神经算子常被用来学习一组输入条件到解场的映射。对于需要反复计算的工程任务，工程师希望在入口条件、材料参数或载荷改变后，迅速得到新的温度场、速度场或位移场。但当模型进入实际边界条件，原本在周期问题上运行良好的频谱计算，可能暴露出系统性误差。
FC-PINO 的 v4 于2026年10月23日更新。论文将 Fourier Continuation 引入物理信息神经算子，并研究 FC-Legendre 与 FC-Gram 两种延拓方式，以改善非周期情况下的导数计算。[1] 对工程应用来说，这涉及物理损失本身是否可信：训练时用于约束网络的导数，本身是否足够准确？
频谱微分为什么会在边界制造麻烦
对周期函数，Fourier 展开后的导数可以通过频域乘法计算。若波数为 (k)，一阶导数对应 (ik\hat u_k)，二阶导数对应 (-k^2\hat u_k)。这种计算非常简洁，但离散 Fourier 表示隐含周期拼接。如果区间两端的函数值不同，拼接处便出现跳跃；即使函数值相同，导数不匹配也会降低光滑性。
以 (u(x)=x)、(x\in[0,1]) 为例，区间内部导数恒为 1，但周期拼接要求右端重新接回左端，于是边界处形成跳变。增加频率分量能够改善部分逼近，却无法通过普通截断级数消除跳变附近的 Gibbs 现象。更高阶导数会进一步放大高频误差。
对于 PINO，这个误差不仅污染输出展示，还会进入 PDE 残差。网络可能被迫调整解场以适应一个不准确的微分算子，形成“训练损失下降、真实物理误差仍然明显”的局面。因此，评价神经算子时需要分别检查函数值误差与导数误差。
延拓的核心是构造适合微分的计算域
Fourier Continuation 的思路，是在原区间外构造辅助延拓，使扩展区间上的函数能够平滑周期连接。完成频谱微分后，再将结果限制回原物理域。抽象地写，可以表示为：
[
D_{FC}u=R,\mathcal F^{-1}\left[(ik)\mathcal F(Eu)\right],
]
其中 (E) 表示延拓，(R) 表示截取原区域。这是解释计算关系的示意式，实际矩阵构造和参数设置应依照论文方法。
延拓区间属于数值计算辅助空间，不对应真实物理设备。因此，物理方程通常应在原物理域内评价，原来的入口、出口和壁面条件仍需显式满足。延拓也不会自动把复杂三维 CAD 几何变成可直接计算的规则区域；几何表示、坐标映射和边界采样仍然是独立问题。
如果材料界面或解本身存在真正的不连续，边界延拓也不能被理解为无条件恢复全域光滑性。此时应进一步考虑分区、弱形式或界面条件，依据问题类型选择离散与训练策略。
一次有效的消融实验应该怎样设计
最容易混淆的比较，是同时更换网络规模、训练预算和微分方式，最后将全部改进归因于延拓。更有解释力的实验，应固定模型骨架、输入数据和训练预算，只改变物理残差的求导方式，例如直接频谱微分、补零频谱微分、有限差分和 Fourier Continuation。自动微分是否适合作为参照，则取决于模型输出及坐标表示。
评价时应单列边界带误差与内部误差，检查一阶、二阶导数，并记录显存、单步时间和总训练时间。对热传导任务，还应比较边界热流；对流体任务，应比较壁面剪切与通量。整体场误差可能被区域内部的大量平滑点稀释，难以暴露边界附近的工程问题。
在数据方面，训练工况、插值测试工况和外推工况要分开。所谓分辨率泛化，也需要检查插值方式、延拓矩阵和频谱截断如何随网格改变。一个模型可以接受更多采样点，并不说明它已经在更高分辨率下恢复了正确的小尺度物理。
代理模型的收益取决于重复使用
设生成训练数据与训练模型的总成本为 (C_0)，单次传统求解成本为 (C_s)，代理推理与校验成本为 (C_a)。在精度满足要求且 (C_s>C_a) 时，重复查询次数达到
[
N>\frac{C_0}{C_s-C_a}
]
才可能获得计算成本上的净收益。实际项目还应计入数据维护和失效工况回退。据此，神经算子更适用于：稳定参数族内的大量重复计算，而非所有仿真任务的统一替代品。
我们认为，FC-PINO 值得关注之处，是把神经算子的精度问题推进到了数值算子层。工程代理模型需要的可信度，来自解场、导数、边界与守恒量的一致性。网络越深入设计流程，这些传统数值分析问题就越无法绕开。
参考资料
[1] Ganeshram et al. FC-PINO: High-Precision Physics-Informed Neural Operators via Fourier Continuation. arXiv:2211.15960v4. https://arxiv.org/abs/2211.15960v4
全文：https://arxiv.org/html/2211.15960v4