diff --git a/docs/zh/examples/earthformer.md b/docs/zh/examples/earthformer.md
index 7db3f3b63..6a17ee38a 100644
--- a/docs/zh/examples/earthformer.md
+++ b/docs/zh/examples/earthformer.md
@@ -10,9 +10,9 @@
 === "模型训练命令"
 
     ``` sh
-    # ICAR-ENSO 数据预训练模型
+    # ICAR-ENSO 数据模型训练
     python examples/earthformer/earthformer_enso_train.py
-    # SEVIR 数据集预训练模型
+    # SEVIR 数据模型训练
     python examples/earthformer/earthformer_sevir_train.py
 
     ```
@@ -74,7 +74,7 @@ EarthFormer 原代码中训练了 ICAR-ENSO 数据集中海面温度 (sst) 和 S
 
 ### 2.1 ICAR-ENSO 和 SEVIR 模型的训练、推理过程
 
-模型预训练阶段是基于随机初始化的网络权重对模型进行训练，如下图所示，其中 $[x_{i}]_{i=1}^{T}$ 表示长度为 $T$ 时空序列的输入气象数据，$[y_{i}]_{i=1}^{K}$ 表示预测未来 $K$ 步的气象数据，$[y_{i_True}]_{i=1}^{K}$ 表示未来 $K$ 步的真实数据，如海面温度数据和云总降水量数据。最后网络模型预测的输出和真值计算 mse 损失函数。
+模型预训练阶段是基于随机初始化的网络权重对模型进行训练，如下图所示，其中 $[x_{i}]_{i=1}^{T}$ 表示长度为 $T$ 时空序列的输入气象数据，$[y_{T+i}]_{i=1}^{K}$ 表示预测未来 $K$ 步的气象数据，$[y_{T+i_true}]_{i=1}^{K}$ 表示未来 $K$ 步的真实数据，如海面温度数据和云总降水量数据。最后网络模型预测的输出和真值计算 mse 损失函数。
 
 <figure markdown>
   ![earthformer-pretraining](https://paddle-org.bj.bcebos.com/paddlescience/docs/earthformer/earthformer-pretrain.png){ loading=lazy style="margin:0 auto;height:70%;width:70%"}
diff --git a/docs/zh/examples/neuraloperator.md b/docs/zh/examples/neuraloperator.md
new file mode 100644
index 000000000..6fcffd434
--- /dev/null
+++ b/docs/zh/examples/neuraloperator.md
@@ -0,0 +1,673 @@
+# neuraloperator
+
+=== "模型训练命令"
+
+    ``` sh
+    # darcy-flow 数据集下载
+    # linux
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_train_16.npy -P ./datasets/darcyflow/
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_test_32.npy -P ./datasets/darcyflow/
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_test_16.npy -P ./datasets/darcyflow/
+    # windows
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_train_16.npy -o ./datasets/darcyflow/darcy_train_16.npy
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_test_32.npy -o ./datasets/darcyflow/darcy_test_32.npy
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_test_16.npy -o ./datasets/darcyflow/darcy_test_16.npy
+    # tfno 模型训练
+    python train_tfno.py
+    # uno 模型训练
+    python train_uno.py
+
+    # SWE 数据集下载
+    # linux
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/train_SWE_32x64.npy -P ./datasets/SWE/
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/test_SWE_64x128.npy -P ./datasets/SWE/
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/test_SWE_32x64.npy -P ./datasets/SWE/
+    # windows
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/train_SWE_32x64.npy -o ./datasets/SWE/train_SWE_32x64.npy
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/test_SWE_64x128.npy -o ./datasets/SWE/test_SWE_64x128.npy
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/test_SWE_32x64.npy -o ./datasets/SWE/test_SWE_32x64.npy
