如：
- 椭圆型方程的解算子，如 −∇·(a∇u) = f 中从 a 到 u 的映射；
- 热传导、扩散过程的演化算子；
- Navier–Stokes 在规则网格上的短时推进算子；
- 具有周期或近似周期边界条件的线性/弱非线性算子。
反之，强烈依赖绝对位置、具有尖锐局部奇点或非平移不变结构的算子，FNO的谱截断会损失高频信息，需要配合局部分支或增大模态数。理解这一点，才能在选型时判断FNO是否合适。
离散化不变性的直观含义
设想同一个扩散系数场 a(x)，我们分别在 64×64 和 256×256 的网格上离散它。传统CNN在 64 网格上训练后，直接喂 256 网格会因输入维度不匹配而失效，必须插值或重训。FNO则不同：它的谱卷积层在Fourier域中只保留前 kmax 个模态，这些模态对应的是连续函数中最低频的成分，与网格点数无关。因此同一组权重可以在不同分辨率上执行，输出在物理意义上保持一致（在截断误差范围内）。
直观地说，FNO学的是“函数之间的规律”，网格只是观察这个规律的“采样窗口”。窗口变密，看到的还是同一个规律。这也是为什么FNO在超分辨率预测、多尺度仿真中特别有吸引力。但要注意：离散化不变性并非绝对，kmax 截断会引入高频误差，网格过粗时低频模态也可能失真，实际使用中应验证不同分辨率下的误差是否在可接受范围。