3. DeepONet架构原理

在动力系统预测中，我们真正想学的往往不是一个有限维向量到另一个向量的映射，而是一个算子：输入是一条函数（初值曲线、外激励时程、参数场），输出也是一条函数（状态轨迹、响应时程）。DeepONet 的核心思想，就是把这种“函数到函数”的映射拆成两条并行的子网络来学习，从而绕开传统全连接网络在高维函数空间上难以泛化的困境。

一、为什么要把网络拆成“分支”和“主干”

DeepONet 的输入由两部分组成：一部分是传感器采样得到的输入函数离散值 u(x₁), u(x₂), …, u(x_m)，另一部分是输出函数在待求位置上的查询坐标 y（在动力系统中通常是时间 t，或时空坐标 (x, t)）。如果直接把 (u, y) 拼接后送入一个全连接网络，网络必须同时学会“输入函数长什么样”和“在哪个位置取值”这两件性质完全不同的事，样本效率很低。

DeepONet 的做法是分工：分支网络（Branch Net）只吃输入函数的采样值，输出一个 p 维特征向量 b = [b₁, …, b_p]；主干网络（Trunk Net）只吃查询坐标 y，输出同样维度的特征向量 t = [t₁, …, t_p]。最终输出取两者的内积：

G(u)(y) ≈ Σ_{k=1}^{p} b_k(u) · t_k(y) + b_0

这个形式的精妙之处在于：分支网络编码“是哪一个输入函数”，主干网络编码“在哪个位置取值”，内积则相当于在 p 个基函数上做加权求和。可以把 t_k(y) 理解为第 k 个可学习的基函数，b_k(u) 就是该基函数在当前输入下的系数。这正是算子逼近定理所保证的结构。

二、算子逼近定理给出的理论保证

DeepONet 并非经验拼凑，其理论基础是万能算子逼近定理（Chen & Chen, 1995；Lu 等将其推广到深度网络形式）。定理的直观表述是：对于定义在紧集上的连续算子 G，只要分支网络和主干网络足够宽（或足够深），存在一组网络参数使得内积形式能以任意精度一致逼近 G。这一定理把“学算子”问题转化为“学两组有限维特征的内积”，为网络结构提供了合法性。

需要提醒的是，定理是存在性结论，不告诉我们需要多少样本、多宽的网络。实际建模中，p 的取值、传感器点数 m、分支/主干各自的层宽，仍要靠验证集误差来调。经验上 p 取 50～200 较为常见，m 应足以分辨输入函数的主要变化尺度（例如激励时程含 10 Hz 成分时，采样率至少 50 Hz 量级）。

三、输出形式与可解释性

DeepONet 的输出天然是“基函数展开”形式：G(u)(y) = Σ b_k(u)·t_k(y)。这带来两点可解释性优势。第一，主干输出的 t_k(y) 可以单独可视化，它们往往呈现出与系统固有模态、衰减包络相似的形状，相当于网络自己学出了一组数据驱动的基函数。第二，分支输出的 b_k(u) 是输入函数的“指纹”，对同一系统不同初值，比较系数向量即可判断响应差异主要落在哪几个模态上。

此外，由于主干网络与输入函数无关，训练完成后可以固定分支、只对主干在密集时间网格上求值，得到平滑的连续轨迹，而不像普通回归网络那样只能在训练点上插值。这一点对动力系统长期预测尤其重要。

四、与全连接网络、PINN 的局限对比

全连接网络把 (u, y) 拼接后回归，本质是在学一个高维函数 F(u, y)。当输入函数采样点 m 增大时，输入维度线性增长，网络需要大量样本覆盖“函数空间 × 坐标空间”的联合分布；换一组初值就要重新大量采样，泛化到未见函数的能力弱。DeepONet 通过解耦把函数维度和坐标维度分开处理，样本效率明显更好。

PINN 把 PDE 残差作为损失项，无需标签数据，适合正问题与反问题。但它的局限在于：每个新的初值/边界条件通常要重新训练一次网络，属于“一问题一训练”；损失中残差项与数据项权重敏感，训练不稳定；对高维、强非线性、长时间积分的问题收敛困难。DeepONet 则是“一次训练、多输入推理”，训练完成后对新初值只需前向计算，适合需要反复调用算子的场景（如实时控制、参数扫描、不确定性量化）。