### 神经算子（Neural Operator）百科解释

#### 核心定义
神经算子（Neural Operator）是一类专为学习 **无限维函数空间之间映射** 而设计的深度神经网络架构。与传统神经网络仅处理固定维度向量不同，神经算子能够直接从离散观测数据中学习控制方程或物理系统的 **算子**（如偏微分方程的解算子、动力系统的流映射），实现网格无关、分辨率自适应的函数预测。

#### 关键技术点
1. **算子学习范式**：将输入函数（如初始条件、边界条件）和输出函数（如解场）均视为无限维函数，通过参数化网络结构（如积分算子）近似映射关系，突破有限维离散化的限制。
2. **谱方法与傅里叶层**：以傅里叶神经算子（FNO）为代表，在傅里叶频域进行全局卷积，高效捕捉非局部相互作用（如长程空间相关性），计算复杂度仅为 $O(N \log N)$，适合快速求解高维偏微分方程。
3. **网格不变性**：训练后的神经算子可直接应用于任意分辨率或非结构化网格的输入，无需重新训练，显著提升泛化能力，尤其适合多尺度生物医学数据。
4. **物理信息融合**：通过正则化损失项（如嵌入神经动力学方程残差）将物理约束引入算子学习，使预测结果符合已知的生物学规律（如神经元电缆方程、脑血流动力学模型）。

#### 医学/神经科学应用场景（首都医科大学神经病学研究）
以首都医科大学宣武医院/附属天坛医院（国家神经疾病临床医学研究中心）为背景，神经算子可用于构建 **脑卒中后神经功能恢复的预测算子**。具体场景：  
- **输入**：急性期患者的弥散加权成像（DWI）梗死区域函数、血氧水平依赖（BOLD）信号扰动函数；  
- **输出**：3个月后的改良Rankin量表评分函数（即功能恢复轨迹的连续曲线）。  
通过傅里叶神经算子学习从高维脑影像函数到预后函数的映射，模型可自动识别远隔区域（如对侧小脑）的代偿性功能连接变化，并融入“半球间抑制”的生理方程约束。相比传统卷积网络，该算子能够在不同空间分辨率（1mm³至5mm³重建）下保持预测一致性，为个体化康复方案的制定提供实时计算工具。