+
+    # sfno 模型训练
+    python train_sfno.py
+    ```
+
+=== "模型评估命令"
+
+    ``` sh
+    # darcy-flow 数据集下载
+    # linux
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_train_16.npy -P ./datasets/darcyflow/
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_test_32.npy -P ./datasets/darcyflow/
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_test_16.npy -P ./datasets/darcyflow/
+    # windows
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_train_16.npy -o ./datasets/darcyflow/darcy_train_16.npy
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_test_32.npy -o ./datasets/darcyflow/darcy_test_32.npy
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/darcy_flow/darcy_test_16.npy -o ./datasets/darcyflow/darcy_test_16.npy
+    # tfno 模型评估
+    python train_tfno.py mode=eval EVAL.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/neuraloperator/neuraloperator_tfno.pdparams
+    # uno 模型评估
+    python train_uno.py mode=eval EVAL.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/neuraloperator/neuraloperator_uno.pdparams
+
+    # SWE 数据集下载
+    # linux
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/train_SWE_32x64.npy -P ./datasets/SWE/
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/test_SWE_64x128.npy -P ./datasets/SWE/
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/test_SWE_32x64.npy -P ./datasets/SWE/
+    # windows
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/train_SWE_32x64.npy -o ./datasets/SWE/train_SWE_32x64.npy
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/test_SWE_64x128.npy -o ./datasets/SWE/test_SWE_64x128.npy
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/neuraloperator/SWE_data/test_SWE_32x64.npy -o ./datasets/SWE/test_SWE_32x64.npy
+    # sfno 模型评估
+    python train_sfno.py mode=eval EVAL.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/neuraloperator/neuraloperator_sfno.pdparams
+    ```
+
+=== "模型导出命令"
+
+    ``` sh
+    # tfno 模型导出
+    python train_tfno.py mode=export INFER.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/neuraloperator/neuraloperator_tfno.pdparams
+    # uno 模型导出
+    python train_uno.py mode=export INFER.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/neuraloperator/neuraloperator_uno.pdparams
+    # sfno 模型导出
+    python train_sfno.py mode=export INFER.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/neuraloperator/neuraloperator_sfno.pdparams
+    ```
+
+=== "模型推理命令"
+
+    ``` sh
+    # tfno 模型推理
+    python train_tfno.py mode=infer
+    # uno 模型推理
+    python train_uno.py mode=infer
+    # sfno 模型推理
+    python train_sfno.py mode=infer
+    ```
+| 模型 | 16_h1 | 16_l2 | 32_h1 | 32_l2 |
+| :-- | :-- | :-- | :-- | :-- |
