본 논문에서는 작용소 학습(OL) 아키텍처를 통한 비선형 작용소 및 그 도함수의 보편 근사(UA)가 ${C^k_F}$(Fréchet) 콤팩트-오픈 위상 및 Fréchet-Sobolev 노름(즉, 작용소 노름 하에서)에서 성립하지 않음을 보인다. 우리는 보다 자연스러운 약한 위상인 $C^k_B$(Bastiani) 콤팩트-오픈 위상 및 일반적인 유한 입력 측도에 대한 (새로운) 가중 Bastiani-Sobolev 공간에서 UA를 복원함으로써 이러한 난점을 해결한다. 완전한 바나흐 공간(Banach space)의 일반성 하에서, 이는 [Hornik, 1991]의 영향력 있는 고전적 결과를 무한차원 공간 및 OL로 완전히 확장한 최초의 일반화이다. 우리는 자체적인 UAT에 기반하여 DIOL에서 Bastiani-Sobolev 학습(training)을 정식화한다. 이러한 결과는 일반 바나흐 공간에서 도함수 정보 기반 작용소 학습(DIOL)(즉, 비선형 작용소와 그 도함수 학습)의 시초를 연다. 비선형 작용소는 일반 바나흐 공간에서 사용 가능한 고전적 OL 아키텍처인 인코더-디코더 아키텍처를 통해 매개변수화되며, 여기에는 우리 UAT가 다루는 DeepONet, Deep-H-ONet, PCA-Net이 포함된다. 핵심적인 수학적 결과로서, 우리가 제안하는 새로운 가중 Bastiani-Sobolev 공간은 바나흐 공간상의 고전적 가우스(Malliavin) Sobolev 공간을 일반화한다. DIOL과 우리 UAT가 응용될 수 있는 미개척 분야로는 OL에서의 고차 정확도 달성, Learn-Then-Optimize를 통한 바나흐 공간에서의 빠른 제약 최적화(예: 편미분방정식(PDE)의 최적 제어, 역문제), 무한차원 PDE를 위한 수치적 기법(예: PDE, SPDE, 경로 의존 시스템, 부분 관측 시스템, 평균장 제어의 최적 제어 등 Optimize-Then-Learn을 통한 무한차원 최적 제어 기반 바나흐 공간상 HJB PDE) 등이 있다.
최근 신경망의 기저 함수 공간을 특성화하는 데 대한 관심이 커지고 있다. 얕은(shallow) 및 깊은(deep) 스칼라값 신경망은 스칼라값 재생 커널 Banach 공간(RKBS)과 연결되어 왔지만, $\mathbb{R}^d$값 신경망과 신경 연산자(neural operator) 모델은 RKBS 설정에서 덜 이해되고 있다. 이 공백을 메우기 위해, 본질적으로 관련 재생 커널을 포함하는 벡터값 RKBS(vv-RKBS)의 수반 쌍(adjoint pair) 개념을 개발하고, 모든 vv-RKBS가 그러한 쌍에 속함을 증명한다. 우리의 구성은 대칭 커널 정의역, 유한차원 출력 공간, 반사성(reflexivity), 또는 분리성(separability)과 같은 제한적 가정을 피함으로써 기존 커널 정의를 확장하면서, 벡터값 재생 커널 Hilbert 공간(vv-RKHS)의 친숙한 성질을 여전히 회복한다. 그런 다음 얕은 $\mathbb{R}^d$값 신경망이 특정 vv-RKBS, 즉 적분 vv-RKBS(integral vv-RKBS)의 한 사례의 원소임을 보인다. 신경 연산자의 함수적 구조도 탐구하기 위해 DeepONet과 Hypernetwork 아키텍처를 분석하고, 이들 역시 적분 vv-RKBS에 속함을 보인다. 모든 경우에, 이러한 함수 공간에 대한 최적화가 해당 신경 아키텍처를 회복함을 보이는 표현 정리(representer theorem)를 확립한다.
이 연구는 파단된 탄성 도메인의 실시간 구조 건전성 모니터링을 위한 빠르고 물리적으로 일관된 서로게이트 모델을 개발하는 것을 목표로 한다. 우리는 경계 조건과 균열 기하학 모두로부터 변위장을 예측하는 물리 정보 기반 DeepONet 프레임워크를 제안하며, 후자에 대한 전용 인코딩 전략을 사용하고 유한 요소법으로 생성된 학습 데이터에 의존하지 않는다. 균열 경계에서의 무인력(traction-free) 조건은 국소화된 패널티 항을 통해 약식으로 부과된다. 제시된 수치 예제는 하나의 대표적인 균열 기하학에 초점을 맞추어 정식화의 실현 가능성을 입증하고, 다양한 균열 기하학에 걸친 서로게이트 모델링으로의 확장을 위한 기반을 마련한다.
편미분방정식(PDE)으로 지배되는 대규모 문제에 대한 연산자 학습 모델의 학습은 차원의 저주, 메모리 제약, 그리고 제한된 학습 데이터로 인해 어렵다. 이러한 문제는 지하 흐름, 기후 모델링, 지질 탄소 저장(GCS)을 포함한 다양한 과학 및 공학 응용 분야에서 발생한다. 본 연구에서는 Karhunen-Loeve 심층 신경망(KL-DNN)을 기반으로 한 확장 가능한 연산자 학습 프레임워크를 제안하고, GCS 모델링에 대한 성능을 입증한다. 모델은 170만 셀과 50개 시간 단계를 포함하는 3차원 도메인에서의 대규모 시뮬레이션 100개 샘플로 구성된 데이터셋으로 학습된다. KL-DNN 방법은 정적 속성의 저순위 특이값 분해와 동적 압력장에 대한 중첩 Karhunen-Loeve 전개를 사용하여 잠재 공간을 구성하며, 서브샘플링이나 공간 조잡화 없이 전체 해상도 예측을 가능하게 한다. KL-DNN 모델은 압력에 대해 평균 1.1 psi의 평균 제곱근 오차(RMSE)(도메인 내 평균 압력 대비 0.04% 상대 오차)와 CO2 포화도에 대해 RMSE 0.0146(플룸 내부 평균 포화도 대비 5% 상대 오차)을 달성한다. 모델은 단일 GPU에서 20분의 학습 시간을 필요로 하며, 동일한 데이터셋으로 학습된 DeepONet 대비 압력 오차 19% 감소, 포화도 오차 7% 감소, 2차 규모의 속도 향상을 나타낸다. 이러한 결과는 1분 미만의 추론 시간과 함께, 제안된 모델이 대규모 PDE 문제에 대한 실용적이고 정확한 솔루션으로서 신속한 불확실성 정량화, 히스토리 매칭, 실시간 의사결정 지원을 가능하게 함을 보여준다.
On Approximating the Dynamic Response of Synchronous Generators via Operator Learning: A Step Towards Building Deep Operator-based Power Grid Simulators
동기 발전기의 동적 응답을 근사하기 위해 Deep Operator Network(DeepONet) 기반 프레임워크를 개발하고, 잔차 기반 수치 기법과 DAgger 전략을 통해 전력망 시뮬레이터와의 상호작용을 지원한다. 실험 결과 제안된 프레임워크가 동기 발전기의 과도 모델을 효과적으로 근사함을 확인했다.