arXiv:2606.18305v2 math.NA

Starter-Iterator Neural Operator: 고충실도 순방향 및 역 PDE 문제를 위한 통합 아키텍처

Starter-Iterator Neural Operator: A Unified Architecture for High-Fidelity Forward and Inverse PDE Problems

Kuilin Qin, Lianfang Wang, Xu Sun, Jiwei Jia, Yu Wang, Yong Wang, Yuping Duan

제출 2026-06-16

한국어 초록

연산자 학습(operator learning)은 머신러닝과 과학 계산의 교차점에서 부상하는 분야이다. 함수 공간 사이의 사상을 학습함으로써 신경 연산자(neural operators)는 편미분방정식(PDE) 계열에 대한 데이터 기반 대리 모델(surrogate model)을 제공한다. 학습이 끝나면 이러한 모델은 해 연산자(solution operator)를 효율적으로 평가할 수 있어, 실시간 예측 및 매개변수 스윕(parameter sweep)과 같은 다중 쿼리(many-query) 응용에 적합하다. 그러나 복잡한 순방향 및 역 문제에 대해 높은 근사 정확도와 안정적인 장기 예측을 유지하는 것은 여전히 어렵다. 이러한 과제를 해결하기 위해, 고전적 반복 솔버의 초기화 및 잔차 보정(residual-correction) 구조를 신경 연산자 학습에 통합하는 Starter-Iterator Neural Operator(SINO)를 제안한다. 주파수 영역 Starter는 지배적인 전역 스펙트럴 특성을 포착하고 정보에 기반한 초기 근사를 제공하며, 잠재 공간(latent-space) Iterator는 연속적인 잔차 기반 보정을 적용하여 국소 및 다중 스케일 해 구조를 정교화한다. Navier-Stokes 및 음향 파동 방정식을 포함한 대표적인 시간 의존 PDE, 이미지 초해상(image super-resolution), 일기 예보(weather forecasting) 응용에 대한 실험은 SINO가 본 연구에서 고려한 벤치마크 전반에 걸쳐 경쟁력 있는 정확도와 안정적인 성능을 달성함을 보여준다.

원문 초록

Operator learning is an emerging field at the intersection of machine learning and scientific computing. By learning mappings between function spaces, neural operators provide data-driven surrogate models for families of partial differential equations (PDEs). Once trained, these models can evaluate solution operators efficiently, making them suitable for many-query applications such as real-time prediction and parameter sweeps. However, maintaining high approximation accuracy and stable long-term predictions remains challenging for complex forward and inverse problems. To address these challenges, we propose the Starter-Iterator Neural Operator (SINO), which incorporates the initialization and residual-correction structures of classical iterative solvers into neural operator learning. The frequency-domain Starter captures dominant global spectral features and provides an informed initial approximation, while the latent-space Iterator applies successive residual-based corrections to refine local and multiscale solution structures. Experiments on representative time-dependent PDEs, including the Navier-Stokes and acoustic wave equations, together with applications to image super-resolution and weather forecasting, show that SINO achieves competitive accuracy and stable performance across the benchmarks considered in this work.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.18305v2제출 시각 미확인
  2. arXiv:2606.18305v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.10998v1cs.LG공통 태그 Time Series Forecasting, neural operator

F$^3$NO: 교차 스케일 조건화를 결합한 주파수 분해 기반 유한 시간 유동 사상 신경 연산자

F$^3$NO: Frequency-Decomposed Finite-Time Flow-map Neural Operators with Cross-Scale Conditioning

신경 연산자(Neural operator)는 빠른 편미분방정식(PDE) 예측을 가능하게 하지만, 반복적인 예측은 오차를 누적시키며 미세 스케일 구조를 정확히 분해하고 해석하는 데 여전히 어려움이 있습니다. 본 연구에서는 업데이트된 저주파수 특징을 활용하여 고주파수 정보의 비선형 정제를 유도하는 주파수 분해 기반 유한 시간 유동 사상 신경 연산자(F$^3$NO)를 소개합니다. 각 층(layer) 내에서 이러한 교차 스케일 조건화는 전역적 스펙트럼 처리와 국소적 세부 정보 정제를 연결합니다. 제안된 모델(model)은 지정된 미래 시점의 상태를 직접 예측하며, 예측 간격에 따라 두 갈래(branch)의 기여도를 조절합니다. 더 긴 궤적에 대해서는 짧은 시간 분할 내 병렬 예측과 분할 간 순환 전파를 결합합니다. 5개의 PDE 벤치마크에 대한 실험을 통해 자기회귀 및 직접 예측 베이스라인 대비 향상된 예측 정확도를 입증합니다. 절제 연구(ablation study)에서는 주파수 분해 정제가 더 적은 파라미터로도 정확도를 향상시킬 수 있는 반면, 시간 분할의 이점은 공간 해상도와 동역학적 체제에 따라 달라짐을 보여줍니다.

