Deep Operator Network یا به طور اختصار DeepONet یک معماری شبکه عصبی نوین است که برای یادگیری اپراتورهای ریاضی پیچیده طراحی شده است. این شبکه ها به جای یادگیری نگاشت بین ورودی و خروجیهای عددی، روابط بین توابع یا اپراتورها را مدل میکنند. DeepONetها قادرند اپراتورهای دیفرانسیل، انتگرال، و سایر اپراتورهای پیچیده را به صورت تقریبی یاد بگیرند. این قابلیت، DeepONetها را به ابزاری قدرتمند برای حل انواع معادلات دیفرانسیل جزئی حاکم بر مسائل فیزیکی تبدیل کرده است. DeepONetها انعطافپذیری بالایی دارند و قادرند تقریبهای بسیار دقیقی با مجموعه دادههای نسبتاً کوچک به دست آورند. این موضوع باعث شده است که این شبکه ها بتوانند سیستمهای پیچیده را که حل آنها با روشهای سنتی نظر محاسباتی پرهزینه یا غیرممکن باشند را مدلسازی نمایند و معمولاً سریعتر از روشهای سنتی برای حل معادلات دیفرانسیل جواب دهند.
در این دوره آموزشی به شکل گام به گام تشریح می گردد که چگونه می توان یک DeepONet را پیاده سازی نمود و از آن برای حل انواع سیستم های فیزیکی فرمول بندی شده با انواع PDE استفاده نمود.