في العصر الحديث، تسعى علوم الحاسوب والذكاء الاصطناعي إلى تطوير تقنيات تسهّل التعامل مع الظواهر المعقدة. ومن بين هذه التقنيات، تبرز **المشغلات العصبية (Neural Operators)** كأداة متطورة لهندسة الخرائط بين فضاءات دالة لا نهائية.

تمت إعادة تصور استخدام المشغلات العصبية من خلال تقديم فضاء أساسي مساعد، مما يتيح رؤية أي دالة ذات أبعاد نهائية كأنها مشغل يعمل بالتراكيب على دوال من هذا الفضاء الأساسي.

عبر مجموعة من التجارب التي تناولت دوال تحليلية ذات تعقيد وابعاد متزايدة، أثبتت المشغلات العصبية قدرتها على matching أو outperform النماذج التقليدية مثل الشبكات العصبية متعددة الطبقات (Multilayer Perceptrons) وشبكات كولموغوروف-أرنولد، وذلك من حيث الدقة مع الحاجة إلى عدد أقل بكثير من المعلمات ووقت تدريب أقل.

أحد التطبيقات العملية في هذا المجال هو استخدام **مشغل فورييه العصبي الشامل (Tensorized Fourier Neural Operator)** في دراسة الخرائط النووية، حيث تم تعلم تصحيح لنماذج الكتل النووية الحديثة كحقل متبقي جزئيًا. وقد حقق هذا النموذج دقة في الخطأ الجذري التربيعي تصل إلى 198.2 keV، مما يجعله من بين أفضل الأساليب الحديثة في الشبكات العصبية مع الحفاظ على كفاءة عالية في عدد المعلمات وأوقات تدريب قصيرة.

بشكل أوسع، تقدم هذه النتائج دليلاً على أن المشغلات العصبية تشكل إطار عمل يمكن توسيعه لتوقّع الدوال ذات الأبعاد النهائية، من المعايير التحليلية إلى البيانات العلمية المنظمة.