LiNO：基于提升方案的多分辨率神经算子，攻克多尺度物理建模难题
近日，一篇发表在 arXiv 上的论文提出了一种名为 LiNO（Lifting Neural Operator） 的新型神经算子架构，旨在解决现有神经算子难以同时捕捉全局动力学与精细尺度结构的痛点。该研究由 Himanshu Pandey 等人完成，核心创新在于将第二代小波提升方案引入神经算子设计，实现了数据驱动的自适应多分辨率分解。
背景：神经算子的机遇与挑战
神经算子是一类学习函数空间之间映射的深度学习模型，能够直接从数据中学习微分方程的解算子，从而预测整个参数族对应的解，而非单个实例。然而，现有神经算子（如 FNO、DeepONet）在处理包含多尺度特征的物理问题时往往力不从心——要么过度平滑丢失细节，要么计算成本过高。
LiNO 的核心设计：提升变换与多分辨率空间
LiNO 的关键在于将提升方案（lifting scheme）参数化，使其成为可学习的变换。提升方案是一种构造小波的方法，其特点是计算高效且保证精确可逆。LiNO 通过学习数据中的自适应提升变换，将输入函数分解为粗尺度系数和方向细节系数，并在该多分辨率空间中分别演化这两类系数。这种“尺度感知”的建模方式使得算子能够同时处理全局趋势和局部振荡。
与传统的固定小波基不同，LiNO 的变换是数据驱动的，能够根据底层解函数的特性自动调整分解方式。同时，由于变换可逆，信息在分解和重构过程中无损，确保了多尺度学习的保真度。
性能评估：覆盖多类物理现象
研究者在五个经典基准上对 LiNO 进行了测试，涵盖了不同物理行为：
- Darcy 流（多孔介质流动）
- Poisson 方程（椭圆型问题）
- Allen-Cahn 方程（相场模型）
- 可压缩 Navier-Stokes 方程（流体动力学）
- Gray-Scott 反应-扩散系统（图灵斑图）
这些基准涉及多尺度现象、输运主导动力学和混沌系统。实验结果表明，LiNO 在所有任务上均取得了与最先进神经算子相当或更优的表现，尤其在捕捉精细结构和长时间演化方面展现出明显优势。
意义与展望
LiNO 为科学机器学习提供了一条有前景的路径：通过自适应多分辨率算子，有望在气候模拟、材料设计、流体力学等需要同时关注大尺度演化与小尺度细节的领域发挥重要作用。未来，该方向可能进一步结合物理信息约束或无监督学习，提升泛化能力与数据效率。