복잡한 형상 PDE 해결을 위한 유한요소 고유함수 네트워크 (FEENet)

초록

FEENet은 유한요소법으로 미리 계산한 도메인 고유함수 기반 스펙트럼 표현을 활용해, 신경망이 물리 파라미터와 강제항을 스펙트럼 계수로 매핑하도록 설계된 하이브리드 신경 연산자이다. 복잡·불규칙한 기하에서도 DeepONet 대비 높은 정확도와 계산 효율을 보이며, 해석적 해석이 가능한 비국소 연산자에도 자연스럽게 적용된다.

상세 분석

본 논문은 기존 신경 연산자(Neural Operator)들이 겪는 “기하학 무관성” 문제를 근본적으로 해결하고자, 유한요소법(FEM)과 고유함수(eigenfunction) 이론을 결합한 새로운 프레임워크 FEENet을 제안한다. 핵심 아이디어는 다음과 같다. 먼저, 주어진 복잡한 도메인 Ω에 대해 선형, 자기수반, 강하게 타원형인 미분 연산자 L(예: 라플라시안 혹은 더 높은 차수의 연산자)의 고유값 문제를 FEM으로 한 번만 풀어, {λ_k, ϕ_k}ₖ=1^M이라는 고유함수 집합을 얻는다. 이 고유함수는 H^m(Ω) 공간에서 완전성을 가지므로, 어떤 해 u∈H^m(Ω)도 유한 개의 고유함수 선형 결합으로 근사될 수 있다. 따라서 PDE 해를 직접 학습하는 대신, 신경망(Branch Net)은 입력 함수 f(예: 강제항, 초기·경계조건, 물리 파라미터)를 받아 고유함수 계수 c_k = c_k(θ) 를 예측한다. 최종 해는 û(x)=∑_{k=1}^M c_k ϕ_k(x) 로 재구성된다. 이 구조는 DeepONet의 트렁크 네트워크를 고정된 기하학‑적합 기저(고유함수)로 대체함으로써, (1) 기하학 정보를 사전 계산에 내재화해 학습 단계에서 불필요한 좌표‑기반 학습을 제거하고, (2) 스펙트럼 차원 M을 조절해 해상도‑독립적인 추론을 가능하게 하며, (3) 물리적 제약(예: 라플라시안 고유값에 따른 시간 감쇠 e^{-λ_k t})을 네트워크 그래프에 직접 삽입해 시간‑종속 문제에도 자연스럽게 적용한다. 실험에서는 2D 정사각형, 2D 핀(Fins), 3D 토끼(bunny) 등 복잡한 도메인에 대해 Poisson, 정적·비정적 열 방정식을 풀었으며, 동일한 학습 데이터와 네트워크 규모에서 DeepONet/MIONet 대비 L^2 오차가 평균 2~5배 낮았다. 또한, 고유함수 기반 재구성은 학습 후에도 새로운 격자나 임의의 좌표에서 즉시 평가가 가능해, 전통적인 FEM의 고해상도 후처리 비용을 크게 절감한다. 한계점으로는 (i) 고유함수 계산 비용이 도메인마다 한 번 필요하고, (ii) 비선형·비자기수반 연산자에 대한 고유함수 기반 전개가 직접 적용되기 어려워 추가적인 변형이 요구된다는 점을 언급한다. 전반적으로 FEENet은 “수치 해석의 구조적 강건성 + 데이터‑구동 학습의 효율성”을 성공적으로 결합한 사례라 할 수 있다.