3. 傅里叶变换与频域表示

傅里叶神经算子（FNO）之所以能在分辨率无关的偏微分方程求解中表现出色，核心在于它把“空间上的卷积”搬到了“频率上的乘法”。要真正理解 FNO 的频域线性层，需要先把连续傅里叶变换、离散傅里叶变换（DFT）以及频域卷积定理这条线索串起来。本节从数学定义出发，落到 FNO 中实际使用的截断策略，并说明截断高频对表达能力与计算效率的双重影响。

连续傅里叶变换：从空间到频率

设一维空间函数为 u(x)，其连续傅里叶变换定义为

Û(ξ) = ∫ u(x) · e^(−2πi ξ x) dx
u(x) = ∫ Û(ξ) · e^(2πi ξ x) dξ

这里 ξ 是频率变量，Û(ξ) 表示函数中频率为 ξ 的成分的复振幅。正变换把空间域信号分解为不同频率的复指数叠加，逆变换再把它们合成回空间域。需要注意符号约定：本节统一采用指数项 e^(−2πi ξ x) 作为正变换核，逆变换用 e^(2πi ξ x)，全文与图示保持一致。二维情形下，x=(x₁,x₂)、ξ=(ξ₁,ξ₂)，变换核变为 e^(−2πi (ξ₁x₁+ξ₂x₂))，即对两个方向分别做一维变换。

连续变换是理论出发点，但计算机只能处理有限采样点。设在一维区间上取 N 个等距采样点 u₀,…,u_{N−1}，采样间隔为 Δx，则离散傅里叶变换为

Û_k = Σ_{n=0}^{N−1} u_n · e^(−2πi k n / N),  k = 0,…,N−1
u_n = (1/N) Σ_{k=0}^{N−1} Û_k · e^(2πi k n / N)

离散频率索引 k 与物理频率 ξ_k 的关系是 ξ_k = k/(NΔx)。当 k 超过 N/2 时，对应的是负频率（由离散频谱的周期性折叠而来）。这一点在实现中非常关键：k=0 是直流分量，k=1,…,N/2−1 是正频率，k=N/2 附近是奈奎斯特频率，再往后是负频率。FNO 代码里用 torch.fft.rfft2 只保留非负频率，正是利用了实信号频谱的共轭对称性。

频域卷积定理：FNO 频域线性层的理论依据

卷积定理指出，两个函数在空间域的卷积，等于它们在频域的逐点乘积：

(u * κ)(x) = ∫ u(x−y) κ(y) dy
F{u * κ}(ξ) = Û(ξ) · K̂(ξ)

其中 κ 是卷积核，K̂ 是其傅里叶变换。这条定理是 FNO 频域层的直接来源。传统卷积神经网络在空间域用局部小核做卷积，感受野受核尺寸限制；而 FNO 把卷积写成频域乘法后，一个全局的卷积核 κ 在频域对应一个乘性权重 K̂(ξ)，它对所有空间位置同时生效，天然具备全局感受野。FNO 的频域线性层正是把可学习的参数放在 K̂ 上：对输入做 FFT 得到 Û，乘以可学习的复权重 R_φ(ξ)，再逆变换回空间域。由于 R_φ 直接作用于频率分量，模型学到的就是“每个频率成分该被放大、衰减还是相移”。

为什么 FNO 要在频域做线性变换

原因可以归纳为三点。第一，全局耦合：偏微分方程的解往往具有长程相关性，频域乘法让每个输出点都依赖全部输入点，避免了堆叠多层小卷积来扩大感受野。第二，计算效率：长度为 N 的离散卷积直接计算是 O(N²)，而 FFT 是 O(N log N)，频域乘法是 O(N)，整体复杂度由 FFT 主导。第三，分辨率泛化：频域表示把“空间位置”和“频率成分”解耦，模型参数作用在频率上而非具体网格点上，因此在训练分辨率上学的算子有机会迁移到更细或更粗的网格。

下面这张图把“空间域卷积 → FFT → 频域截断与乘权 → 逆 FFT → 空间域输出”的信号链，以及截断高频带来的信息取舍画在一起，便于对照理解。

截断高频：表达能力与计算效率的权衡

FNO 并不会保留全部频率分量，而是只保留每维最低的 k_max 个模态（常见取 12 或 16）。这一设计带来两方面影响。

对表达能力的影响。低频分量对应解的平滑、大尺度结构，高频分量对应尖锐梯度、激波、边界层和小尺度涡。截断 k_max 相当于给模型加了一个低通滤波器：如果目标方程的解本身光滑（如扩散方程、低雷诺数流动），保留少量低频就足以刻画主要形态；但如果解含强间断或精细结构（如高雷诺数湍流、激波），过小的 k_max 会系统性丢失细节，表现为预测结果过度平滑、峰值被削平。因此 k_max 是表达能力的关键旋钮，需要与问题的空间尺度匹配。

对计算效率的影响。频域乘法的参数量与 k_max² 成正比（二维情形），计算量也随保留模态数增长。截断后，乘权步骤只处理 k_max×k_max 个复数，而不是全部 N×N 个频点，参数量和显存占用都显著下降。同时，FFT 本身仍是 O(N² log N)，所以整体开销由 FFT 与截断乘法共同决定。实践中常见做法是：先用较小的 k_max（如 8～12）快速验证流程，再根据验证误差逐步增大，观察误差是否随 k_max 下降而收敛。

一个可操作的小例子

假设在 64×64 网格上求解二维扩散方程，初始场含一个高斯峰。取 k_max=12：FFT 后保留中心 12×12 的低频块，乘以可学习复权重，再逆变换。若预测结果的高斯峰明显变宽、峰值偏低，说明 k_max 偏小或权重欠训练；若峰值位置和宽度都接近参考解，则截断基本合理。把 k_max 调到 16 再训练，若验证误差不再明显下降，说明 12 已覆盖该问题的主要频率成分。这个“调 k_max → 看误差与形态 → 判断是否收敛”的循环，就是频域截断在工程中的实际用法。

总结来说，连续与离散傅里叶变换提供了空间域与频域之间的可逆桥梁，频域卷积定理说明了卷积为何能变成逐点乘法，而 FNO 正是利用这一点把全局卷积参数化到频域。截断高频则是这套方案落地的关键工程决策：它用可控的表达能力损失，换取参数与计算上的显著节省，k_max 的选取必须结合具体问题的频率内容来确定。