Jul 28, 2026 · SpectONet
SpectONet: A Physics-Guided Spectral Deep Operator Network for Euler-Bernoulli Beam Dynamics
SpectONet 是一种物理引导的谱深度算子网络，用于求解欧拉-伯努利梁振动问题。它结合了 DeepONet 的算子学习能力、物理约束和 Chebyshev-Gauss-Lobatto 传感器布局，在三个合成问题和真实桥梁振动数据集上进行了验证。
EVENT STORY
Development
- First ReportSpectONet: A Physics-Guided Spectral Deep Operator Network for Euler-Bernoulli Beam DynamicsarXiv cs.AI
- Current Assessment该工作表明，在工程仿真领域，物理引导的深度学习正从通用 PINN 向更高效的算子网络演进，有望降低高保真结构分析的计算成本。Agent Pulse · analysis
论文提出 SpectONet，一种物理引导的谱深度算子网络，用于求解欧拉-伯努利梁振动问题。该框架将 DeepONet 的算子学习能力与物理约束相结合，并采用 Chebyshev-Gauss-Lobatto 非均匀传感器布局，在边界附近集中更多采样点，以改进边界敏感结构响应的有限维表示。训练目标中加入了梁方程及初始和边界条件，以促进物理一致且可泛化的预测。在三个合成 EBB 振动问题和一个真实桥梁振动数据集上的实验表明，SpectONet 在性能上优于 Vanilla DeepONet、PI-DeepONet、PINN 和 CNN-UNet 等基线。
SpectONet 通过非均匀谱传感器布局（CGL 点）替代传统均匀采样，在有限输入下提升边界附近精度，同时将物理方程作为训练约束，减少对纯数据驱动的依赖。该方法在结构动力学领域展示了算子网络与物理信息融合的潜力。
该工作表明，在工程仿真领域，物理引导的深度学习正从通用 PINN 向更高效的算子网络演进，有望降低高保真结构分析的计算成本。
对于土木工程和航空航天领域，SpectONet 可加速桥梁、飞机等结构的振动分析，减少对昂贵有限元仿真的依赖，但当前仍处于学术验证阶段，距离工程部署尚有距离。
可关注 SpectONet 是否被推广到更复杂的结构动力学问题（如非线性、多物理场），以及是否被集成到商业仿真软件中。