この研究は、高忠実度データが不足している状況で効率的な時空間フローフィールド予測のための強化された多重忠実度ディープオペレータネットワーク（DeepONet）フレームワークを提示します。主なイノベーションとしては、従来の点乗演算に代わるマージネットワーク（merge network）を通じて予測誤差を50.4％減少させ、精度を7.57％向上させながらトレーニング時間を96％短縮した点、事前訓練された低忠実度ネットワークを固定し、マージネットワークのみ学習可能にする、転移学習ベースのマルチ忠実度アプローチにより、 43.7％の高精度を達成した点、そして時間的ダイナミクスに基づいて高忠実度トレーニングポイントを戦略的に選択する物理ベースのサブサンプリング方法により、高忠実度サンプル要件を40％削減しながら同様の精度を維持した点などがあります。さまざまな解像度とデータセットの包括的な実験は、提案されたフレームワークが予測精度を維持しながら、必要な高忠実度データセットのサイズを大幅に削減できることを示しており、従来の基準モデルよりも一貫して優れた性能を示します。
