偏微分方程（PDEs）的变化与一系列广泛的物理现象和工程应用有关，如机翼设计、电磁场模拟、应力分析等。这些实际的工程应用均需要多次调用求解 PDE。 尽管传统的 PDE 求解方法通常表现出较高的准确性，但往往需要大量的计算资源和时间，且难以针对所有 PDE 形式设计统一的求解器。 近年来，神经算子（Neural Operator）方法使用神经网络学习大量 PDE 解的数据来近似 PDE 的解算子，极大地提高了 PDE 正问题的求解速度，同时训练得到的神经网络模型也可以作为可微分的 surrogate mo<iframe src=“https://www.bilibili.com/blackboard/html5mobileplayer.html?aid=1902325095&high_quality=1&autoplay=0" width=“650” height=“477” scrolling=“no” border=“0” frameborder=“no” …