DeepONet算子学习 — 故障排除指南
更完整的内容请见 deeponet.html。
故障排除
总结DeepONet算子学习中的常见问题和解决方法。
1. 模型过拟合
请告诉我关于"模型过拟合"的内容！
症状: 训练误差较小，但验证误差较大。训练数据的过度拟合问题。
对策: 添加正则化（L2、Dropout）、数据增强、通过交叉验证进行超参数调整。引入提前停止(Early Stopping)。
等等等等，算子学习中常见意味着，这样的情况下也能使用吗？
2. 预测精度不足
接下来是预测精度不足的内容吧。具体是什么呢？
症状: 在验证数据上的精度保持在R²<0.9，实际预测困难。
对策: 重新审视特征工程、增加样本数量、逐步提高模型复杂度、应用集成方法。
3. 学习的不稳定性
请告诉我关于"学习的不稳定性"的内容！
症状: 损失函数波动或发散，无法收敛。
对策: 降低学习率或引入调度器、添加批量标准化、应用梯度裁剪。
4. 计算资源不足
请告诉我关于"计算资源不足"的内容！
症状: GPU内存不足(OOM)错误或训练时间超期。
对策: 减小批次大小、混合精度学习(FP16)、模型并行化、引入梯度检查点。
5. 数据相关的问题
请告诉我关于"数据相关的问题"的内容！
症状: 由于训练数据不足、偏差、噪声导致模型性能下降。
对策: 数据增强(利用物理对称性)、主动学习以高效收集数据、应用鲁棒学习方法。构建异常值检测和移除的管道。
1. 学习不收敛
学习不收敛，具体是什么意思？
症状: 损失函数持续振荡，或变为NaN/Inf
可能的原因:
- 学习率过高
- 数据标准化不当
- 网络过深（梯度消失/爆炸）
对策:
- 将学习率降低到1/10后重试
- 确认输入输出的标准化（平均值为0、方差为1）
- 引入梯度裁剪:
torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) - 添加批量标准化/层标准化
2. 过拟合（训练误差低但验证误差高）
请告诉我关于"过拟合"的内容！
症状: 对训练数据的预测良好，但在未知数据上的精度较低
对策:
- 添加Dropout层（比率: 0.1-0.5）
- 增加训练数据（追加模拟、数据增强）
- 降低模型复杂度（减少层数和神经元数）
- 严格化提前停止(Early Stopping)
3. 物理上不现实的预测
物理上不现实的预测，具体是什么意思？
症状: 负浓度、能量不守恒等非物理输出
原来如此……算子学习乍一看很简单，但实际上非常深奥呢。
对策:
- 向损失函数添加物理约束（PINN式方法）
- 向输出层添加激活函数（用ReLU实现非负约束等）
- 通过后处理应用物理修正
原来如此……算子学习乍一看很简单，但实际上非常深奥呢。
系统的调试步骤
老师，您在DeepONet算子学习的调试中也有过通宵的经历吗？（笑）
步骤1: 问题的划分
步骤，具体是什么意思？
1. 完整记录错误消息（保存日志文件）
2. 创建最小再现用例（简化形状和条件）
3. 用已知基准问题验证功能
4. 用前一个版本验证功能（软件存在错误的可能性）
步骤2: 输入数据验证
请告诉我关于"步骤"的内容！
老师的讲解太清楚了！ 步骤的困惑消散了。
步骤3: 渐进式复杂化
请告诉我关于"步骤"的内容！
1. 用最小配置（单个单元、简单形状）验证可以获得解
2. 逐步添加载荷/边界条件
3. 逐步引入非线性
4. 确定问题发生的条件
步骤4: 结果合理性确认
接下来是步骤的内容吧。具体是什么呢？
常见问题（FAQ）
"常见问题（FAQ）"听说过，但可能没有完全理解……
Q: 计算无法完成时怎么办？
接下来是计算无法完成时怎么办的内容吧。具体是什么呢？
A: 首先检查内存使用量。内存不足的情况下改用核外求解。CPU负荷较低时需要检查是否存在I/O瓶颈。
Q: 使用不同求解器结果不同时怎么办？
使用不同求解器结果不同时，具体是什么意思？
A: 检查单元类型、积分方案、收敛判定标准的差异。进行同一条件对比时需要留意网格转换的影响。
哇，计算无法完成时怎么办的话题非常有趣！ 请告诉我更多细节。
Q: 网格相关性无法消除时怎么办？
接下来是网格相关性无法消除时怎么办的内容吧。具体是什么呢？
A: 确认应力奇点（缺口、角部）的存在。特异点附近即使网格细分，值也无法收敛→应用子建模或应力线性化。
错误日志的读取方法
老师，您在DeepONet算子学习的调试中也有过通宵的经历吗？（笑）
日志级别分类
日志级别分类，具体是什么意思？
| 级别 | 意义 | 对应 |
|---|---|---|
| INFO | 信息消息 | 通常可以忽略 |
| WARNING | 警告（计算继续） | 确认原因，必要时处理 |
| ERROR | 错误（计算可能继续） | 查明原因并修正 |
| FATAL | 致命错误（计算中断） | 必须修正 |
系统的故障排除方法
请告诉我关于"系统的故障排除方法"的内容！
5W1H分析: 整理何时（When）、何地（Where）、何事（What）、为何（Why）、谁（Who）、如何（How）发生错误的情报。
二分查找法: 从正常运作的最小用例出发，逐步添加条件，确定问题位置。每个步骤只做一个改动，切实划分原因。
原来如此……日志级别分类乍一看很简单，但实际上非常深奥呢。
联系技术支持时的准备
联系技术支持时的准备，具体是什么意思？
哇哇，DeepONet算子学习真的很深奥呢……但有了老师的讲解，基本上理清楚了！
很好，势头很好！实际动手尝试是最好的学习方式。有不理解的地方随时来问。
DeepONet"学习数据很多但精度无法提高"——算子的非连续性可能是原因
在DeepONet的训练中，即使增加学习数据，精度也无法提高的情况往往源于学习对象的算子包含非连续性（激波、相变界面等）。DeepONet的理论保证基于解的光滑性，因此对非连续函数空间的近似有本质的限制。作为对策，已有研究提出了"不连续性感知DeepONet"和将定义域分割成光滑区域并对各区分别使用DeepONet的分治方法。
AI×CAE仍是发展中的领域。— Project NovaSolver致力于探索机器学习与传统求解器融合的可能性。
请分享您在DeepONet算子学习实务中遇到的课题
Project NovaSolver的目标是解决CAE工程师面临的日常课题——设置的复杂性、计算成本、结果的可解释性。您的实际经验将成为工具开发的有力推动力。
联系我们（筹备中）相关主题
细节
错误