新研究提出Hartley神经算子：用纯实数基底替代FNO的复数FFT，按算子对称性选择谱基底
arXiv论文提出Hartley Neural Operator (HNO)，作为Fourier Neural Operator的实数镜像，省去复数运算但参数量相同。研究发现，对于Poisson、biharmonic等自伴椭圆算子，HNO表现更优；而含相位的时间相关算子（如波动、对流、Navier-Stokes）则FNO更佳，建议按解算子的对称性匹配谱基底。
AI解读：这篇论文试图回答一个实际问题：用Fourier Neural Operator（FNO）求解偏微分方程时，固定用复数傅里叶变换是否总是最优？作者指出，对于实数解，复数FFT存在共轭对称冗余，因此构造了纯实数的Hartley Neural Operator（HNO），用Discrete Hartley Transform替代FFT，每个保留谱模式只学一个实数乘子，免去复数运算，但总参数与FNO相同。关键发现在于：最合适的谱基底取决于待求解的算子本身。对Poisson、biharmonic这类自伴椭圆算子，其格林函数是实数且对称，HNO能精确对角化，因而表现更好；而对波动方程、对流方程、Burgers方程、Navier-Stokes等含相位的时间相关算子，复数基底能表示相位而实数基底不能，因此FNO仍占优。这给使用者一条可操作的规则：先看方程的类型，椭圆型优先用HNO，时间相关带相位则保留FNO。需要注意的是，论文目前仍是预印本，已投稿至 2026 年Allerton会议，尚未经同行评审；实验覆盖了多种PDE类别、初始条件和边界条件，但具体性能数值需阅读全文核实。对普通读者而言，这并非需要立即行动的消息，而是为用神经算子求解PDE的研究者提供了一个新的选择依据。
伊利诺伊大学芝加哥分校（UIC）的Jason Sulskis和Sathya Ravi在arXiv发表论文，提出Hartley Neural Operator（HNO）作为Fourier Neural Operator的纯实数镜像。作者称，在自伴椭圆方程上HNO优于FNO，而在含相位的时间相关方程上FNO更优，并据此提出选择谱基底的预测规则。该论文已投稿至第 62 届Allerton通信、控制与计算会议。
HNO的设计与参数对比
论文指出，FNO通过在复数傅里叶域中参数化全局卷积来学习偏微分方程的解算子。对于实值PDE解，复数FFT因共轭对称性携带了表示冗余。针对这一点，作者引入HNO，将FFT替换为纯实数的离散Hartley变换，对每个保留的谱模式学习单个实数乘子，全程无复数运算。
作者比较了两种算子的频谱表示：由于实数Hartley谱不会因共轭对称而减半，HNO保留的频率角数量是FNO的两倍，但FNO的每个复数对对应HNO的一个实数权重，因此在相同宽度下两种算子参数数量相等，差异仅在谱基底本身。
核心论点：最优基底取决于解算子的性质
论文的核心论点是，最优谱基底是解算子本身的性质。具体而言：自伴椭圆算子（如Poisson、双调和算子）具有实数且对称的格林函数，实数Hartley乘子可对其精确对角化，因此HNO在这些问题上更具优势。
相反，时间相关算子携带相位——从波动方程中的振荡到平流、Burgers和Navier-Stokes方程中的输运——实数对角乘子无法表示这种相位，因此FNO在这些问题上更受青睐，且优势随算子的相位含量增加而增大。论文将无相位的热方程视为边界情形。
实验方法与结论
作者以相同方式训练两种算子，并在不同PDE类别、初始条件族和边界条件下进行基准测试。结果显示，性能差异呈现椭圆型与时间相关型的明显分界，且该分界随算子相位含量单调变化，与论文发展的格林函数理论相符。
结论并非某一方法普遍占优，而是提出了一条预测规则：将谱基底与解算子的对称性相匹配。论文为预印本，已提交至第 62 届Allerton会议审议，目前尚未见正式发表信息。