偏微分方程（PDEs）的高效求解和逆向设计是科学计算与工程应用中的核心挑战。传统数值方法计算成本高昂；而现有的神经算子学习方法在灵活性与泛化能力之间存在固有权衡：谱基方法具有强大的泛化能力但缺乏局部适应性，注意力机制方法灵活但在数据有限时易过拟合；此外，三维逆向设计因其指数级增长的设计空间和几何-物理的紧密耦合而极具挑战性。本文提出了一个统一的物理感知神经算子框架，通过3个核心创新解决上述挑战。首先，全息物理混合器，通过可学习的耦合机制自适应地调制谱基函数，兼具谱方法的全局结构先验和注意力机制的点级灵活性。其次，物理状态残差学习方法利用物理系统稳定性，通过学习相似物理轨迹间的残差实现隐式数据增强，显著提升数据效率。最后，物理-几何统一表示与优化框架采用变分自编码器学习紧凑的隐空间，结合梯度引导扩散和拓扑保持优化，实现从零开始的高保真三维设计。在多个PDE基准挑战和气动外形优化任务上的实验表明，该框架在精度、数据效率和计算效率方面均达到了领先水平，并在零样本分辨率泛化上表现出色。