Generalized Spherical Neural Operators: Green's Function Formulation

会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=XkGjzSDTnm
代码: https://github.com/haot2025/GSNO
领域: 神经算子 / 球面 PDE 求解 / 科学机器学习
关键词: Green's function, 球面神经算子, 球谐变换, 等变性与不变性, 多尺度建模

一句话总结

用"可设计的球面 Green's 函数"重新推导球面神经算子，把现有 SFNO 解释为相对位置 Green's 函数的特例，并通过引入绝对位置依赖项得到能灵活平衡等变与不变的 GSNO 算子与多尺度网络 SHNet，在弥散 MRI、浅水方程和全球天气预报上全面超越 SOTA。

研究背景与动机

领域现状：求解参数化偏微分方程（PDE）是科学与工程的核心任务。神经算子（如 FNO）通过在频域学习函数空间映射，绕开了昂贵的数值求解。但 FNO 基于标准傅里叶变换并假设欧氏几何，搬到球面上时极点附近的小位移会被映射成笛卡尔空间的大位移，破坏空间连续性。为此 SFNO 用球谐变换（SHT）替换 FFT，把函数投影到球谐基上，从而在球面上保持旋转等变性，在天气预报等任务取得不错效果。

现有痛点：作者指出三层问题。其一是理论根基薄弱——现有球面算子大多靠 SHT 加球面卷积定理"把 FNO 搬到球面"，而非从球面原生 PDE 的积分解推导而来，导致学到的积分核物理意义不明、可推广性受限。其二是算子块过度等变——真实物理系统充满非等变与非对称约束（边界效应、位置相关模式、各向异性介质），但 SFNO 为了频域计算效率强行施加严格旋转等变，无法刻画这类不对称性。其三是网络单尺度——现有球面算子网络多为 ResNet 单尺度结构，难以表达气候动力学的多尺度特征。

核心矛盾：球面建模需要在"保持球面几何与谱效率所要求的旋转等变"与"真实系统所固有的非等变约束"之间取得平衡，而现有方法把等变当作硬约束，没有给非等变留出口子。

本文目标：建立一个从 Green's 函数出发、可推导出系统对应算子解的统一球面算子理论框架，并据此设计一个能灵活调和等变与不变的算子，再配上多尺度网络。

核心 idea：【可设计 Green's 函数】 把球面 PDE 的解写成与 Green's 函数卷积的积分形式，Green's 函数本身变成"可设计的归纳偏置"——设计成纯相对位置依赖就退化为 SFNO，再叠加一个绝对位置依赖的修正项就得到能建模非等变约束的 GSNO。

方法详解

整体框架

方法分三层递进：先从球面 Green's 函数推出一套通用的算子设计框架（4.1），证明现有 SFNO 只是其中"相对位置 Green's 函数"的特例；再在此框架上设计绝对+相对位置依赖的 Green's 函数，导出 GSNO 算子块（4.2）；最后把 GSNO 嵌入 U-Net 式多尺度网络 SHNet（4.3），用球谐域的上下采样替代传统采样以避免畸变。

graph LR
    A[球面输入 f] --> B[SHT 球谐变换]
    A --> C[球面积分 Cf]
    C --> D[调制 G2 修正核]
    B --> E[+ 修正项]
    D --> E
    E --> F[与 G1 张量收缩]
    F --> G[ISHT 逆变换]
    G --> H[输出 g + MLP/残差]

关键设计

1. 从 Green's 函数推导球面算子框架：给球面学习一个 PDE 解的出身。 作者不再把球面算子当成"FNO 的球面版"，而是直接从球面原生 PDE 出发。定义球面上的线性微分算子 \(D\) 与待解 PDE \(D(g(u))=f(u)\)，并引入满足 \(D(G(u,R))=\delta(R^{-1}u)\) 的球面 Green's 函数 \(G\)，则解天然写成卷积积分 \(g(u)=\int_{S^2} G(u,R)f(Rn)\,dR\)。当把 \(G\) 设计成只依赖相对位置 \(G(R^{-1}u)\) 时，套用球面卷积定理就能化简成 \(\mathrm{SHT}[g](l,m)=G_\theta(l)\cdot\mathrm{SHT}[f](l,m)\)，再经 ISHT 还原——这正是 SFNO 的频域参数化形式。这一步既证明了框架的自洽（SFNO 是特例），又用 Green's 函数的"可设计性"打开了模拟不同系统的口子：换一个 Green's 函数就是换一个系统。

