同一片温度场，换一张更细的网格，普通神经网络往往就不适用了，像只认固定格数的地图。Anima Anandkumar 的这篇 Perspective 关注的正是这个问题：如何让网络学习连续物理场之间的规则，而不是记住某套网格上的数字对应关系。
文章提炼了一组构建神经算子的原则。神经算子——直接学习函数到函数映射的网络——可以把初始温度分布映射为未来温度分布。作者据此给出一套“改造配方”，称只需较少修改，就能把常见神经架构扩展到函数空间，也就是把整条曲线或整个连续场当作输入和输出。这样，模型有望跨不同采样密度工作，并在任意坐标查询结果。
这项工作的价值更像搭桥：让成熟的网络设计进入科学计算中的算子学习。不过文章侧重原则和实践步骤；所给材料未披露具体改造细节、基准测试或效果数字，因此跨分辨率能力仍应视为方法目标，而非已由此处材料量化证明的结果。