深度算子网络 DeepONet

是什么

DeepONet 由两个子网络组成：branch net 吃输入函数（在若干固定传感器点上的采样值）， trunk net 吃查询点坐标 (x, y, t)，两者输出向量做内积（加偏置）得到该点的解值。 这种”函数编码 × 位置编码”的分解让它天然支持非结构网格和任意查询点。

关键要点

• 无网格：trunk 接受任意坐标，因此能在散点、非结构网格上直接训练和推理。
• 传感器点固定：branch 的输入是在一组固定传感器位置上的函数采样，传感器布局会影响精度。
• 训练数据组织为 (输入函数, 查询点, 解值) 三元组，比 FNO 的整场数据更灵活。
• 变体丰富：POD-DeepONet 用本征正交分解基替代 trunk，收敛更快、精度更高。

常见误区 / 边界

• DeepONet 与 FNO 不是”谁更好”的关系：规则网格大规模场预测 FNO 通常更高效，非结构/散点场景 DeepONet 更合适。
• 传感器点数量与位置是主要调参项，随机选取在梯度剧烈区域会明显掉精度。