+| [tfno 模型](https://paddle-org.bj.bcebos.com/paddlescience/models/neuraloperator/neuraloperator_tfno.pdparams) | 0.13113 | 0.08514 | 0.30353 | 0.12408
+
+| 模型 | 16_h1 | 16_l2 | 32_h1 | 32_l2 |
+| :-- | :-- | :-- | :-- | :-- |
+| [uno 模型](https://paddle-org.bj.bcebos.com/paddlescience/models/neuraloperator/neuraloperator_uno.pdparams) | 0.18360 | 0.11040 | 0.74840 | 0.60193
+
+| 模型 | 32x64_l2 | 64x128_l2 |
+| :-- | :-- | :-- |
+| [sfno 模型](https://paddle-org.bj.bcebos.com/paddlescience/models/neuraloperator/neuraloperator_sfno.pdparams) | 1.01075 | 2.33481 |
+
+## 1. 背景简介
+许多科学和工程问题，如分子动力学、微力学和湍流流动，都需要反复求解复杂的偏微分方程（PDE）系统，以便获取某些参数的不同值。为了准确捕捉所模拟的现象，这些系统通常需要进行精细的离散化。然而，这也导致了传统数值求解器运行缓慢，有时甚至效率低下。在这种情况下，机器学习方法有望通过提供快速求解器来革新科学领域，这些求解器能够近似或增强传统方法。但值得注意的是，经典神经网络是在有限维空间之间进行映射，因此它们只能学习与特定离散化相关的解决方案，这在实际应用中是一个限制。为了克服这一限制，最近的一项新研究提出了使用神经网络来学习无网格、无限维的算子。这种神经算子通过生成一组用于不同离散化且与网格无关的参数，解决了有限维算子方法中的网格依赖性问题。该研究通过直接在傅里叶空间中参数化积分核，制定了一个新的神经算子，从而创建了一个富有表现力和高效的架构。论文中对 Burgers 方程、Darcy 流和 Navier-Stokes 方程进行了实验验证。值得一提的是，傅里叶神经算子作为首个基于机器学习的方法，成功地以零样本超分辨率模拟了湍流，其速度比传统PDE求解器快达三个数量级。
+## 2. 模型原理
+本章节仅对 NeuralOperator 的模型原理进行简单地介绍，详细的理论推导请阅读[Fourier Neural Operator for Parametric Partial Differential Equations](https://arxiv.org/abs/2010.08895)。
+NeuralOperator 引入了傅里叶神经算子 (Fourier neural operator)，这是一种新颖的深度学习架构，能够学习函数之间无限维空间的映射；积分算子被限制为卷积，并通过傅里叶域中的线性变换实例化。傅里叶神经算子是第一个学习湍流状态下 Navier-Stokes 方程族的分辨率不变解算子的工作，其中以前基于图形的神经算子不收敛。该方法共享相同的学习网络参数，而不考虑输入和输出空间上使用的离散化。
+
+
+模型的总体结构如图所示：
+
+<figure markdown>
+  ![NeuralOperator-arch](https://paddle-org.bj.bcebos.com/paddlescience/docs/neuraloperator/NeuralOperator-arch.png){ loading=lazy style="margin:0 auto"}
+  <figcaption>NeuralOperator 网络模型</figcaption>
+</figure>
+
+NeuralOperator 论文中使用 TFNO 和 UNO 模型训练 Darcy-Flow  数据集，并进行验证和推理；使用 SFNO 模型训练 Spherical Shallow Water(SWE) 数据集，并进行验证和推理。接下来分别进行介绍。
+
+### 2.1 模型训练、推理过程
+
+模型预训练阶段是基于随机初始化的网络权重对模型进行训练，如下图所示，其中 $X_{[w,h]}$ 表示大小为 $w*h$ 的二维偏微分数据，$Y_{[w,h]}$ 表示预测的大小为 $w*h$ 的二维偏微分方程数值解，$Y_{true[w,h]}$ 表示真实二维偏微分方程数值解。最后网络模型预测的输出和真值计算 LpLoss 或者 H1 损失函数。
+
+<figure markdown>
+  ![FNO-pretraining](https://paddle-org.bj.bcebos.com/paddlescience/docs/neuraloperator/FNO-pretraining.png){ loading=lazy style="margin:0 auto;height:70%;width:70%"}
+  <figcaption>FNO 模型预训练</figcaption>
+</figure>
+
+在推理阶段，给定大小为 $w*h$ 的二维偏微分数据，预测得到大小为 $w*h$ 的二维偏微分方程数值解。
+
+<figure markdown>
+  ![FNO-infer](https://paddle-org.bj.bcebos.com/paddlescience/docs/neuraloperator/FNO-infer.png){ loading=lazy style="margin:0 auto;height:60%;width:60%"}
+  <figcaption>FNO 模型推理</figcaption>
+</figure>
+
+## 3. TFNO 模型训练 darcy-flow 实现
+
+接下来开始讲解如何基于 PaddleScience 代码，实现 TFNO 模型对 darcy-flow 数据的训练与推理。关于该案例中的其余细节请参考 [API文档](../api/arch.md)。
+
+### 3.1 数据集介绍<a id="3.1"></a>
+
+使用 二维达西流 (darcy-flow) 数据集，这个问题的偏微分方程为：
+
+$-\nabla\cdot (k(x)\nabla u(x))=f(x),x\in D$
