극단 학습 기계(ELM)의 유사역행렬(pseudoinverse) 기반 출력 가중치 계산의 수치 안정성을 스펙트럴(spectral) 관점에서 분석하여, 은닉층 행렬의 최솟값 특이값이 섭동 증폭을 결정하고 조건수가 불안정성의 척도임을 이론적으로 규명하였다. MNIST, Fashion-MNIST, ISOLET 등 벤치마크 실험을 통해 SVD 기반 방법이 심각한 불량 조건 상황에서도 가장 신뢰할 수 있으며, 은닉층 너비가 커질수록 조건수가 악화되어 유사역행렬 민감도가 증가함을 실험적으로 확인하였다.
스핀트로닉스(spintronics) 기반 소용돌이 스핀-토크 발진기(STVO)의 비선형 동역학을 활성화 함수로 활용하는 극한 학습 머신(ELM) 구조를 제안하며, 데이터 기반 Thiele 방정식 접근법(DD-TEA)으로 시뮬레이션하여 반복적인 실험 없이 하이퍼파라미터 탐색을 가능하게 했다. MNIST에서 최신 수준의 정확도를 달성했으며, STVO 동역학의 성능이 reLU·sigmoid 등 기존 소프트웨어 활성화 함수와 동등함을 입증했다.
고주파 편미분방정식(PDE) 풀이 시 신경망의 스펙트럴 편향(spectral bias) 문제를 해결하기 위해, 가우시안 가중치 분포의 분산을 고정한 채 평균만 이동시키는 주파수 시프트(frequency shift) 메커니즘 기반의 FS-PIELM 프레임워크를 제안한다. Helmholtz, wave, Poisson 등 6가지 방정식 유형을 포함한 7개 벤치마크 실험에서 기존 PIELM 변형 대비 최대 5 오더 수준의 정확도 향상을 달성하면서도 단일 선형 풀이만으로 계산 효율성을 유지하였다.