从输入条件，学习系统响应
2023 年发表于 JMLR 的神经算子论文，研究函数空间之间映射的学习。一个应用是近似偏微分方程的求解关系：从输入条件预测相应的解。
论文在若干方程任务中展示了这种方法的预测表现与计算速度。这些结果对应具体的数据和实验设置，实际工程项目需要重新检查适用性。
更快的计算，会改变怎样的工作
我们的判断是，如果计算足够便于重复，工程师可以在同一组约束下比较更多设置，也更容易检查结果对输入变化的敏感程度。关键是先确定正在比较什么，以及哪种误差会影响选择。
例如，一个模型用于初步筛选方案，和用于确定设备运行参数，需要的证据并不相同。项目应明确允许的使用范围，并为范围之外的输入保留重新计算或人工判断的路径。
数字孪生还需要维护对应关系
把一个预测模型放进数字孪生，需要持续关联真实对象、观测记录、模型版本和运行条件。可视化只是其中一个界面；资料来源和模型校准决定这个界面背后的信息怎样被使用。
我们会从一个部件、一段过程或一类工况开始，整理已有仿真与测量作为基准。比较模型结果时，单独检查误差较大的样本，并记录尚未覆盖的条件。
交付之后，设备、数据和工况仍会变化。系统需要能够说明某个结果采用了哪版模型，哪些假设依然成立，以及什么变化会触发重新验证。这样，快速推演才有机会持续支持工程选择。
