DSO：用于稳定长期流体动力学预测的双尺度神经算子
机器学习
2026-03-31 v1 人工智能
流体动力学
摘要
长期流体动力学预测是科学与工程中的关键性问题。虽然神经算子已成为建模偏微分方程（PDE）系统的有前景的范式，但它们在长期稳定性和精度方面常常受限。我们识别出现有架构中的两个根本性失效模式：（1）局部细节模糊，即细小结构如涡核和锐利梯度逐渐被平滑；（2）全局趋势偏离，即在扩展滚动过程中整体运动轨迹偏离真实值。我们认为，这些失效源于现有神经算子在处理局部与全局信息时采用统一方式，而在物理系统中二者的演化特性本质上不同。为弥合这一差距，我们提出双尺度神经算子（Dual-Scale Neural Operator, DSO），其显式地将信息处理解耦为两个互补模块：深度可分离卷积用于细粒度局部特征提取，MLP-Mixer 用于长程全局聚合。通过对旋流动力学的数值实验，我们展示相邻扰动主要影响局部旋流结构，而远距离扰动影响全局运动趋势，为我们的设计选择提供了经验依据。在湍流流体基准测试中进行的广泛实验表明，DSO 实现了领先的精度，同时保持稳健的长期稳定性，预测误差比现有神经算子降低超过88%。
引用
@article{arxiv.2603.26800,
title = {DSO: Dual-Scale Neural Operators for Stable Long-term Fluid Dynamics Forecasting},
author = {Huanshuo Dong and Hao Wu and Hong Wang and Qin-Yi Zhang and Zhezheng Hao},
journal= {arXiv preprint arXiv:2603.26800},
year = {2026}
}