DeepONet 原始论文
DeepONet 采用双子网结构：分支网络（branch net）编码输入函数，主干网络（trunk net）编码求值位置， 二者内积得到输出函数值。
重要性：它把经典的算子通用逼近定理转化为可训练架构，至今仍是算子学习对比实验的标准基线。
标签: DeepONet神经算子奠基论文通用逼近基线
相关条目
- Fourier Neural Operator（FNO）原始论文 · 提出在傅里叶空间参数化积分核的神经算子，实现分辨率无关的 PDE 求解，是算子学习与物理 AI 方向引用量最高的奠基工作之一。
- PhysicsNeMo: 基于神经算子的物理仿真框架 · NVIDIA 发布的物理信息神经网络框架，基于神经算子（FNO/DeepONet/AFNO）提供端到端可微分物理仿真流水线，支持多 GPU 训练与部署。
- 物理信息学习年度进展综述 2025–2026 · 系统性梳理 2025–2026 年物理信息机器学习（Physics-Informed Learning）领域的主要进展，重点覆盖神经算子、扩散模型在 PDE 求
- Transolver：面向大规模工业几何的 Transformer 求解器 · 提出物理注意力机制，把离散网格投影到可学习的物理状态令牌上做注意力，显著提升 PDE 求解在大规模工业几何上的效率与精度。
- The Well：面向物理基础模型的多领域基准 · 提出覆盖 16 个物理领域的统一基准，论证「跨领域预训练」对物理 ML 的增益，是物理基础模型方向必读论文。