MENO：基于MeanFlow增强的神经算子用于动力系统
机器学习
2026-04-09 v1 流体动力学
摘要
神经算子因其网格不变性和计算效率优势，已成为动力系统的强大替代模型。然而，基于傅里叶的神经算子框架在谱空间中本质上截断了高频分量，导致小尺度结构丢失，在低分辨率数据上训练后，高分辨率预测质量下降。虽然基于扩散的增强方法可恢复多尺度特征，但引入了显著的推理开销，削弱了神经算子的效率优势。本文引入均衡流(MeanFlow)增强的神经算子(MENO)，构建一个实现低成本精确全尺度预测的新框架。通过改进的MeanFlow方法，MENO在保持优异物理保真度和统计精度的同时，恢复了小尺度细节和大尺度动力学。我们在三个具有挑战性的动力系统上评估了MENO，包括相场动力学、二维Kolmogorov流和主动物动力学，分辨率最高达到256×256。在所有基准测试中，MENO将功率谱密度精度提高了最高可达2倍的基线神经算子，同时实现了对最新扩散去噪隐式模型(DDIM)增强方案的12倍推理速度，有效弥合了准确性与效率之间的差距。MENO的灵活性和效率使其成为科学机器学习中统计完整性和计算效率至关重要的高效替代模型。
引用
@article{arxiv.2604.06881,
title = {MENO: MeanFlow-Enhanced Neural Operators for Dynamical Systems},
author = {Tianyue Yang and Xiao Xue},
journal= {arXiv preprint arXiv:2604.06881},
year = {2026}
}
备注
23 pages, 9 figures