DeepONet 深度算子网络入门

学习路径

阶段 1：理论（1–2 天）

核心思想： DeepONet = Branch Net（参数输入 u(x) 的编码）+ Trunk Net（空间坐标 t 的编码），两者做内积得到解算子 G(u)(t)。其理论基础是 Kolmogorov-Arnold 表示定理在神经网络中的离散化。

必读论文：

• Lu et al. “DeepONet: Learning nonlinear operators for inverse problems”（Nature Machine Intelligence 2021）

阶段 2：DeepXDE 实现（3–5 天）

DeepXDE（MIT License）是 DeepONet 与 PINN 最成熟的 Python 框架，支持多种算子与边界条件。

from deepxde.backend import tf
from deepxde.nn.tensorflow.fnn import FNN

# 支网络：编码函数 u(x)
branch = FNN([100, 128, 128, 128], "relu", "Glorot normal")

# 干网络：编码坐标 t
trunk = FNN([2, 128, 128, 128], "relu", "Glorot normal")

# 拼接入积分解算子
net = deepxde.nn.DeepONetOperator([100, 128, 128, 128], [2, 128, 128, 128])

学习顺序（DeepXDE 官方 Tutorial）：

1. Burgers 方程（1D 无粘）
2. Porter 方程（参数化初边值）
3. 随机微分方程（不确定性量化）

阶段 3：工业场景实战

• 参数化几何（多几何形状的力学响应预测）
• 多物理耦合（热-结构顺序耦合）
• 在 U-bend 数据集上做流场代理模型

与 FNO 的对比

特性	DeepONet	FNO
网格适应性	✅ 任意点评估	❌ 固定分辨率
参数化维度	✅ 高维参数	⚠️ 有限
训练效率	✅ 数据效率高	⚠️ 需大量数据
开源框架	DeepXDE ✅	NeuralOperator ✅

推荐资源

• DeepXDE 官方文档（中文友好）
• Lu et al. 2021 Nature MI 原文
• GitHub: lululxvi/deepxde（Star 3k+，活跃维护）