arXiv:2609.27739v1cs.LG공통 태그 neural operator, pde solving

MENO: 메모리 효율적 신경 연산자

MENO: Memory-Efficient Neural Operator

우리는 Manifold Function Encoder(MFE)를 기반으로 한 고성능 편미분방정식(PDE) 신경 솔버로서 Memory-Efficient Neural Operator(MENO)를 제안한다. MENO는 세 가지 주요 장점을 갖는다. (1) MENO는 다른 널리 쓰이는 아키텍처 대비 메모리 사용량이 현저히 작고 학습 속도가 훨씬 빠르며, 메모리 사용량이 데이터 해상도와 무관하므로 대규모 모델로의 스케일링 가능성을 지닌다. (2) MENO는 임의의 기하학적 영역과 임의의 이산화를 포함하여 임의 형태의 PDE 입력을 받을 수 있다. 특히 입력 함수와 출력 해가 서로 다른 매니폴드上에 정의되는 cross-geometry 시나리오, 즉 기하학 간 설정을 처리할 수 있다. (3) MENO는 강한 일반화 능력을 보이며, 문헌에 보고된 결과와 비교했을 때 우리가 테스트한 대부분의 벤치마크에서 최고 정확도를 달성한다. 코드는 https://github.com/jpzxshi/MENO 의 GitHub에서 제공되며, 본 논문의 모든 수치 예제는 보고된 결과를 재현하기 위해 단일 명령으로 실행할 수 있다.

arXiv:2607.03279v1cs.LG공통 태그 Super-Resolution, Time Series Forecasting

전역에서 지역으로: 글로벌 날씨 기반 모델을 활용한 효율적인 지역 날씨 다운스케일링

From Global to Local: Efficient Regional Weather Downscaling with Global Weather Foundation Model

정확한 지역 날씨 예측은 전역 역학과의 일관성을 유지하면서 세밀한 구조를 해상도 높게 표현해야 한다. 전통적인 제한 영역 모델은 계산 비용이 큰 시뮬레이션에 의존하며, 많은 학습 기반 접근법은 이 문제를 초해상도(super-resolution)로 정식화하여 스케일 간 통계적·물리적 불일치를 간과한다. 본 논문에서는 사전학습된 날씨 모델 백본에 경량의 다중 스케일 예측 헤드를 추가하여 잠재 공간에서 직접 동작하도록 함으로써, 전역 예측의 지역적 정제를 학습하는 기반 모델 기반 다운스케일링 프레임워크를 제안한다. 사전학습된 백본은 실질적으로 더 거친 입력으로 학습되었음에도 불구하고, 재학습 없이 격자 셀 해상도를 두 자릿수 수준으로 높이는 지역 적응을 지원한다. 제안하는 접근법은 지역 수치 시뮬레이션을 학습 타깃으로 사용하며, 격자형 데이터셋뿐만 아니라 지상 기상 관측소 관측값에 대해서도 평가함으로써 전역 재분석, 지역 시뮬레이션, 현장 기상 관측소 관측 간의 체계적 편향을 분석할 수 있게 한다. 실험 결과, 수치기상예측(NWP) 대비 대부분의 지표에서 향상된 정확도를 훨씬 낮은 계산 비용으로 달성함을 보인다. 또한, 전역 사전학습된 날씨 기반 모델의 잠재 공간을 활용하는 것이 표준 이미지 기반 초해상도 접근법보다 우수한 다운스케일링 성능을 제공함을 확인한다.

arXiv:2609.26683v2astro-ph.SR공통 태그 Time Series Forecasting

PROSWIN: 태양 영상을 이용한 심층 분포 회귀 기반의 확률론적 태양풍 속도 예측

PROSWIN: Probabilistic Solar Wind Speed Forecasting Using Deep Distributional Regression From Solar Images

빠른 태양풍 조건을 정확하게 예측하는 것은 불확실성이 크고 기존의 단일값 예측 모델로는 이를 정량화할 수 없기 때문에 어려운 과제입니다. 특히 기술적 인프라에 피해를 줄 수 있는 고속 태양풍 스트림(HSS)의 위험은 확률론적 예측 없이는 신뢰성 있게 평가될 수 없습니다. 본 연구에서는 4일의 리드 타임으로 지구에서의 시간별 태양풍 속도(SWS)를 예측하는 확률론적 머신러닝 모델인 PROSWIN을 제시합니다. 이 접근 방식은 심층 신경망(deep neural network)과 분포 회귀(distributional regression) 알고리즘을 결합하여 태양 영상과 자기장 지도(magnetogram)를 통합합니다. 표준 오차 지표는 HSS 피크의 중요성을 과소평가하므로, 타임라인과 HSS 피크 정확도를 함께 보상하는 모델 선택 지표인 예측 점수(prediction score)를 추가로 도입합니다. 14년간의 데이터에서 본 연구의 예측은 매우 잘 보정된 불확실성(평균 편차 <1%)을 달성합니다. 분포 정확도를 평가하는 지표인 연속 순위 확률 점수(CRPS)를 사용하여 타임라인 CRPS 41.0 km/s, HSS 피크 CRPS 45.3 km/s, 예측 점수 42.3 km/s를 얻었습니다. 또한 171 Å 채널이 일반적으로 사용되는 193 Å 및 211 Å 채널에 중요한 보완 요소가 되며, 모델 선택을 위한 예측 점수가 모델의 적용 가능성을 향상시킨다는 점을 확인했습니다. 기존 문헌에서 선정된 모델들과 비교했을 때, 본 모델은 둘 중 하나를 희생하지 않고 타임라인과 HSS 피크 값 모두에서 정확한 유일한 모델입니다. 이러한 결과는 단일값 태양풍 모델 대비 확률론적 모델의 이점을 뒷받침합니다. 도입된 방법론은 다른 예측 문제에도 전이 가능합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.