2. 绝对+相对位置依赖的 Green's 函数（GSNO 算子）：给等变算子缝上一条非等变补丁。 严格等变假设 \(G(R,u)=G(R^{-1}u)\) 忽略了真实世界的各向异性、局部异质与非周期边界。作者把 Green's 函数扩展为相对项加绝对项之和：

\[G(R,u)=\underbrace{\sum_{l',m'}\mathrm{SHT}[G_1]_{l'}^{m'} Y_{l'}^{m'}(R^{-1}u)}_{T_{\text{orig}}}+\underbrace{\sum_{l',m'}\mathrm{SHT}[G_1]_{l'}^{m'}\mathrm{SHT}[G_2]_{l'}^{m'} Y_{l'}^{m'}(u)}_{T_{\text{corr}}}\]

其中 \(T_{\text{orig}}\) 是保留旋转等变的原始项，\(T_{\text{corr}}\) 是可学习的非等变修正项，专门捕捉空间约束与异质性。对目标的 SHT 拆成两路：等变路 \(I(T_{\text{orig}})=G^1_{\theta_1}(l)\cdot\mathrm{SHT}[f](l,m)\)，修正路化简为 \(I(T_{\text{corr}})=G^1_{\theta_1}(l)\cdot C_f\cdot G^2_{\theta_2}(l,m)\)，\(C_f\) 是输入函数的球面积分。两路合并后输出 \(g(u)=\mathrm{ISHT}[G^1_{\theta_1}(l)\cdot(\mathrm{SHT}[f](l,m)+C_f\cdot G^2_{\theta_2}(l,m))]\)。直觉上 \(G_1\) 编码动态特征、\(G_2\) 提供模式级谱嵌入来稳定地编码地形/边界等系统约束，二者共享 \(G^1_{\theta_1}(l)\) 以省参数。妙处在于：修正项只是给球谐系数加了个偏置后再做同样的张量收缩，因此在保持 SFNO 同等谱效率与低参数量的前提下放松了严格 SO(3) 等变，且不破坏球面几何与网格不变性。

3. SHNet 多尺度球面网络：用球谐域的采样替代会引入畸变的传统上下采样。 谱卷积擅长全局依赖但弱于多尺度。SHNet 采用 U-Net 结构对空间与通道做扩张/压缩，并加位置嵌入增强全局建模。核心技巧是：尺度变换通过修改 SHT/ISHT 中沿纬度 \(\theta\)、经度 \(\phi\) 的采样点数以及球谐次数 \(l\) 来实现——下采样减少采样点并用 MLP 增强特征以抽象大尺度结构，上采样恢复高频内容并靠跳连提供高分辨率直通路径。这种"几何自适应"的上下采样直接在球面谱域完成，避开了传统插值采样在球面上造成的混叠与畸变，从而在跨分辨率时仍保持几何一致性。

实验关键数据

在弥散 MRI、球面浅水方程（SSWE）、全球天气预报三类任务上评测，对手包括 Transformer 系 ClimaX、FNO 系 FourCastNet、SFNO 系 SFNONet，全部 16GB A5000 GPU、统一设置。

主实验表格

SSWE 上的 MRE（×10⁻³，越低越好），3 个变量（H/V/D）均值：

方法	5h Average	10h Average
ClimaX	409	443
FourCastNet	302	353
SFNONet	147	195
SHNet (Ours)	136	176

平均提升 5h 约 7.5%、10h 约 9.7%。

WeatherBench ACC（%，越高越好）6 变量均值（注意参数量更小）：

方法 (算子)	Params	1 天	3 天	5 天
ClimaX	5.4M	93.1	68.7	41.6
FourCastNet (FNO)	5.3M	92.3	67.1	41.5
SFNONet (SFNO)	5.3M	87.3	68.8	49.2
SHNet (GSNO)	4.0M	91.5	72.4	52.5

GSNO 在 3/5 天的长程预测优势最明显，且参数量更少（4.0M vs 5.3M）。

弥散 MRI（HCP 数据集 FOD 角度超分，ACC↑）：

方法	Params	White matter	Whole brain
FOD-Net	19.44M	0.8858	0.8250
FOD-SFNO	1.15M	0.8995	0.8334
ESCNN	1.47M	0.9006	0.8362
FOD-GSNO (Ours)	1.21M	0.9083	0.8517

