다각형 영역에서 선형 타원형 PDE를 위한 신경 연산자 표현 속도 분석

초록

본 논문은 다각형·다면체 영역에 정의된 선형 2차 타원형 PDE의 계수-해 매핑을 근사하는 DeepONet 구조의 신경 연산자에 대해, 입력 데이터가 유한 정규성을 가질 때는 다항식 수렴률, 분석적일 때는 지수적 수렴률을 이론적으로 증명한다.

상세 분석

논문은 먼저 연산자 S: K→Y (K는 계수 공간의 콤팩트 집합, Y는 해 공간) 를 정의하고, 이를 G = R∘A∘E 형태의 신경 연산자로 근사한다. 여기서 E와 R은 각각 선형 인코더·디코더이며, A는 완전 연결 피드포워드 신경망이다. 저자는 이러한 구조가 DeepONet의 “트렁크·브랜치” 아키텍처와 동일함을 강조한다. 핵심 이론적 도구는 (i) 다각형 영역에서의 해의 정규성 결과(유한 Sobolev 정규성 및 실 analyticity), (ii) 조각 다항식(p‑piecewise polynomial) 근사와 그에 따른 Kolmogorov N‑width의 감소율, (iii) Richardson 반복을 이용한 선형 연산자 근사와 그 수렴 계수이다.

정규성이 유한한 경우, 해 집합 U = S(K) 가 H^s(Ω) (s>1) 에 포함됨을 이용해, 조각 다항식 차수를 m으로 늘리면 ‖u−Π_m u‖_Y ≤ C m^{‑(s‑1)} 와 같은 대수적 오차를 얻는다. 이를 신경망 근사 이론(특히 ReLU 네트워크가 다항식을 효율적으로 표현한다는 결과)과 결합하면, ε 정확도를 달성하기 위해 필요한 뉴런 수 N(ε) ≲ ε^{‑(d/(s‑1))} 와 같은 대수적 표현률을 도출한다.

반면 입력 데이터가 실 analyticity 를 만족하면, 해 집합은 복소 영역으로 전개 가능하고, Kolmogorov N‑width 가 지수적으로 감소한다. Lemma 1.1(holomorphic mapping) 을 적용해 G가 동일한 지수적 감소를 보임을 보이고, ReLU 네트워크가 지수적 정확도 ε에 대해 O(log (1/ε)) 깊이·폭을 가짐을 이용해 전체 연산자 G의 파라미터 수가 O((log (1/ε))^c) 로 제한된다.

또한 저자는 선형 디코더 R이 Kolmogorov 장벽을 만든다는 점을 언급하며, 비선형 디코더가 필요할 경우의 연구 방향을 제시한다. 전체 증명은 추상적인 변분 형식에서 시작해, 구체적인 다각형·다면체 사례(예: 2‑D 다각형, 3‑D 사면체) 로 전개된다.