拓扑优化（TO）在每次迭代都需要进行有限元分析（FEA），导致计算成本极高。神经网络代理虽然能加速预测，但多数方法在目标函数与灵敏度之间存在梯度不一致，进而导致优化过程不稳定。KATOsuper 提出了一种目标无关的框架，将神经再参数化的拓扑优化与 敏感度一致傅里叶神经算子（SC‑FNO） 结合。
框架核心是 forward_split 架构：先通过 SC‑FNO 预测目标场（如位移或应力），再利用自动微分对该预测场求导，得到与预测目标一致的灵敏度。这样保证了目标值与梯度的匹配，避免了传统代理的梯度偏差。
$$ C = \mathbf{u}^\top \mathbf{K} \mathbf{u} $$
其中 $C$ 为结构柔度（待最小化），$\mathbf{u}$ 为位移向量，$\mathbf{K}$ 为刚度矩阵。SC‑FNO 通过多通道输入并加入 Fourier 位置嵌入，实现分辨率无关的学习，能够在未见过的更高分辨率上零样本外推，实验显示在 2×、4×、甚至 64× 放大下仍保持拓扑结构的完整性，无需重新训练。
在 3D 场景中，KATOsuper 扩展为 KATO3D，引入 KANConv3D 模块和可学习的 B‑样条激活函数，进一步提升表达能力。对比 MATLAB 基准，KATOsuper 在部署阶段实现了 15‑110 倍的加速，同时在合规性（compliance）和应力最小化任务上保持竞争性的最优解，尤其在复杂 3D 与应力优化案例中优势显著。
关键洞察是：灵敏度方向比其数值大小更重要。即使物理评估仅是近似的，只要方向保持一致，优化仍能稳健收敛，这为其他可微分物理驱动的设计目标提供了可扩展的思路。
点评：KATOsuper 通过保持梯度一致性和分辨率无关的学习，实现了大幅加速且可靠的拓扑优化，为高维复杂结构设计打开了新路径。