One Operator to Rule Them All? On Boundary-Indexed Operator Families in Neural PDE Solvers

📄 arXiv: 2603.01406v1 📥 PDF

作者: Lennon J. Shikhman

分类: cs.LG, math.NA

发布日期: 2026-03-02

备注: Accepted to the ICLR 2026 Workshop on AI & PDEs. 10 pages, 5 figures

💡 一句话要点

揭示神经PDE求解器局限性：学习边界条件索引算子族而非通用算子

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 神经PDE求解器 算子学习 边界条件 泛化能力 条件风险最小化

📋 核心要点

  1. 现有神经PDE求解器在边界条件变化时泛化能力不足，无法学习到通用的解算子。
  2. 论文将算子学习视为边界条件上的条件风险最小化，强调边界条件分布对学习的影响。
  3. 实验表明，边界条件偏移会导致性能显著下降，验证了理论分析的正确性。

📝 摘要（中文）

神经偏微分方程(PDE)求解器通常被认为学习了将问题数据映射到PDE解的算子。本文指出，当边界条件变化时，这种解释通常不正确。标准的神经算子训练隐式地学习了一个边界条件索引的算子族，而不是一个与边界条件无关的算子。学习到的映射从根本上取决于训练期间看到的边界条件分布。本文将算子学习形式化为边界条件上的条件风险最小化，这导致了训练边界分布支持之外的非可识别性结果。因此，强迫项或分辨率的泛化并不意味着跨边界条件的泛化。通过泊松方程上的受控实验，验证了理论分析，展示了边界条件偏移下的急剧退化，不同边界集成之间的跨分布失败，以及去除边界信息时收敛到条件期望。研究结果阐明了当前神经PDE求解器的核心局限性，并强调了在追求PDE基础模型时，需要显式的边界感知建模。

🔬 方法详解

问题定义：现有的神经PDE求解器通常被认为能够学习一个通用的解算子，可以将问题数据（包括边界条件和强迫项）映射到PDE的解。然而，当边界条件发生变化时，这些求解器的泛化能力会显著下降。现有的方法没有充分考虑边界条件对解的影响，导致学习到的算子实际上依赖于训练时所见的边界条件分布。

核心思路：论文的核心思路是将算子学习问题重新定义为在边界条件上的条件风险最小化问题。这意味着学习到的不是一个通用的算子，而是一个由边界条件索引的算子族。每个算子只在特定的边界条件下有效。这种观点解释了为什么现有的神经PDE求解器在边界条件发生变化时会失效。

技术框架：论文将算子学习问题形式化为一个条件风险最小化问题，其中风险函数取决于边界条件。具体来说，给定一个PDE和一组边界条件，目标是找到一个算子，使得在这些边界条件下，预测的解与真实的解之间的误差最小。论文还提出了一个非可识别性结果，表明在训练边界分布之外，无法唯一确定算子。

关键创新：论文最重要的技术创新点在于，它揭示了现有的神经PDE求解器实际上学习的是一个边界条件索引的算子族，而不是一个通用的算子。这种观点改变了我们对神经PDE求解器的理解，并为未来的研究方向提供了新的思路。与现有方法的本质区别在于，论文强调了边界条件对解的影响，并提出了相应的理论分析和实验验证。

关键设计：论文使用泊松方程作为实验对象，设计了一系列受控实验来验证其理论分析。实验中，作者改变了边界条件的分布，并观察了神经PDE求解器的性能变化。作者还研究了去除边界信息对求解器性能的影响。实验结果表明，边界条件偏移会导致性能显著下降，并且去除边界信息会导致求解器收敛到条件期望。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在边界条件发生偏移时，神经PDE求解器的性能会急剧下降。例如，在泊松方程的实验中，当边界条件的分布发生变化时，求解器的误差会增加数倍。此外，实验还表明，去除边界信息会导致求解器收敛到条件期望，进一步验证了边界条件对解的影响。

🎯 应用场景

该研究成果对神经PDE求解器的设计和应用具有重要意义。它可以帮助研究人员更好地理解现有方法的局限性，并开发出更具泛化能力的求解器。潜在应用领域包括流体力学、热传导、电磁学等，可用于解决各种工程和科学问题，例如飞行器设计、气候模拟和医学图像分析。

📄 摘要（原文）

Neural PDE solvers are often described as learning solution operators that map problem data to PDE solutions. In this work, we argue that this interpretation is generally incorrect when boundary conditions vary. We show that standard neural operator training implicitly learns a boundary-indexed family of operators, rather than a single boundary-agnostic operator, with the learned mapping fundamentally conditioned on the boundary-condition distribution seen during training. We formalize this perspective by framing operator learning as conditional risk minimization over boundary conditions, which leads to a non-identifiability result outside the support of the training boundary distribution. As a consequence, generalization in forcing terms or resolution does not imply generalization across boundary conditions. We support our theoretical analysis with controlled experiments on the Poisson equation, demonstrating sharp degradation under boundary-condition shifts, cross-distribution failures between distinct boundary ensembles, and convergence to conditional expectations when boundary information is removed. Our results clarify a core limitation of current neural PDE solvers and highlight the need for explicit boundary-aware modeling in the pursuit of foundation models for PDEs.