DRIFT-Net: A Spectral--Coupled Neural Operator for PDEs Learning¶

vs scOT/POSEIDON: 用谱分支实现全局耦合，无需深层堆叠
vs FNO: FNO 全频操作但缺局部能力，DRIFT-Net 双分支互补
vs PDE-Refiner: Refiner 靠迭代细化，DRIFT-Net 靠架构设计

会议: ICLR2026
arXiv: 2509.24868
代码: 待确认
领域: model_compression
关键词: neural operator, PDE, spectral coupling, dual-branch, Navier-Stokes

一句话总结¶

提出 DRIFT-Net 双分支神经算子，通过受控低频混合（谱分支）和局部细节保真（图像分支）的带宽融合（radial gating），解决窗口注意力中全局谱耦合不足导致的自回归漂移问题，在 Navier-Stokes 基准上误差降低 7%-54%。

U-Net 编码器-解码器，每个尺度有谱分支（rFFT2→低频混合→带宽融合→iFFT2）和图像分支（ConvNeXt），加法融合。

受控低频混合: rFFT2 后仅对低频施加可学复线性变换，高频保持不变——只混合低频避免干扰细节
带宽融合 + Radial Gating: \(\hat{Y}(k) = \alpha(k)\hat{V}_{low}(k) + (1-\alpha(k))\hat{X}_{high}(k)\)，凸组合保证无能量过冲
频率加权损失: \(w(r) \propto r^\alpha\) 增加高频误差权重，对抗谱偏差

单步 teacher forcing 训练，测试时自回归闭环 rollout。

任务	scOT	FNO	DRIFT-Net
NS-SL	3.96	3.69	3.40
NS-PwC	2.35	4.57	最佳
Poisson-Gauss	-	-	最佳
Allen-Cahn	-	-	最佳
Wave-Gauss	-	-	最佳

参数量比 scOT 少约 15%，吞吐量更高，NS 误差降低 7%-54%。