+
+其中，x 是位置，u(x) 是流体的压力，k(x) 是渗透率场，f(x) 是压力的函数。达西流问题可以被用来描述多孔介质的流动、弹性材料和热传导。在这里，我们定义了一个二维的平面区域 $D=[0,1]×[0,1]$，我们希望得到一个模型，可以在给定 k 渗透率场的情况下，估算出 u 流体压力。
+
+**训练数据和测试数据：**
+
+数据集包括 1000 条 16x16 分辨率大小的训练数据；50 条 32x32 和 50 条 32x32 分辨率大小的测试数据。数据格式采用 NPY 格式保存。
+
+### 3.2 模型预训练
+
+#### 3.2.1 约束构建
+
+本案例基于数据驱动的方法求解问题，因此需要使用 PaddleScience 内置的 `SupervisedConstraint` 构建监督约束。在定义约束之前，需要首先指定监督约束中用于数据加载的各个参数。
+
+数据加载的代码如下:
+
+``` py linenums="12" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:12:35
+--8<--
+```
+
+其中，"dataset" 字段定义了使用的 `Dataset` 类名为 `DarcyFlowDataset`，"sampler" 字段定义了使用的 `Sampler` 类名为 `BatchSampler`，设置的 `batch_size` 为 16，`num_works` 为 0。
+
+定义监督约束的代码如下：
+
+``` py linenums="37" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:37:51
+--8<--
+```
+
+`SupervisedConstraint` 的第一个参数是数据的加载方式，这里使用上文中定义的 `train_dataloader_cfg`；
+
+第二个参数是损失函数的定义，这里使用自定义的损失函数 `h1`；
+
+第三个参数是约束条件的名字，方便后续对其索引。此处命名为 `Sup`。
+
+#### 3.2.2 模型构建
+
+在该案例中，darcy-flow 基于 TFNO 网络模型实现，用 PaddleScience 代码表示如下：
+
+``` py linenums="131" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:131:133
+--8<--
+```
+
+网络模型的参数通过配置文件进行设置如下：
+
+``` yaml linenums="46" title="examples/neuraloperator/conf/tfno_darcyflow_pretrain.yaml"
+--8<--
+examples/neuraloperator/conf/tfno_darcyflow_pretrain.yaml:46:75
+--8<--
+```
+
+其中，`input_keys` 和 `output_keys` 分别代表网络模型输入、输出变量的名称。
+
+#### 3.2.3 学习率与优化器构建
+
+本案例中使用的学习率方法为 `StepDecay`，学习率大小设置为 `5e-3`。优化器使用 `Adam`,用 PaddleScience 代码表示如下：
+
+``` py linenums="134" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:134:157
+--8<--
+```
+
+#### 3.2.4 评估器构建
+
+本案例训练过程中会按照一定的训练轮数间隔，使用验证集评估当前模型的训练情况，需要使用 `SupervisedValidator` 构建评估器。代码如下：
+
+``` py linenums="55" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:55:129
+--8<--
+```
+
+`SupervisedValidator` 评估器与 `SupervisedConstraint` 比较相似，不同的是评估器需要设置评价指标 `metric`，在这里使用了自定义的评价指标分别是 `hlLoss` 和 `LpLoss`。
+
+#### 3.2.5 模型训练与评估
+
+完成上述设置之后，只需要将上述实例化的对象按顺序传递给 `ppsci.solver.Solver`，然后启动训练、评估。
+
+``` py linenums="159" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:159:178
+--8<--
+```
+
+### 3.3 模型评估可视化
+
+#### 3.3.1 测试集上评估模型
+
+构建模型的代码为：
+
+``` py linenums="265" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:265:267
+--8<--
+```
+
+构建评估器的代码为：
+
+``` py linenums="182" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:182:263
+--8<--
+```
+
+#### 3.3.2 模型导出
+
+构建模型的代码为：
+
+``` py linenums="285" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:285:288
+--8<--
+```
+
+实例化 `ppsci.solver.Solver`：
+
+``` py linenums="290" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:290:294
+--8<--
+```
+
+构建模型输入格式并导出静态模型：
+
+``` py linenums="295" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:295:304
+--8<--
+```
+
+`InputSpec` 函数中第一个设置模型输入尺寸，第二个参数设置输入数据类型，第三个设置输入数据的 `Key`.
