neural operator（神经算子）是一类学习函数空间之间映射的深度学习模型，能够直接逼近偏微分方程（PDE）的解算子，而非求解单一方程的单一解。与传统数值方法相比，它一旦训练完成即可对新的参数、边界条件或外力项快速给出预测，因此被视为科学机器学习中替代或加速传统仿真模拟的核心技术路线之一。
neural operator 近期进展
近期研究沿三个方向推进：一是提升算子学习对不同问题类别的覆盖能力。有工作提出 NHMO 框架，用一个神经网络求解器处理变形状域上的椭圆偏微分方程，显示了算子学习在复杂几何条件下的适应性（NHMO：一个神经网络求解器搞定变形状域椭圆偏微分方程）。针对耗散型时间依赖 PDE，另有研究引入惯性流形结构来约束学习目标，提高长时间演化的预测稳定性（Inertial Manifold Neural Operator for Dissipative Time-Dependent PDEs）。
二是走向大规模预训练。SPEAR 采用谱解耦的混合专家（MoE）架构，并结合知识引导的专家聚合机制，面向大规模 PDE 预训练，延续了社区把 neural operator 向基础模型方向拓展的趋势（SPEAR: A Spectral-Disentangled MoE Neural Operator...）。
三是修正模型固有的谱偏差问题。有研究利用稀疏观测配合扩散后验采样来校正神经算子倾向学习低频分量、忽略高频细节的缺陷，提升重建精度（Correcting Neural Operator Spectral Bias via Diffusion Posterior Sampling）。
当前焦点与观察点
工程落地是当前的重要观察方向。在核工程领域，已有研究将 neural operator 用作小型模块化反应堆中螺旋盘管蒸汽发生器的 CFD 代理模型，用代理仿真替代昂贵的全阶模拟（Neural Operator-Based Surrogate Model for CFD）。在设计环节，研究者也在利用算子学习加速计算流体力学中的贝叶斯逆向设计流程，说明其价值已从正向求解扩展到优化与反问题（Accelerating Bayesian inverse design in computational fluid dynamics using neural operators）。
总体来看，neural operator 领域的争论点集中在泛化能力与可靠性：模型能否跨几何、跨参数分布外推，长时间动力学预测是否会累积误差，以及稀疏观测下如何保证精度，都是尚未完全解决的问题。可关注的方向包括与扩散模型等生成式方法结合、谱偏差校正，以及从单任务模型走向可复用的 PDE 预训练基座。