神经算子DeepONetFNO

神经算子（Neural Operator）——学习函数到函数映射的 AI 方法。与传统神经网络学习"输入→输出"不同，神经算子学习"输入函数→输出函数"的映射，可实现变网格、变参数的快速预测，是 AI 代理模型（surrogate）的前沿方向。典型代表：DeepONet（Lu 2021）、FNO 傅里叶神经算子（Li 2021）。

定位	AI for Science 基础：神经算子（算子学习）
DeepONet	分支-主干（branch-trunk）网络结构，逼近任意算子映射
FNO	傅里叶域卷积，天然适应平移不变性，网格无关（resolution-invariant）
应用场景	参数化 PDE 快速求解（几何/材料/边界条件变化时毫秒级预测）、CFD 代理模型
与降阶模型关系	神经算子是"数据驱动 ROM"的一种，与 POD 等传统 ROM 互补

学习价值 - 算子学习是 AI+CFD 代理模型的核心技术路线，直接支撑 HAO-DC Room 的快速热预测 - 与 FVM 高保真数据（TauFlow 仿真结果）结合可构建高精度代理模型

推荐电子书

国外经典（3-5本）：

• 《Neural Operator: Learning Maps Between Function Spaces》（Zongyi Li et al.，2021）——FNO傅里叶神经算子论文，算子学习方向必读

• 《DeepONet: Learning nonlinear operators》（Lu et al.，2021）——DeepONet论文，分支-主干结构开创性工作