모달 공간에서 진화 연산자를 학습하는 딥러닝 기반 PDE 복원 프레임워크

본 논문은 미지의 시간 의존 편미분방정식(PDE) L(u)=0 의 해 데이터를 이용해, 방정식 자체를 식별하기보다 해의 진화 연산자(EΔ)를 직접 학습하는 새로운 프레임워크를 제시한다. 저자들은 먼저 해 u(x,t) 가 정의되는 무한 차원 힐베르트 공간 V 를 설정하고, 일정 시간 Δ만큼 전진하는 연산자 EΔ:V→V 를 정의한다. EΔ는 PDE 해의 흐름(map)이며, 이를 정확히 알면 초기 조건만으로 전체 시간 전진이 가능하다. 하지만 EΔ는 무한 차원 연산자이므로 직접 다루기 어렵다. 이를 해결하기 위해 V의 유한 차원 부분공간 Vn을 일반화 푸리에(모달) 기저 {φj}₁ⁿ 으로 구성한다. 투사 연산자 Pn:V→Vn 을 통해 u를 Vn에 근사하고, 계수 벡터 v∈ℝⁿ 로 변환한다. 즉, uₙ(x,t)=∑_{j=1}ⁿ v_j(t)φ_j(x)=⟨v(t),Φ(x)⟩. 이때 Π:ℝⁿ→Vn, Πv=⟨v,Φ⟩ 로 정의하면 Π는 동형 사상이며, 그 역은 Π⁻¹이다. 유한 차원 연산자 En,Δ는 PnEΔ 혹은 PnEΔPn 형태로 정의한다. En,Δ가 정의되면 계수 공간에서는 MΔ,n=Π⁻¹En,ΔΠ 라는 연산자가 존재한다. 따라서 원 문제는 “MΔ,n 를 학습한다”는 문제로 변환된다. 학습 데이터는 시간 스냅샷 {u(x,t_j)} 로부터 얻는다. 각 스냅샷을 Pn 으로 투사해 계수 벡터 v_j(0)=Π⁻¹Pn u(x,t_j) 와 v_j(Δ)=Π⁻¹Pn u(x,t_j+Δ) 를 만든다. 이렇게 얻은 (v_j(0),v_j(Δ)) 쌍을 이용해 손실 함수 L(N)=∑_{j=1}^J‖N v_j(0)-v_j(Δ)‖² 를 최소화한다. 여기서 N은 파라미터화된 딥 신경망, 특히 잔차 네트워크(ResNet)이다. ResNet 은 각 층이 항등에 가까운 변형을 수행하도록 설계돼, 연속적인 시간 전진을 정확히 근사하는 적분기 역할을 한다는 이론적 근거가 있다. 오차 분석에서는 두 주요 오차를 도출한다. 첫째, 투사 오차 ε_proj(t_k)=‖u(t_k)-Pn u(t_k)‖_V 로, 이는 선택한 기저와 차원 n 에 의존한다. 둘째, 연산자 근사 오차 ‖PnEΔ - En,Δ‖_op 로, 이는 네트워크 학습 정확도에 달려 있다. 정리 3.1 은 전체 시간 kΔ 에 대한 근사 해 u_n(t_k) 와 실제 해 u(t_k) 사이의 오차 상한을 제시한다: ‖u_n(t_k)-u(t_k)‖_V ≤ Σ_{j=0}^{k-1}‖PnEΔ‖^{k-1-j} ε_proj(t_j) + Σ_{j=0}^{k-1}‖PnEΔ‖^{k-1-j}‖PnEΔ - En,Δ‖_op . 즉, 연산자 노름이 유계이면 투사 오차와 연산자 근사 오차가 시간에 따라 선형적으로 누적된다. 따라서 n을 충분히 크게 잡고, 충분한 학습 데이터를 확보하면 장기 예측 정확도가 보장된다. 실험에서는 다섯 가지 PDE를 대상으로 검증한다. (1) 1‑D 선형 대류 방정식: 주기적 경계와 사인 파형 초기조건을 사용해, Δ=0.01 에서 1000 스텝까지 정확히 재현한다. (2) 1‑D 열 방정식(확산): Gaussian 초기조건을 이용해, 높은 차원 n=64 로도 빠른 확산을 정확히 포착한다. (3) 점성 Burgers 방정식: 비선형 대류‑점성 항을 포함해, Shock 전이 전후의 스무스한 해를 모두 재현한다. (4) 무점성 Burgers 방정식: 훈련 시점에서는 아직 충격파가 형성되지 않은 부드러운 데이터만 사용했음에도, 학습된 연산자는 이후 시간에 급격히 발생하는 충격파를 정확히 예측한다. 이는 전통적인 미분 기반 회귀가 놓치는 비선형 전이 현상을 포착한다는 점에서 의미가 크다. (5) 2‑D 대류‑확산 방정식: 직교 사인 기저를 이용해 n=64 로 차원을 축소하고, 복합적인 대류와 확산 패턴을 장기 예측한다. 모든 실험에서 평균 L2 오차는 10⁻³ 이하이며, 시각적으로도 원 해와 거의 구분이 되지 않는다. 또한, 데이터가 시간적으로 불균등하거나, 스냅샷 수가 제한적인 경우에도, ResNet 기반 연산자 학습이 안정적으로 수렴한다는 추가 실험 결과가 제시된다. 이는 시간 미분을 요구하지 않는 본 방법이 실제 실험 데이터(노이즈, 불규칙 샘플링 등)에도 강인함을 의미한다. 결론적으로, 이 논문은 “PDE를 식별한다”는 전통적 목표를 “해의 흐름을 재현한다”는 새로운 관점으로 전환한다. 무한 차원 문제를 모달 투사와 딥러닝으로 효율적으로 해결하고, 시간 미분이 필요 없는 데이터 요구사항을 완화함으로써, 실험·시뮬레이션 데이터가 제한적인 실제 공학·과학 문제에 적용 가능성을 크게 확대한다.