1. 课程导入与DeepONet定位
动力系统预测建模的目标，是在给定系统当前状态、外部输入与控制参数的条件下，推断系统在未来一段时间内的演化轨迹。经典做法是先建立微分方程模型，再用数值积分求解；但在工程实际中，很多系统的精确方程难以获得，或者方程已知而参数随工况漂移，于是数据驱动方法成为重要补充。真正的难点并不在于"拟合一条曲线"，而在于：训练阶段只见过少量输入函数（例如几种特定的外力曲线、初始条件或边界条件），测试阶段却要求模型对从未见过的输入函数给出可信预测。这正是DeepONet要解决的核心问题。
要理解DeepONet，先要区分两类学习任务。传统神经网络（全连接、CNN、RNN等）学习的是有限维向量到有限维向量的映射：输入是固定长度的数组，输出也是固定长度的数组。而动力系统预测本质上是函数到函数的映射——输入是一条随时间变化的驱动信号 u(t)，输出是系统响应 s(t)，两者都是函数。若用普通网络硬做，就必须把函数离散成固定网格，一旦网格分辨率或采样点位置改变，模型便失效。DeepONet的算子学习思想正是针对这一点：它学习的是算子 G，使得 s = G(u)，其中 u 与 s 都属于函数空间，模型对离散方式保持一定的无关性。
关键区别：普通神经网络学的是"点对点"的数值映射，输入维度一变就要重训；DeepONet学的是"函数对函数"的算子映射，同一套参数可接受不同采样位置、不同分辨率的输入函数。
DeepONet的结构由两个子网络组成：Branch Net（分支网络）负责编码输入函数 u 在若干传感器点上的采样值，输出一个特征向量；Trunk Net（主干网络）负责编码输出函数的查询坐标（如时间 t 或空间位置 x），输出另一个同维特征向量。两者做内积（或逐元素乘后求和），得到该查询点上的输出值。用公式表达即 G(u)(y) ≈ Σk bk(u) · tk(y)，其中 bk 来自分支网络，tk 来自主干网络，y 是查询坐标。这种"分支编码输入函数、主干编码查询位置、内积合成输出"的设计，使模型天然支持在任意坐标处求值，而不必绑定固定网格。
与传统神经网络相比，DeepONet的差异可以归纳为三点。第一，输入输出对象不同：普通网络处理定长向量，DeepONet处理函数，分支网络接收的是函数在传感器点上的采样值，主干网络接收的是查询坐标。第二，泛化维度不同：普通网络在训练分布内插值，DeepONet追求对输入函数族的算子级泛化，即对同一类但参数不同的输入函数仍能预测。第三，数据组织不同：DeepONet训练样本通常组织为"一个输入函数 + 若干查询点上的输出值"的配对，损失函数在查询点上计算，因此同一组数据可以支持任意查询坐标的评估。
本课程的整体学习路径围绕"从原理到实战"展开。前期建立算子学习的基本概念与DeepONet的数学结构，理解分支—主干分解为何能表达函数映射；中期进入数据构造与训练环节，学习如何从动力系统仿真或实验数据中生成输入函数—响应配对、如何选择传感器点数量与查询点分布、如何设置损失函数与训练策略；后期通过一个完整的实战项目串联全流程。实战项目以典型的动力系统为对象，例如受周期外力驱动的阻尼振子或一维热传导过程，输入为外力曲线或初始温度分布，输出为系统响应轨迹。项目要求完成数据生成、模型搭建、训练、在未见输入函数上的预测评估，并对比普通神经网络基线，观察DeepONet在分辨率变化与输入函数外推上的表现差异。
学习建议：本课程不要求先精通泛函分析。理解DeepONet的关键是抓住"分支编码输入函数、主干编码查询位置、内积合成输出"这一条主线，再通过代码把每个张量的形状与含义对应起来。遇到公式时，先问"这个量是函数还是点值"，很多困惑会自然消解。
需要提前明确一个参照约定：本课程中，输入函数记为 u，查询坐标记为 y（时间或空间位置），输出函数记为 s，算子记为 G，即 s = G(u)。所有图示与代码中的符号保持一致；若某节切换到频域或无量纲化坐标，会在该节开头单独说明。掌握这一约定，后续阅读公式与实现时就不会混淆"函数"与"函数在某点的取值"。