本研究提出了一种ELM-DeepONets方法，通过极限学习机实现无反向传播的深度算子网络训练，显著降低了计算复杂度。实验结果表明，该方法在保持高精度的同时，减少了计算成本，为算子学习提供了高效的替代方案。

该研究提出了Point-DeepONet，一种结合PointNet的深度算子网络，旨在解决现有模型在复杂非参数三维几何和载荷条件下的预测不足。该方法通过处理非参数点云和符号距离函数，实现了对位移和von Mises应力场的高效预测，速度比传统方法快约400倍，具有优化设计和工程决策的潜力。

本研究探讨了物理信息深度算子网络（DeepONets）的学习内容，评估了基函数的普遍性及其降维潜力。结果表明，通过奇异值和扩展系数衰减来衡量性能，并提出了跨参数和偏微分方程的迁移学习方法，以降低训练误差并提高基函数的有效性。

该研究探讨了深度学习在控制随机微分方程中的应用，提出了一种基于深度算子网络和物理知识学习的算法，旨在解决高维随机控制问题。研究表明，KAN-ODE在建模灵活性、训练速度和准确性方面优于传统方法，具有广泛的科学应用潜力。

该研究提出了一种使用神经算子对磁滞建模的方法，解决了常规神经网络方法难以推广至新输入磁场的问题。通过深度算子网络和傅里叶神经算子预测新一阶反向曲线和次环，并提出了无速率相关的傅里叶神经算子用于预测材料响应。数值实验证明，神经算子能高效建模磁滞，优于传统循环神经网络方法，并能推广至新的磁场条件，强调了神经算子在表征基于磁性材料的器件中的重要性。