DeepONet

学习对象是函数到函数的映射

普通回归学习有限维输入 $x$ 到输出 $y$。算子学习的输入本身是函数 $u\in\mathcal U$，输出是另一个函数 $v=\mathcal G(u)\in\mathcal V$。例如系数场、初值或外力 $u$ 经过微分方程解算子产生解场 $v(y)$。模型接收一个新的输入函数后，应能在多个坐标 $y$ 查询相应输出，而不是只记住某一条固定解曲线。

实际计算必须离散化输入函数。选定传感器位置 $x_1,\ldots,x_m$，形成

这一步把无限维对象压成有限向量。模型真正可见的是采样算子 $S_m:u\mapsto\mathbf u_m$；任何关于连续算子的结论都要包含传感器集合和输入函数类，不能把有限采样静默当作完整函数。

branch编码函数，trunk编码查询坐标

DeepONet用branch网络输出 $p$ 个系数

用trunk网络把输出坐标 $y$ 映射为

标量输出常写成

branch结果随输入函数改变，trunk结果随查询位置改变，内积把两者组合。对同一个 $u$ 查询许多坐标时，branch只需算一次；固定网格上trunk特征也可预计算。向量输出可以为每个分量使用独立系数、共享基或额外输出轴，但形状合同必须明确。

内积结构类似用输入相关系数组合坐标基，但trunk基与branch系数联合学习，通常不具有预设正交性。不能把每个trunk通道自动解释为某个物理模态，除非另有约束和证据。

固定传感器决定可辨识信息

若两个输入函数在全部传感器位置取值相同，branch输入完全一致，任何确定性DeepONet都会对同一查询坐标给出相同预测。增加网络宽度不能恢复从未观测的信息。可辨识性要由输入函数类的平滑度、频带、参数化与传感器布局共同保证。

传感器噪声也会经过branch传播。训练若只见无噪声均匀采样，部署却有缺测和位置偏差，输入分布已经改变。应显式提供mask和坐标、按仪器噪声训练，或使用插值并把插值误差纳入评价；用零填缺测会把“未观测”与真实零混淆。

一个算子样本包含一整个输入函数

监督数据可写成 $N$ 个输入函数 $u^{(i)}$，每个函数配若干输出坐标 $y_j^{(i)}$ 与求解器值 $v^{(i)}(y_j^{(i)})$。经验损失例如

内层坐标点共享同一个branch输入，不是独立输入函数样本。若把同一函数的坐标随机分到训练与测试，测试只衡量在已见函数上的坐标插值，会严重高估对新函数的算子泛化。

训练、校准和测试还要按产生输入函数的随机种子、参数实例或物理场景分组。一个基函数系数向量的微小扰动若跨切分共享同一原型，也可能造成近重复泄漏。

输出坐标采样决定模型重点看哪里

每个输入函数不一定要在完整高分辨率网格上计算损失，可以随机抽取坐标降低内存。但均匀抽样会让大面积平滑区域主导，薄边界层、冲击或小障碍附近得到的样本很少。重要区域加密时，应记录抽样密度并在损失中考虑所代表的积分权重，否则训练目标已从全域误差变成加权误差。

固定坐标网格便于批量矩阵内积，却可能让trunk只记住有限位置。随机连续坐标能覆盖域内更多位置，但监督值需要可靠插值或求解器查询；插值误差又进入标签。可在同分布新函数上分别测训练网格点、网格间点和独立加密网格，区分坐标记忆与真实空间插值。

时间依赖算子若把 $y=(x,t)$ 一并交给trunk，还要按完整输入函数或初值分组切分，并设置超出训练时间的独立外推测试。训练时间区间内随机点的高精度不保证长期滚动稳定，尤其当模型被反复用作下一步状态更新时。

简单算子可用数值积分交叉核验

在复杂PDE前，应先用线性、可手算算子检查branch/trunk形状和损失。例如积分算子

同时依赖整个输入片段与查询坐标，适合核验算子语义。

通用逼近结论附带紧性、连续性和分辨能力

DeepONet的通用逼近思想在合适函数空间、紧致输入集合、连续算子、足够传感器与足够网络容量等条件下建立存在性。它说明某类结构原则上可逼近目标，不给出有限 $m,p$ 所需大小，也不保证优化找到参数、有限数据覆盖函数集合或噪声下稳定。

固定有限传感器的不可辨识反例不会被存在性定理取消。输入函数越高频、越不规则，达到给定误差可能需要更多传感器。输出若含冲击、移动间断或尖锐边界层，平滑trunk表示也可能需要大量基通道或区域分解。

坐标 $y$ 可以在训练网格之外输入，只说明网络接口允许查询；若新点仍在训练坐标域内，可视为坐标插值。超出坐标范围、换几何、换边界或大幅提高频率属于不同外推，不能由“trunk接受连续坐标”自动保证。

训练函数分布规定可支持的泛化

若训练函数由某个高斯随机场、有限基系数范围或PDE参数分布生成，模型主要在该分布附近学习。测试应至少分三层：同分布新函数；参数边缘或更高频函数；改变边界、几何或方程后的结构移位。三层结果分别报告，不能把第一层高精度称作任意函数泛化。

输入和输出标准化要以训练函数统计估计。逐函数归一化可能删除算子需要的幅度信息；逐坐标归一化又会引入位置相关尺度。若使用相对损失，近零输出函数会产生巨大权重，需要稳定分母并同时报告绝对误差。

数值标签和物理指标共同决定误差含义

PDE监督值来自特定网格、时间步长、求解器容差和离散格式。模型可能比粗网格标签更接近另一高精度解，也可能只是复现离散偏差。应保存求解器配置，用网格加密或参考解估计标签误差，并把模型—标签误差与标签—连续解误差分开。

场的相对 $L^2$ 误差描述平均能量，最大范数突出局部峰值；守恒误差、边界条件误差、PDE残差和长期稳定性回答物理一致性。残差小不必然意味着解误差小，尤其在病态问题或错误边界下；多个指标需共同解释。

成本优势依赖重复查询和摊销

训练前生成大量高精度算子样本可能很贵。部署时，branch对每个新输入函数算一次，trunk对坐标算一次，内积每点需约 $p$ 次乘加。固定输出网格可缓存trunk矩阵；动态坐标则需重复计算。与数值求解器比较要包含数据生成和训练摊销、单次延迟、批量吞吐、内存和所需误差。

练习

概念关系

• 泛函与函数空间映射 定义函数到函数的算子。
• 感知机与多层感知器 提供branch和trunk参数化。
• 偏微分方程数值方法 提供监督解和离散误差背景。
• 物理信息神经网络 对照单实例残差训练。
• 神经算子 提供网格场到网格场的算子架构。
• 反问题、数据同化与不确定性 延伸观测噪声和反演。
• 科学机器学习综合复习 汇总物理、泛化和成本证据。

资源