+
+#### 3.3.3 模型推理
+
+创建预测器:
+
+``` py linenums="309" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:309:311
+--8<--
+```
+
+准备预测数据：
+
+``` py linenums="313" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:313:316
+--8<--
+```
+
+进行模型预测与预测值显示:
+
+``` py linenums="318" title="examples/neuraloperator/train_tfno.py"
+--8<--
+examples/neuraloperator/train_tfno.py:318:341
+--8<--
+```
+
+## 4. UNO 模型训练 darcy-flow 实现
+
+### 4.1 数据集介绍
+
+数据集同 [3.1 节](#3.1)。
+
+### 4.2 模型预训练
+
+#### 4.2.1 约束构建
+
+本案例基于数据驱动的方法求解问题，因此需要使用 PaddleScience 内置的 `SupervisedConstraint` 构建监督约束。在定义约束之前，需要首先指定监督约束中用于数据加载的各个参数。
+
+数据加载的代码如下:
+
+``` py linenums="12" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:12:35
+--8<--
+```
+
+其中，"dataset" 字段定义了使用的 `Dataset` 类名为 `DarcyFlowDataset`，"sampler" 字段定义了使用的 `Sampler` 类名为 `BatchSampler`，设置的 `batch_size` 为 16，`num_works` 为 0。
+
+定义监督约束的代码如下：
+
+``` py linenums="37" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:37:51
+--8<--
+```
+
+`SupervisedConstraint` 的第一个参数是数据的加载方式，这里使用上文中定义的 `train_dataloader_cfg`；
+
+第二个参数是损失函数的定义，这里使用自定义的损失函数 `h1`；
+
+第三个参数是约束条件的名字，方便后续对其索引。此处命名为 `Sup`。
+
+#### 4.2.2 模型构建
+
+在该案例中，darcy-flow 基于 UNO 网络模型实现，用 PaddleScience 代码表示如下：
+
+``` py linenums="131" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:131:133
+--8<--
+```
+
+网络模型的参数通过配置文件进行设置如下：
+
+``` yaml linenums="46" title="examples/neuraloperator/conf/uno_darcyflow_pretrain.yaml"
+--8<--
+examples/neuraloperator/conf/uno_darcyflow_pretrain.yaml:46:79
+--8<--
+```
+
+其中，`input_keys` 和 `output_keys` 分别代表网络模型输入、输出变量的名称。
+
+#### 4.2.3 学习率与优化器构建
+
+本案例中使用的学习率方法为 `StepDecay`，学习率大小设置为 `5e-3`。优化器使用 `Adam`,用 PaddleScience 代码表示如下：
+
+``` py linenums="134" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:134:157
+--8<--
+```
+
+#### 4.2.4 评估器构建
+
+本案例训练过程中会按照一定的训练轮数间隔，使用验证集评估当前模型的训练情况，需要使用 `SupervisedValidator` 构建评估器。代码如下：
+
+``` py linenums="55" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:55:129
+--8<--
+```
+
+`SupervisedValidator` 评估器与 `SupervisedConstraint` 比较相似，不同的是评估器需要设置评价指标 `metric`，在这里使用了自定义的评价指标分别是 `hlLoss` 和 `LpLoss`。
+
+#### 4.2.5 模型训练与评估
+
+完成上述设置之后，只需要将上述实例化的对象按顺序传递给 `ppsci.solver.Solver`，然后启动训练、评估。
+
+``` py linenums="159" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:159:178
+--8<--
+```
+
+### 4.3 模型评估可视化
+
+#### 4.3.1 测试集上评估模型
+
+构建模型的代码为：
+
+``` py linenums="265" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:265:267
+--8<--
+```
+
+构建评估器的代码为：
+
+``` py linenums="182" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:182:263
+--8<--
+```
+
+#### 4.3.2 模型导出
+
+构建模型的代码为：
+
+``` py linenums="285" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:285:288
+--8<--
+```
+
+实例化 `ppsci.solver.Solver`：
+
+``` py linenums="290" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:290:294
+--8<--
+```
+
+构建模型输入格式并导出静态模型：
+
+``` py linenums="295" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:295:304
+--8<--
+```
+
+`InputSpec` 函数中第一个设置模型输入尺寸，第二个参数设置输入数据类型，第三个设置输入数据的 `Key`.
