做物理模拟，研究者常要把连续的温度场或流体场切成网格交给电脑。麻烦在于，许多模型只认训练时的网格密度，换一套“像素格”就可能失灵。JMLR 收录的开源 Python 库 NeuralOperator，试图把神经算子——学习“一个函数到另一个函数”映射的模型——做成一套更容易上手的标准工具。
最值得注意的是它对不同离散化方式的统一支持。以库中的 Fourier Neural Operator（FNO，利用傅里叶变换处理规则网格的神经算子）为例，同一组参数可接收不同分辨率的规则网格，也支持输入与输出分辨率不同的超分辨率任务。库里还统一提供多类模型、PDE 数据集下载接口、损失函数和 Trainer（自动执行常规训练流程的组件），并遵循 PyTorch 的模块接口。
这项工作的价值主要不在提出一种新模型，而在补齐实验基础设施：新手少写训练与数据处理代码，研究者也更容易在一致接口下比较模型和数据集。论文没有报告这套统一库能带来多少性能提升；它降低的是工程门槛，而非直接刷新精度纪录。