Fast Surrogate Modeling of Excitable and Oscillatory FitzHugh-Nagumo Dynamics with Parametric Neural Operators
研究人员训练参数条件化傅里叶神经算子（FNOs）作为 FitzHugh-Nagumo 系统的快速可微代理模型。该研究针对激活 - 抑制结构，在包含五个生理参数的空间内探索神经元电压动力学，以解决经典有限差分求解器参数扫描成本高的问题。通过特征线性调制（FiLM）对傅里叶层进行条件化，并在振荡（持续放电）和兴奋性（动作电位传播）两个区域分别训练一个算子。结果显示，在振荡模式下，代理模型在两个场变量上相对 $L^2$ 误差低于 0.1%，运行速度比有限差分基线快三个数量级，且能均匀泛化并外推至极低百分比误差；在兴奋性模式下，该算子准确复现了放电阈值和传导速度与 $\sqrt{D_u}$ 成正比的规律，完整捕捉了全传播脉冲及兴奋性分岔结构。