霍奇谱对偶（HSD）神经算子架构：通过霍奇分解保持拓扑结构
原帖
**通过霍奇分解保持拓扑结构的神经算子学习**
_Topology-Preserving Neural Operator Learning via Hodge Decomposition_
> 本文提出一种名为“霍奇谱对偶”（HSD）的新型神经算子架构，用于学习几何网格上物理场方程的解算子。其核心创新在于利用霍奇理论与算子分裂，在函数空间层面进行算子分解：通过离散微分形式捕捉拓扑主导的成分，并用正交辅助空间表示复杂的局部动力学，从而将不可学习的拓扑自由度与可学习的几何动力学解耦，有效解决了谱干扰问题。该方法在几何图上实现了对物理不变量具有高保真度的高精度和高效率计算。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-15 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.13834)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文介绍了名为霍奇谱对偶（HSD）的新型神经算子架构，该架构利用霍奇理论与算子分裂在函数空间层面分解算子，旨在学习几何网格上物理场方程的解算子并保持拓扑结构。
答案说明
霍奇谱对偶（HSD）是一种新型神经算子架构，它利用霍奇理论与算子分裂在函数空间层面分解算子，将拓扑自由度与几何动力学解耦，从而在几何网格上高效学习物理场方程的解算子并保持拓扑结构。
这篇帖子回答的问题
- 什么是霍奇谱对偶（HSD）神经算子架构？
- HSD架构的核心创新是什么？
核心观点
- 本文介绍了名为霍奇谱对偶（HSD）的新型神经算子架构，该架构利用霍奇理论与算子分裂在函数空间层面分解算子，旨在学习几何网格上物理场方程的解算子并保持拓扑结构。
FAQ
- Q: HSD架构旨在解决什么问题？
- A: 旨在解决在学习几何网格上物理场方程解算子时出现的谱干扰问题，并保持拓扑结构。
- Q: HSD架构如何实现拓扑结构的保持？
- A: 通过利用霍奇理论与算子分裂，将不可学习的拓扑自由度与可学习的几何动力学解耦来实现。
关键实体
- 霍奇谱对偶
- 霍奇理论
- 神经算子