🤖 machine learning

Single vs. Multiple Branches in DeepONet and S-DeepONet: Network Architecture Follows Coupling in Multiphysics Systems

本文表明，对于 DeepONet 和 S-DeepONet 架构，单分支设计通过促进共享潜表示，在紧耦合多物理场系统中表现优于多分支变体，而多分支方法在解耦任务中仍保持优越性，这些研究共同实现了比传统求解器快达 $1.8 \times 10^4$ 倍的全场预测。

原作者： Jaewan Park, Kazuma Kobayashi, Qibang Liu, Seid Koric, Diab Abueidda, Syed Bahauddin Alam

发布于 2026-06-12

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jaewan Park, Kazuma Kobayashi, Qibang Liu, Seid Koric, Diab Abueidda, Syed Bahauddin Alam

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图教一台计算机如何预测复杂物理系统的行为——比如热量如何在金属块中扩散的同时，电流又如何在其中流动；或者钢材在凝固过程中如何冷却并改变形状。这些不仅仅是简单的题目，它们是“多物理场”谜题，不同的力量（热、电、应力）紧密交织在一起，不断地相互影响。

长期以来，科学家们一直使用强大的计算机模拟（如有限元分析）来解决这些谜题。但这些模拟速度很慢，就像通过逐一检查每一个可能的动作来尝试解开魔方一样。为了提高速度，研究人员使用了“代理模型”（surrogate models）——即通过学习过去的模拟数据来瞬间预测未来的 AI 捷径。

这篇论文提出了一个非常实际的问题：在构建这些 AI 捷径时，我们应该将设计成让不同的物理力量作为并行工作的独立团队，还是作为一个统一的大型团队共同协作？

研究人员使用一种叫做 DeepONet 的 AI 类型，测试了两种主要的架构风格：

“单分支”团队（统一小队）： 想象一个单一的工作小组，他们所有人都会同时观察整个全局图景。他们共享一个共同的笔记本（共享“潜空间”），在那里记录下他们看到的一切。他们同时讨论热量、电力和应力，理解其中一个如何影响另一个。
“多分支”团队（专业化部门）： 想象两个独立的团队。一个团队只关注热量，另一个团队只关注电力。他们在隔离状态下工作，各自撰写报告，直到最后阶段才把他们的报告拼凑在一起以查看最终结果。

实验：三个不同的谜题

研究人员测试了这两种方法在三种不同场景下的表现，以观察哪种“团队结构”效果最好。

1. 简单谜题（反应扩散）

场景： 单一物理过程（如化学物质在水中扩散），具有两个不同的输入变量（一个源项和一个反应速率）。
结果： 多分支团队胜出。由于输入变量是相互独立的（一个并不真正改变另一个），拥有专注于单一目标的专业专家使他们能够更加精确。这就像在造车时，需要一个发动机专家和一个轮胎专家；他们不需要过多交流就能出色完成工作。

2. 交织谜题（电-热耦合）

场景： 电流流经导线产生热量，而热量又改变了电流的流动方式。它们被锁在了一场舞会中，你无法将它们分离。
结果： 单分支团队完胜。多分支团队表现挣扎，因为当他们试图合并各自的报告时，已经错过了热量与电力之间实时相互影响的微妙之处。多分支团队的误差巨大（在某些情况下超过 15%），而单分支团队几乎完美（低于 1%）。统一小队从一开始就共享共同的理解，完美捕捉到了这些相互作用。

3. 重体力活谜题（钢材凝固）

场景： 熔融钢材正在冷却。随着冷却，它会收缩并产生应力。温度决定了应力，而应力又改变了温度。这是一个高度复杂的、“路径依赖”的系统（冷却的过程对结果至关重要）。
结果： 同样，单分支团队是明显的赢家。钢材的行为耦合得如此紧密，以至于将“温度团队”与“应力团队”分开会导致显著误差。统一小队通过同时学习热量与应力之间的关系，更准确地预测了应力水平。

核心结论

该论文的主要发现是一个用于设计此类 AI 模型的经验法则：让 AI 的结构与物理特性相匹配。

如果物理过程是“解耦的”（相互独立）： 使用多分支网络。让专家各司其职。
如果物理过程是“耦合的”（紧密交织）： 使用单分支网络。迫使 AI 从一开始就学习各种力量之间的联系，就像传统工程中的单体（一体化）求解器一样。

速度红利

除了准确性之外，论文还强调了巨大的速度优势。一旦这些 AI 模型经过训练，它们预测这些复杂系统行为的速度比传统的重型计算机模拟快 18,000 倍。

传统求解器： 解决一个场景大约需要 5.5 分钟。
AI 代理模型： 仅需 0.02 秒。

这意味着曾经需要数小时或数天才能完成的任务，现在可以在毫秒内完成，为制造业和能源系统中的实时监测与控制打开了大门。

总结类比

把这想象成烹饪一锅复杂的炖菜。

如果你是在做一份西拉（沙拉），番茄的变化不会影响生菜，那么你可以让一个人切番茄，另一个人切生菜，最后再混合在一起（多分支）。
但如果你在做一锅炖菜，肉的变化会改变汤的味道，而汤的变化又会影响肉的熟度，那么你需要一位厨师不断地品尝、调整并搅拌所有食材（单分支）。如果你试图把肉和汤分开处理最后再混合，这锅炖菜的味道就会出错。