消融实验表格

WeatherBench 上交叉替换算子/网络（灰块为消融）的 5 天 ACC：把 SHNet 里 GSNO 换回 SFNO（→89.9 起的退化）、或把 SFNONet 的块换成 GSNO（51.3 vs 原 49.2 提升），证明 GSNO 块与 SHNet 多尺度结构各自有效。算子级公平对比（同架构同设置）：

模型	通道	Params	训练时间	ACC@120h
SFNO	64	3.69M	981s	50.9%
SFNO (96通道)	96	8.30M	1267s	50.7%
空间位置嵌入 SNO	64	4.31M	1037s	50.3%
GSNO (ours)	64	4.00M	1024s	52.5%

即便给 SFNO 加大容量（96 通道）或加空间位置嵌入，仍不及 GSNO，说明优势来自修正项的设计而非单纯堆参数。

关键发现

• 修正项可解释性：冻结等变项 \(I(T_{\text{orig}})\) 只用修正项 \(I(T_{\text{corr}})\)，就能勾勒出与地球地形耦合的温度分布框架（极地持续低温 vs 赤道高温），说明 \(T_{\text{corr}}\) 确实显式编码了地形约束。
• 长程增益更大：GSNO 在更长预测步数上提升更明显，暗示非等变项对长程动力学建模愈发关键。

亮点与洞察

• 把 SFNO 收编为特例：从 Green's 函数推导出现有方法只是"相对位置 Green's 函数"这一特例，给一类经验性算子补上了 PDE 解的理论出身，这种"先统一再扩展"的叙事比单纯加模块更有说服力。
• 等变/不变的可控旋钮：修正项本质是一个可学习的非等变偏置，工程上几乎零额外开销（共享 \(G_1\)、同形于球谐系数），却在参数更少的情况下拿到更好结果，性价比突出。
• 几何自适应采样：用改变 SHT/ISHT 采样点数与球谐次数来做多尺度，从根上避免了球面插值采样的混叠畸变，是个干净的工程取舍。

局限与展望

• 实验主要集中在 H/V/D 三变量与六个气象变量，未在更高分辨率（如 0.25°）或更长程（>5 天）的业务级预报上验证，长程稳定性仍待检验。
• 修正项的"绝对位置"建模依赖球面积分 \(C_f\) 作为全局标量调制，对高度局部化、强非线性的边界约束是否足够仍是开放问题。
• Green's 函数"可设计"是框架卖点，但文中只实例化了绝对+相对位置一种设计；如何为其他系统（如各向异性扩散、强非平稳）系统性地设计 Green's 函数尚无方法论。
• 对比基线未涵盖最新的 message-passing/图神经算子等非谱方法，跨范式优势还不完全清楚。

相关工作与启发

• 几何等变与复杂约束：群等变网络（Cohen & Welling）、DISCO 谱方法等用对称群提升效率；另一支（Finzi 等）则主动放松严格等变以增强真实建模能力——本文恰好落在后一支，但用 Green's 函数给"放松"提供了理论依据。
• 神经算子谱系：DeepONet → FNO → SFNO 这条频域算子主线；本文把 SFNO 纳入 Green's 函数框架，相当于给这条线补了一个统一视角。
• 多尺度神经算子：现有上下采样易引入混叠与畸变（尤其球面），本文用球谐域采样规避，对其他球面/流形上的多尺度建模有借鉴意义。

评分

• 新颖性: ⭐⭐⭐⭐⭐ — 用可设计 Green's 函数统一并扩展球面算子，把 SFNO 解释为特例再引入非等变修正项，理论视角新颖且落地。
• 实验充分度: ⭐⭐⭐⭐ — 覆盖 MRI/浅水/天气三类异质任务，算子级与网络级消融齐全、含可解释性分析；但缺业务级高分辨率与跨范式基线。
• 写作质量: ⭐⭐⭐⭐ — 理论推导清晰、图表配合到位，"先统一再扩展"叙事顺畅；部分推导依赖附录，正文略密。
• 价值: ⭐⭐⭐⭐⭐ — 为球面算子设计提供统一理论框架与即插即用的高效算子块，对气候、神经影像等真实球面系统建模有直接价值。

相关论文

• [ICLR 2026] A Function-Centric Graph Neural Network Approach for Predicting Electron Densities
• [NeurIPS 2025] Neural Green's Functions
• [ICLR 2026] Adaptive Mamba Neural Operators
• [ICLR 2026] DGNet: Discrete Green Networks for Data-Efficient Learning of Spatiotemporal PDEs
• [ICLR 2026] Locally Subspace-Informed Neural Operators for Efficient Multiscale PDE Solving