面向高度非线性系统的高级物理信息神经算子：航空航天复合材料加工案例研究

深度算子网络（DeepONets）及其物理信息变体在学习偏微分方程函数空间之间的映射方面显示出巨大的潜力，显著提升了传统神经网络的泛化能力。然而，对于像航空航天复合材料加工这样的高度非线性的真实世界应用，现有模型往往难以准确捕捉底层解，且通常仅限于单一输入函数，限制了快速工艺设计开发。本文引入了一种针对具有多个输入函数的复杂系统的高级物理信息 DeepONet。该模型配备了诸如非线性解码器和有效训练策略（如课程学习和域分解）等架构增强，能够处理高维设计空间，准确率显著提升，相较于基础物理信息 DeepONet 提升了两个数量级。其在广泛设计空间中的零样预测能力使其成为加速复合材料工艺设计和优化的强大工具，潜在可应用于其他具有强非线性特征的工程领域。