DeepONet（深度算子网络）

DeepONet由Lu等人在2021年提出，基于泛函分析中的算子逼近理论。其结构包含分支网络（Branch Net）和主干网络（Trunk Net），分支网络编码输入函数在固定传感器点的值，主干网络编码输出函数的查询位置，两者输出做点积得到算子输出。DeepONet具有网格无关性，训练后可在任意位置评估，且能泛化到不同输入函数。它在多个基准问题上表现优于传统方法，并启发了后续的算子学习研究，如Fourier Neural Operator。