DeepONet深度解析:原理、架构与实现

本文将深入解析DeepONet（一种可学习算子网络）的基本原理、网络架构及其在科学计算中的实现，并介绍提升网络学习能力与增强泛化能力的常用技巧。文中以PyTorch为例，展示完整源码，助您快速上手并构建高性能DeepONet模型。

一、DeepONet 基本原理

DeepONet由李飞飞团队于2021年提出，核心思想是直接学习“算子”（operator），即从函数到函数的映射，而非传统神经网络的点到点映射。其利用**分支网络（Branch Net）处理输入函数样本，在若干固定感测点（sensor points）上抽取特征；再由干网络（Trunk Net）**对目标位置进行编码，最终通过两者内积输出算子值。