当计算足够快，工程师可以探索更多选择

学习输入与系统响应的关系

收录于 2023 年《机器学习研究期刊》的神经算子论文，研究了函数空间之间映射的学习方法。一个重要应用，是近似偏微分方程中输入条件与求解结果之间的关系。

论文在若干方程任务中展示了这一方法的预测表现与计算速度。这里的实验结果有特定条件，不能直接理解为任意设备、工况或工程项目都能够获得相同收益。

设想工程师想比较几种运行设置。一个经过验证的代理模型，可以成为快速比较的候选工具。但在决定如何使用结果之前，团队仍需要了解模型训练覆盖了哪些条件，输入是否完整，以及误差是否满足任务要求。

我们的数字孪生视角，是把设备数据、模型与具体决策连接起来。可视化帮助理解系统，数据连接反映状态，校准用于检查偏差；这些工作共同决定一个模型能否成为有用的工程工具。

实际项目可以先选定一个部件、一段过程或一类工况，将已有仿真与测量结果整理成基准。随后比较不同方法，并邀请工程人员检查误差较大的样本，明确适用范围与需要补充的数据。

我们认为，交付还应包括版本记录、数据更新方式和异常反馈路径。当系统运行条件发生变化时，团队需要知道哪些结论仍然可信，哪些需要重新验证。快速计算的价值，最终要由具体决策来检验。

原始文献

本文为 GOPROMP 对公开研究的独立解读，不代表参与原始研究，也不表示与论文作者或相关机构存在合作关系。研究结果的适用条件请以原始文献为准。页面图形为概念可视化。