경계조건에 얽힌 신경 연산자: 하나의 연산자로는 부족하다

본 논문은 최근 급부상하고 있는 신경 연산자(Neural Operator) 기반 PDE 솔버가 실제로는 “경계조건에 인덱싱된 연산자 군”을 학습한다는 근본적인 한계를 제시한다. 서론에서는 신경 연산자가 PDE 해 연산자를 직접 근사한다는 일반적 믿음이 경계조건이 고정되지 않은 경우 모호해진다는 점을 지적한다. PDE 이론에 따르면 해 연산자는 미분 연산자와 경계조건의 쌍에 의해 완전히 정의되므로, 경계조건이 변하면 동일한 미분 연산자만으로는 하나의 연산자를 지정할 수 없다는 논리를 전개한다. 문제 설정에서는 2차원 단위 정사각형 Ω 위의 포아송 방정식 −Δu = f와 네 변에 각각 Dirichlet(g_L, g_B) 및 Neumann(h_R, h_T) 경계조건을 부여한다. 경계조건은 truncated Fourier series 로 매개변수화된 부드러운 함수 집합에서 샘플링되며, 이를 통해 서로 다른 경계조건 분포 μ_B 를 만든다. 입력 데이터는 강제항 f와 경계조건 B 로 구성되고, 목표는 해 u를 예측하는 연산자 S(f, B) 를 학습하는 것이다. 저자들은 이 학습 과정을 “조건부 위험 최소화”로 공식화하고, 경험적 위험 최소화가 훈련 데이터가 차지하는 μ_B 의 지원 위에서만 모델을 제약한다는 점을 강조한다. 따라서 μ_B 밖의 경계조건에 대해서는 학습 목표가 아무 정보를 제공하지 않으며, 이는 비식별성(non‑identifiability) 현상으로 정의된다. 이론적 비식별성 결과는 두 가지 함의가 있다. 첫째, 동일한 미분 연산자와 강제항 분포를 사용하더라도, 서로 다른 경계조건 분포로 훈련된 두 모델은 훈련 손실이 동일함에도 불구하고 테스트 시 전혀 다른 해를 출력한다. 둘째, 경계조건을 입력에 포함시키지 않으면 모델은 E_{B∼μ_B}