+
+#### 4.3.3 模型推理
+
+创建预测器:
+
+``` py linenums="309" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:309:311
+--8<--
+```
+
+准备预测数据：
+
+``` py linenums="313" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:313:316
+--8<--
+```
+
+进行模型预测与预测值显示:
+
+``` py linenums="318" title="examples/neuraloperator/train_uno.py"
+--8<--
+examples/neuraloperator/train_uno.py:318:341
+--8<--
+```
+
+## 5. SFNO 模型训练 spherical Shallow Water equations(SWE) 实现
+
+### 5.1 数据集介绍
+
+球面浅水方程（Spherical Shallow Water Equations，简称 SWE）是一组描述在旋转地球表面上的浅水流动的偏微分方程。浅水方程通常用于模拟海洋、湖泊和河流中的流体运动，当流体的垂直尺度远小于其水平尺度时，可以忽略流体的垂直结构，只考虑其水平运动。
+
+球面浅水方程在数学上可以由以下方程组表示：
+
+$\frac{\partial u}{\partial t} +u\cdot \nabla u=-g\nabla h-fu+F$
+
+$\frac{\partial h}{\partial t}+\nabla \cdot (hu)=0$
+
+其中：
+
+𝑢 是水平速度场，通常包含经度和纬度方向的速度分量。
+
+ℎ 是流体高度（或水面高度）相对于参考水平面的位移。
+
+𝑔 是重力加速度。
+
+𝑓 是科里奥利参数，它与地球自转和纬度有关，f=2Ωsinϕ，其中 Ω 是地球自转的角度，𝜙 是纬度。
+
+𝐹 是摩擦力和其他外部力（如风力）的向量。
+
+∇ 是水平梯度算子。
+
+球面浅水方程考虑了地球的球形几何，因此使用的是球面坐标系。在实际应用中，这些方程通常需要进行离散化和数值求解，以便于在计算机上进行模拟。
+
+**训练数据和测试数据：**
+
+数据集包括 200 条 32x64 分辨率大小的训练数据；50 条 32x64 和 50 条 64x128 分辨率大小的测试数据。数据格式采用 NPY 格式保存。
+
+### 5.2 模型预训练
+
+#### 5.2.1 约束构建
+
+本案例基于数据驱动的方法求解问题，因此需要使用 PaddleScience 内置的 `SupervisedConstraint` 构建监督约束。在定义约束之前，需要首先指定监督约束中用于数据加载的各个参数。
+
+数据加载的代码如下:
+
+``` py linenums="12" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:12:30
+--8<--
+```
+
+其中，"dataset" 字段定义了使用的 `Dataset` 类名为 `DarcyFlowDataset`，"sampler" 字段定义了使用的 `Sampler` 类名为 `BatchSampler`，设置的 `batch_size` 为 4，`num_works` 为 0。
+
+定义监督约束的代码如下：
+
+``` py linenums="32" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:32:41
+--8<--
+```
+
+`SupervisedConstraint` 的第一个参数是数据的加载方式，这里使用上文中定义的 `train_dataloader_cfg`；
+
+第二个参数是损失函数的定义，这里使用自定义的损失函数 `Lp`；
+
+第三个参数是约束条件的名字，方便后续对其索引。此处命名为 `Sup`。
+
+#### 5.2.2 模型构建
+
+在该案例中，SWE 基于 SFNO 网络模型实现，用 PaddleScience 代码表示如下：
+
+``` py linenums="104" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:104:106
+--8<--
+```
+
+网络模型的参数通过配置文件进行设置如下：
+
+``` yaml linenums="41" title="examples/neuraloperator/conf/sfno_swe_pretrain.yaml"
+--8<--
+examples/neuraloperator/conf/sfno_swe_pretrain.yaml:41:69
+--8<--
+```
+
+其中，`input_keys` 和 `output_keys` 分别代表网络模型输入、输出变量的名称。
+
+#### 5.2.3 学习率与优化器构建
+
+本案例中使用的学习率方法为 `StepDecay`，学习率大小设置为 `5e-3`。优化器使用 `Adam`,用 PaddleScience 代码表示如下：
+
+``` py linenums="108" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:108:131
+--8<--
+```
+
+#### 5.2.4 评估器构建
+
+本案例训练过程中会按照一定的训练轮数间隔，使用验证集评估当前模型的训练情况，需要使用 `SupervisedValidator` 构建评估器。代码如下：
+
+``` py linenums="45" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:45:102
+--8<--
+```
+
+`SupervisedValidator` 评估器与 `SupervisedConstraint` 比较相似，不同的是评估器需要设置评价指标 `metric`，在这里使用了自定义的评价指标是 `LpLoss`。
