PIKFNO：基于物理信息核函数的可解释神经算子框架
近年来，神经算子（Neural Operator）在求解偏微分方程（PDE）和科学计算领域展现出巨大潜力，但传统模型如DeepONet依赖深度网络隐式学习基函数，其内部机理难以解释，且在数据有限时泛化能力受限。针对这一痛点，一项新研究提出了PIKFNO（Physics Informed Kernel Function Neural Operator），将物理信息核函数显式嵌入神经算子架构，在保持高精度的同时显著提升可解释性。该论文已发表于arXiv（编号：2608.14619），由Yuan Guo、Hanshu Chen和Zhuojia Fu等人完成。
核心创新：从隐式学习到物理约束
传统神经算子（如DeepONet）通过深度网络隐式学习基函数，而PIKFNO则从控制方程出发，推导出物理信息核函数，并将其作为主干网络的约束条件。这使得算子结构与无网格配点法（meshless collocation）中的核扩展形式对齐，从而在架构层面注入物理先验。
研究提出了两种构建策略：
- 数据驱动核学习：直接从数据中学习核函数，所得核可视为非奇异基本解（nonsingular fundamental solution）；
- 解析变换构建：通过解析基本解的变换来构建核函数，确保物理一致性。
实验表现：小数据下的高精度与强泛化
数值实验表明，PIKFNO在多种PDE问题上取得了高预测精度，同时大幅提升了模型的可解释性。更值得关注的是，在有限训练数据条件下，PIKFNO展现出优于传统神经算子的泛化能力。这意味着在实际工程中，当数据获取成本高昂时，PIKFNO可能成为更可靠的选择。
行业意义与未来展望
PIKFNO的提出为科学计算领域提供了新的思路：将物理规律显式嵌入模型，而非完全依赖数据驱动。这种方法不仅有助于提升模型在物理一致性和外推能力上的表现，也为构建高效、物理一致且可解释的神经算子开辟了新路径。未来，该框架有望在流体力学、材料科学、气候模拟等复杂系统建模中发挥重要作用。
不过，论文目前仍处于预印本阶段，尚未经过同行评审，其实际应用效果还需进一步验证。但无论如何，PIKFNO代表了神经算子研究从“黑箱”走向“白箱”的一种积极探索，值得AI与科学计算交叉领域的研究者关注。