An Advanced Physics-Informed Neural Operator for Comprehensive Design Optimization of Highly-Nonlinear Systems: An Aerospace Composites Processing Case Study

深度算子网络（Deep Operator Networks，DeepONets）及其物理信息变体已经显示出在学习偏微分方程函数空间之间映射方面具有显著的潜力，增强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高度非线性的实际应用，现有模型通常无法准确捕捉潜在解决方案，通常仅限于单个输入函数，限制了快速的过程设计开发。本文介绍了一种针对具有多个输入函数的复杂系统量身定制的先进物理信息DeepONet。配备了非线性解码器等架构增强和有效的培训策略，如课程学习和域分解，所提出的模型处理高维设计空间的精度显著提高，比普通的物理信息DeepONet高出两个数量级。它在广泛的设计空间中的零-shot预测能力使其成为加速复合材料过程设计和优化的强大工具，在其他具有强非线性特征的工程领域也可能具有潜在应用。

本论文旨在解决复杂系统中多输入函数的高精度建模问题，特别是航空复合材料加工中的非线性建模问题。

论文提出了一种基于物理知识的DeepONet模型，通过引入非线性解码器和有效的培训策略来处理高维设计空间，实现了零-shot预测能力，相较于传统模型提高了两个数量级的准确性。

论文的实验设计包括使用开源数据集，提供了代码实现，并且采用了课程学习和域分解等有效的训练策略。该模型的应用不仅限于航空领域，也可以在其他具有强非线性特征的工程领域中得到应用。

相关研究包括DeepONet和物理知识神经网络的先前工作，以及其他针对非线性建模的研究，如基于深度学习的多物理场建模和数据驱动的物理建模等。