结构感知认知不确定性量化：提升神经算子PDE代理模型的可靠性
神经算子（Neural Operators, NOs）作为偏微分方程（PDE）求解的快速、分辨率不变的代理模型，在科学计算领域展现出巨大潜力。然而，由于有限数据、优化不完美和分布偏移等因素，其预测存在显著的认知不确定性（epistemic uncertainty）。为了在实际部署中确保可靠性，不确定性量化（Uncertainty Quantification, UQ）不仅需要计算高效，还必须具备空间保真性——即不确定性带应与局部残差结构对齐，以支持下游风险管理。
传统方法的局限性
常见的UQ方法，如在整个网络中应用非结构化的权重扰动（例如朴素Dropout），往往忽略了神经算子的内在结构。现代NOs通常采用“提升-传播-恢复”（lifting-propagation-recovering）的模块化架构，其中提升模块负责将输入场映射到高维空间，传播模块学习求解器动力学，恢复模块则输出解场。在全网络施加随机性可能导致不确定性带与物理上重要的局部结构（如间断或边界层）不匹配，从而降低UQ的实用价值。
结构感知UQ方案的核心创新
本研究提出了一种结构感知的认知UQ方案，其核心思想是将蒙特卡洛采样限制在模块对齐的子空间中。具体而言，该方法仅在提升模块中注入随机性，而将学习到的求解器动力学（传播和恢复模块）视为确定性过程。这种设计基于一个关键假设：不确定性主要源于输入表示的不确定性，而非已学习的求解过程。
研究团队实例化了这一原则，通过两种轻量级的提升级扰动实现：
- 通道级乘法特征Dropout：随机丢弃提升模块输出特征的部分通道。
- 高斯特征扰动：在提升模块输出中添加高斯噪声，其方差与特征方差匹配。
随后，通过标准校准步骤构建不确定性带，确保统计覆盖率的可靠性。
实验验证与性能优势
在具有挑战性的PDE基准测试中，包括不连续系数达西流和几何偏移的3D汽车计算流体动力学（CFD）代理模型，该结构感知设计展现出显著优势：
- 更可靠的覆盖率：不确定性带能更准确地反映真实误差分布。
- 更紧的带宽：在保持覆盖率的前提下，减少了不必要的保守性。
- 改进的残差-不确定性对齐：不确定性带与局部残差结构（如物理间断区域）的空间对齐性更好。
- 实际运行时效率：计算开销可控，适合科学计算中的高效部署。
与常见基线方法（如全网络Dropout）相比，该方法在保持计算效率的同时，显著提升了UQ的空间保真性和实用性。
对AI与科学计算的意义
这项研究不仅为神经算子的可靠性评估提供了新工具，也深化了我们对模块化AI模型不确定性来源的理解。在AI加速科学发现的趋势下，可解释且高效的不确定性量化已成为关键瓶颈。结构感知方法通过结合领域知识（如PDE求解的模块化结构），推动了UQ从“黑箱”统计向“白箱”物理对齐的演进，有望促进神经算子在气候建模、工程设计等高风险领域的更广泛应用。未来，类似原则或可扩展至其他结构化神经网络，如物理信息神经网络（PINNs）或图神经网络（GNNs），进一步推动可靠AI在复杂系统建模中的落地。