待验证50% 置信事实精确时间

FNO通过快速傅里叶变换将输入函数转换到频率空间，在低频分量上施加可学习的线性变换，再通过逆FFT转回空间域

1

来源数

50%

置信度

长期有效

时效性

2026/10/7

首次发现

来源

强化学习优化神经算子PDE求解：在有限预算下学会何时精修

涉及实体

傅里叶神经算子concept

相关事实

待验证傅里叶变换的卷积定理指出时域卷积等价于频域相乘63% 相似待验证FFT输出复数值包含幅度和相位，其幅度谱天然具有平移不变性，但相位信息对平移极其敏感62% 相似待验证规则周期性纹理（如棋盘格）在DCT或傅里叶变换中会产生集中的高频分量，CNN中层卷积核对这类高频周期结构高度敏感，可能导致误判61% 相似待验证频率坍缩注意力（Frequency-collapse attention）用在学习到的特定频率上带通滤波后的内积取代传统的Q/K点积59% 相似待验证高斯核在空间域和频率域都保持高斯形态、导数处处连续可微，因此可用梯度下降等优化方法高效求解59% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/983242

API

curl https://kongchang.com/api/v1/knowledge/claims/983242

MCP

get_claim(id=983242)