STCO: Conditional Neural Operators for Time-Dependent PDEs

📄 arXiv: 2608.20477v1 📥 PDF

作者: Xingxin Yang, Zhan Zhang, Juan Li

分类: cs.AI

发布日期: 2026-08-20

💡 一句话要点

提出STCO以解决时间依赖PDEs的条件预测问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 神经算子 偏微分方程 条件预测 流体动力学 机器学习 时空建模 优化算法

📋 核心要点

  1. 现有神经算子方法在处理时间依赖的偏微分方程时，通常只依赖于观察状态，无法有效应对预设条件的影响。
  2. 本文提出的STCO通过结合FAGL和DSFiLM，能够在保留核心计算的同时，灵活地引入预设条件，从而提升预测能力。
  3. 实验结果显示，STCO在十二种骨干架构中，平均相对L2场误差降低31.1%，压力导出载荷误差降低24.7%，有效提升了预测精度。

📝 摘要（中文）

神经算子作为时间依赖物理系统的高效代理，通常仅基于观察状态和静态问题描述进行未来状态预测。然而，在控制或优化中，身体运动、流入或外力等条件是预先设定的，而非仅由观察状态决定。本文提出了时空条件算子（STCO），用于预设条件算子学习（PCOL），为异构骨干架构提供预设目标时间条件场，同时保留其特定的核心计算和上下文路径。STCO结合了流动感知图叶（FAGL）和双站点特征线性调制（DSFiLM），在多个物理和时间输入下评估了十二种匹配的骨干架构，取得了显著的预测精度提升。

🔬 方法详解

问题定义：本文旨在解决现有神经算子在时间依赖偏微分方程（PDEs）预测中仅依赖观察状态的问题，导致在控制和优化任务中效果不佳。

核心思路：STCO通过引入预设条件，结合FAGL和DSFiLM，允许在预测过程中灵活地处理不同的外部条件，从而提高模型的适应性和准确性。

技术框架：STCO的整体架构包括条件接口、FAGL模块和DSFiLM模块。FAGL使用涡度信息构建自适应分区，而DSFiLM则通过特征驱动的门控机制注入不同的运动和外力信息。

关键创新：STCO的主要创新在于其条件接口设计，能够有效整合多种外部条件，并通过不同的路径进行特征调制，显著提升了模型的预测能力。

关键设计：在设计中，FAGL模块采用固定基数的自适应分区，DSFiLM则通过插入不同的运动和外力通路，确保在算子计算前后都能有效利用当前特征信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

STCO在十二种匹配的骨干架构中表现出色，平均相对L2场误差降低31.1%，压力导出载荷误差降低24.7%。此外，STCO在长时间预测中也显著降低了误差，验证了其在处理复杂条件下的有效性。

🎯 应用场景

该研究的潜在应用领域包括流体动力学、气候建模和工程优化等。通过提高时间依赖系统的预测精度，STCO能够为复杂物理系统的实时控制和优化提供强有力的支持，具有重要的实际价值和未来影响。

📄 摘要（原文）

Neural operators have emerged as efficient surrogates for time-dependent physical systems governed by partial differential equations (PDEs), but their future-state predictions are often conditioned only on observed states and static problem descriptors. For control or optimization, however, body motion, inflow, or forcing are prescribed for the query without being determined solely by the observed state. We introduce the Spatiotemporal Conditional Operator (STCO) for prescribed-condition operator learning (PCOL), a common interface that supplies prescribed target-time condition fields to heterogeneous backbone architectures while retaining their architecture-specific core computation and context pathways. Its condition interface combines Flow-Aware Graph Leaf (FAGL) with Dual-Site Feature-wise Linear Modulation (DSFiLM). Non-learned FAGL uses vorticity from the final observed frame to construct a fixed-cardinality adaptive partition, then co-locates the observed history and target-time condition fields at its regional coordinates. DSFiLM injects separate motion, inflow, and force routes before and after operator computation through current-feature-driven slot- and channel-wise gates. We evaluate twelve matched backbone architectures with different existing physical and temporal inputs. The immersed-boundary computational fluid dynamics (CFD) benchmark spans prescribed motion, inflow disturbances, body-force actuation, and morphology. Across twelve matched backbones, three regimes, and two lead ranges, STCO yields mean paired reductions of 31.1% in relative-L2 field error and 24.7% in normalized pressure-derived load error. It also lowers longer-lead field error for 11 backbones, while interventions on individual condition groups produce measurable prediction changes for every group evaluated.