+
+#### 5.2.5 模型训练与评估
+
+完成上述设置之后，只需要将上述实例化的对象按顺序传递给 `ppsci.solver.Solver`，然后启动训练、评估。
+
+``` py linenums="133" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:133:152
+--8<--
+```
+
+### 5.3 模型评估可视化
+
+#### 5.3.1 测试集上评估模型
+
+构建模型的代码为：
+
+``` py linenums="217" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:217:219
+--8<--
+```
+
+构建评估器的代码为：
+
+``` py linenums="156" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:156:215
+--8<--
+```
+
+#### 5.3.2 模型导出
+
+构建模型的代码为：
+
+``` py linenums="237" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:237:240
+--8<--
+```
+
+实例化 `ppsci.solver.Solver`：
+
+``` py linenums="242" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:242:246
+--8<--
+```
+
+构建模型输入格式并导出静态模型：
+
+``` py linenums="247" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:247:256
+--8<--
+```
+
+`InputSpec` 函数中第一个设置模型输入尺寸，第二个参数设置输入数据类型，第三个设置输入数据的 `Key`.
+
+#### 5.3.3 模型推理
+
+创建预测器:
+
+``` py linenums="261" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:261:263
+--8<--
+```
+
+准备预测数据：
+
+``` py linenums="265" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:265:267
+--8<--
+```
+
+进行模型预测与预测值显示:
+
+``` py linenums="269" title="examples/neuraloperator/train_sfno.py"
+--8<--
+examples/neuraloperator/train_sfno.py:269:291
+--8<--
+```
+
+## 6. 结果展示
+
+下图展示了 TFNO 对 Darcy-flow 数据的预测结果和真值结果。
+k(x) 的黑色区域就是可以渗透的地方，白色为不可渗透的区域。右侧是目标结果，颜色越亮，压力越大。
+
+<figure markdown>
+  ![TFNO-predict](https://paddle-org.bj.bcebos.com/paddlescience/docs/neuraloperator/TFNO-predict.png){ loading=lazy style="margin:0 auto;height:100%;width:100%"}
+  <figcaption>TFNO 的预测结果（"Model prediction"）与真值结果（"Ground-truth y"）</figcaption>
+</figure>
+
+下图展示了 UNO 对 Darcy-flow 数据的预测结果和真值结果。
+
+<figure markdown>
+  ![UNO-predict](https://paddle-org.bj.bcebos.com/paddlescience/docs/neuraloperator/UNO-predict.png){ loading=lazy style="margin:0 auto;height:100%;width:100%"}
+  <figcaption>UNO 的预测结果（"Model prediction"）与真值结果（"Ground-truth y"）</figcaption>
+</figure>
+
+下图展示了 SFNO 对 SWE 数据的预测结果和真值结果。
+
+<figure markdown>
+  ![SFNO-predict](https://paddle-org.bj.bcebos.com/paddlescience/docs/neuraloperator/SFNO-predict.png){ loading=lazy style="margin:0 auto;height:100%;width:100%"}
+  <figcaption>SFNO的预测结果（"Model prediction"）与真值结果（"Ground-truth y"）</figcaption>
+</figure>
diff --git a/mkdocs.yml b/mkdocs.yml
index 0a7cca46b..7909f08eb 100644
--- a/mkdocs.yml
+++ b/mkdocs.yml
@@ -49,6 +49,7 @@ nav:
         - Volterra_IDE: zh/examples/volterra_ide.md
         - NLSMB: zh/examples/nlsmb.md
         - XPINN: zh/examples/xpinns.md
+        - NeuralOperator: zh/examples/neuraloperator.md