这篇论文证明了，对于“炖菜”（紧密耦合的物理过程），单厨师模式不仅更好，而且是获得正确结果的必要条件。

技术摘要：DeepONet 与 S-DeepONet 中的单分支与多分支对比

问题陈述

实时预测复杂的物理系统需要能够从数据中学习并准确表示强多物理场耦合的代理模型。虽然深度算子网络（DeepONets）在单物理问题中已取得成功，但其在捕捉紧密耦合系统（如热-力或电-热耦合）中非线性相互作用方面的有效性仍有待深入研究。目前存在一个关键的研究空白，即神经网络算子的架构是否应当反映其旨在建模的系统的物理耦合强度。具体而言，尚不清楚单分支网络（共享潜在表示）与多分支网络（独立编码输入并在后期进行融合）在不同耦合机制下哪种更具优势。

研究方法

作者通过系统性的拓扑消融研究，对比了在两种算子家族中的单分支与多分支（MIONet 风格）设计：经典的前馈 DeepONet 以及序列化的 S-DeepONet（后者利用门控循环单元 GRU 来处理路径依赖型输入）。

该研究在三个具有递增物理复杂性的代表性基准问题上评估了这些架构：

单物理反应扩散： 一个具有异质源项和反应系数的输运主导过程。输入为空间函数 ( $u_0(x), k(x)$ )。
耦合电-热扩散： 一个涉及电传导和热扩散的系统，其中电导率随温度变化且存在焦耳热效应。输入为随时间变化的序列 ( $Q_{ext}(t), \rho_e(t)$ )。测试了耦合（相互依赖的场）和非耦合（独立的场）两种场景。
粘塑性热-力钢材凝固： 一个复杂的连续铸造模型，涉及包含潜热、相变（奥氏体/铁素体）以及粘塑性变形的热传递。输入为随时间变化的热通量和位移历史。分析了耦合和非耦合（固定温度场）两种场景。

架构变体：

单分支 (Single-Branch)： 所有输入函数被拼接在一起，并共同编码进一个共享的潜在空间（对于空间输入使用全连接神经网络 FNN，对于序列输入使用 GRU）。
多分支 (Multi-Branch, MIONet 风格)： 每个输入函数由其各自的分支网络独立编码。分支输出在与 trunk 网络交互前，通过逐元素（Hadamard）积进行合并。

性能通过单物理及耦合电-热情况下的相对 $L_2$ 误差，以及热-力情况下的平均绝对误差（MAE，以避免在零应力区域附近的数值不稳定）进行量化。此外，还通过添加高斯噪声测试了模型的鲁棒性。

关键结果

研究揭示了一个明显的依赖于机制（regime-dependent）的性能趋势：

紧密耦合系统： 在强耦合多物理场问题（电-热及热-力）中，单分支网络始终优于多分支变体。
- 电-热耦合： 在耦合机制下，单分支 S-DeepONet 实现了显著更低的误差（例如，电势的误差约为 0.76% vs. 约 4.23%）。多分支模型表现出长尾误差分布，尤其是在电势方面。
- 热-力耦合： 单分支模型的应力 MAE 为 0.12 MPa，而双分支模型为 0.219 MPa。它能更好地保留对失效预测至关重要的峰值拉应力和应力反转。
- 原理分析： 单分支架构鼓励共享潜在表示，允许网络在编码过程的早期阶段学习交叉项和非线性场间依赖关系，这类似于经典数值分析中的单体求解器（monolithic solvers）。
解耦或单物理系统： 在单物理或非耦合多物理场场景下，多分支设计表现更优或性能相当。
- 在反应扩散基准测试（单物理）中，多分支 MIONet 变体的误差（2.55%）低于单分支（3.40%）。
- 在非耦合电-热和热-力测试中，多分支模型显示出略微的精度优势或同等的性能，受益于针对独立输入的模态特定编码器。
计算效率：
- 训练： 单分支模型通常需要更少的训练参数和更短的训练时间（例如，在热-力案例中为 1.4 小时 vs. 2.8 小时）。
- 推理： 训练完成后，所有模型均可在毫秒级内提供全场预测。训练好的 S-DeepONet 模型相比于在 HPC 系统上运行的高保真有限元分析（FEA）求解器，实现了约 $1.8 \times 10^4$ 倍 的加速。
鲁棒性： 在存在噪声输入（3–15% 加性高斯噪声）的情况下，上述趋势依然成立：单分支模型在耦合物理下表现出更强的鲁棒性，而多分支模型在非耦合情况下表现更好。

意义与主张

本文主张，神经网络算子的架构选择应由目标系统的物理耦合强度来引导：

对于强耦合系统： 单分支设计是首选架构。它们模仿单体求解器的行为，通过共享全局系统传播多物理场相互作用，从而比分解式（多分支）方法更有效地捕捉内在的交叉耦合项。
对于解耦系统： 多分支设计因其模块化特性和无需过度参数共享即可编码模态特定先验的能力而保持优势。

作者强调，这些发现是针对 DeepONet 和 S-DeepONet 拓扑结构的经验性观察。他们并未声称这些结论具有普适性，无法推广到其他算子家族（如傅里叶神经算子 FNO 或基于注意力机制的架构），并指出跨家族的评估仍是一个开放性问题。

最终，这项工作证明了将神经网络算子架构与底层物理对齐，能够为复杂的多物理场系统创建可扩展的实时代理模型，从而克服传统高保真求解器的计算瓶颈。