Cette étude présente un cadre amélioré de réseau d'opérateurs profonds multi-fidélité (DeepONet) pour une prédiction efficace du champ d'écoulement spatio-temporel dans les situations où les données haute fidélité sont rares. Les principales innovations comprennent : un réseau de fusion remplaçant l'opération traditionnelle de produit scalaire, ce qui réduit l'erreur de prédiction de 50,4 %, améliore la précision de 7,57 % et réduit le temps d'apprentissage de 96 % ; une approche multi-fidélité basée sur l'apprentissage par transfert qui corrige le réseau basse fidélité pré-entraîné et entraîne uniquement le réseau de fusion, ce qui permet d'obtenir des performances jusqu'à 76 % supérieures aux méthodes existantes et une précision supérieure de 43,7 % à celle de l'apprentissage simple fidélité ; et une méthode de sous-échantillonnage basée sur la physique qui sélectionne stratégiquement les points d'apprentissage haute fidélité en fonction de la dynamique temporelle, ce qui réduit l'exigence d'échantillon haute fidélité de 40 % tout en maintenant une précision similaire. Des expériences complètes sur différentes résolutions et ensembles de données démontrent que le cadre proposé peut réduire considérablement la taille requise de l'ensemble de données haute fidélité tout en maintenant la précision de la prédiction, surpassant systématiquement les modèles de base existants.