       - 技术科学(AI for Technology):
         - 流体:
           - AMGNet: zh/examples/amgnet.md
diff --git a/ppsci/paddle_harmonics/legendre.py b/ppsci/arch/paddle_harmonics/legendre.py
similarity index 100%
rename from ppsci/paddle_harmonics/legendre.py
rename to ppsci/arch/paddle_harmonics/legendre.py
diff --git a/ppsci/paddle_harmonics/quadrature.py b/ppsci/arch/paddle_harmonics/quadrature.py
similarity index 100%
rename from ppsci/paddle_harmonics/quadrature.py
rename to ppsci/arch/paddle_harmonics/quadrature.py
diff --git a/ppsci/paddle_harmonics/random_fields.py b/ppsci/arch/paddle_harmonics/random_fields.py
similarity index 98%
rename from ppsci/paddle_harmonics/random_fields.py
rename to ppsci/arch/paddle_harmonics/random_fields.py
index 3aaefaa43..8fad28cf2 100644
--- a/ppsci/paddle_harmonics/random_fields.py
+++ b/ppsci/arch/paddle_harmonics/random_fields.py
@@ -35,7 +35,7 @@
 import paddle
 from paddle import nn
 
-from ppsci.paddle_harmonics.sht import InverseRealSHT
+from ppsci.arch.paddle_harmonics.sht import InverseRealSHT
 
 
 class GaussianRandomFieldS2(nn.Layer):
diff --git a/ppsci/paddle_harmonics/sht.py b/ppsci/arch/paddle_harmonics/sht.py
similarity index 97%
rename from ppsci/paddle_harmonics/sht.py
rename to ppsci/arch/paddle_harmonics/sht.py
index b392631d4..d9965b62b 100644
--- a/ppsci/paddle_harmonics/sht.py
+++ b/ppsci/arch/paddle_harmonics/sht.py
@@ -39,11 +39,11 @@
 import paddle.fft
 import paddle.nn as nn
 
-from ppsci.paddle_harmonics.legendre import _precompute_dlegpoly
-from ppsci.paddle_harmonics.legendre import _precompute_legpoly
-from ppsci.paddle_harmonics.quadrature import clenshaw_curtiss_weights
-from ppsci.paddle_harmonics.quadrature import legendre_gauss_weights
-from ppsci.paddle_harmonics.quadrature import lobatto_weights
+from ppsci.arch.paddle_harmonics.legendre import _precompute_dlegpoly
+from ppsci.arch.paddle_harmonics.legendre import _precompute_legpoly
+from ppsci.arch.paddle_harmonics.quadrature import clenshaw_curtiss_weights
+from ppsci.arch.paddle_harmonics.quadrature import legendre_gauss_weights
+from ppsci.arch.paddle_harmonics.quadrature import lobatto_weights
 
 
 class RealSHT(nn.Layer):
diff --git a/ppsci/arch/sfnonet.py b/ppsci/arch/sfnonet.py
index d533ea477..7629ad372 100644
--- a/ppsci/arch/sfnonet.py
+++ b/ppsci/arch/sfnonet.py
@@ -10,7 +10,7 @@
 
 from ppsci.arch import base
 from ppsci.arch import fno_block
-from ppsci.paddle_harmonics import sht as paddle_sht
+from ppsci.arch.paddle_harmonics import sht as paddle_sht
 from ppsci.utils import initializer
 
 einsum_symbols = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ"