도메인 분할 기반 신경 연산자 학습으로 PDE 해석의 형상 일반화

초록

본 논문은 신경 연산자를 기존의 도메인 분할 기법과 결합해, 훈련 시에 보지 못한 복잡한 형상의 편미분 방정식(PDE) 해를 효율적으로 예측하는 프레임워크를 제안한다. 기본적인 다각형 형태의 서브도메인에 대해 로컬 연산자를 학습하고, 이를 겹치는 서브도메인에 적용한 뒤, 가법형 슈바르츠(ADDITIVE SCHWARZ) 방식을 차용한 반복 알고리즘인 Schwarz Neural Inference(SNI)를 통해 전역 해를 구성한다. 이 과정에서 Lie 점대칭을 이용한 데이터 증강과 입력·출력 정규화를 활용해 데이터 효율성을 높였으며, 이론적으로 수렴 속도와 오류 상한을 증명하였다. 실험 결과, 선형·비선형 PDE와 다양한 경계조건에 대해 기존 방법보다 뛰어난 형상 일반화 성능을 보였다.

상세 분석

본 연구는 신경 연산자(Neural Operator)의 데이터 의존성을 완화하고, 새로운 기하학적 도메인에 대한 전이 학습(transferability)을 확보하기 위해 두 가지 핵심 아이디어를 도입한다. 첫 번째는 기본 도형(기본 다각형) 집합을 정의하고, 이들에 대해 대규모 시뮬레이션 데이터를 생성해 로컬 연산자를 학습하는 데이터 생성 파이프라인이다. 여기서는 단순 다각형을 선택함으로써 샘플링과 경계값 문제 해결이 수학적으로 보장되는 Lipschitz 도메인을 확보하고, 무작위 회전·스케일링, Lie 점대칭 변환 등을 통해 입력 함수 공간을 풍부하게 만든다. 두 번째는 Schwarz Neural Inference(SNI) 라는 반복적 전역 결합 알고리즘이다. 전통적인 가법형 슈바르츠 방법의 수식적 구조를 그대로 차용하면서, 각 서브도메인에 대해 학습된 로컬 연산자를 호출하고, 겹치는 영역에서 인터페이스 값을 업데이트한다. 이때 단계 크기 τ와 확장 깊이 d를 하이퍼파라미터로 두어 수렴성을 조절한다. 논문은 SNI가 기존 FEM 기반 슈바르츠 방법과 동일한 수렴 조건(예: 연산자 L의 강성, 겹침 비율, 서브도메인 크기) 하에서 선형 수렴률을 보이며, 오류 상한이 서브도메인 해석 오차와 연산자 근사 오차의 합으로 제한된다는 정리를 제시한다. 이론적 분석은 특히 비선형 타원형 PDE에 대해서도 적용 가능하도록 일반화되었으며, 증명은 부록에 상세히 기술된다. 실험에서는 2차원 라플라스 방정식, 비선형 포아송 방정식, Navier‑Stokes와 같은 복합 PDE를 대상으로, 무작위 복합 다각형, 구멍이 있는 도메인, 그리고 실제 공학 설계 형상 등 다양한 테스트 케이스를 구성했다. 결과는 기존 FNO, DeepONet, GNO 등 전역 연산자 모델이 새로운 형상에 대해 급격히 성능이 저하되는 반면, 제안된 SNI는 평균 L2 오차가 30%~70% 수준으로 크게 개선됨을 보여준다. 또한, 데이터 효율성 측면에서 동일한 학습 데이터 양 대비 SNI가 2배 이상 빠른 수렴을 달성한다는 점도 강조된다. 한계점으로는 서브도메인 분할이 2차원에 최적화되어 있어 3차원 복잡 형상에 대한 확장 시 메모리·연산 비용이 급증할 가능성이 있으며, 현재는 기본 연산자로 GNO‑T를 사용했으나 다른 연산자 구조에 대한 민감도 분석이 부족하다는 점을 들 수 있다. 전반적으로, 도메인 분할과 신경 연산자를 결합한 프레임워크는 형상 일반화 문제를 구조적으로 해결하며, 기존 데이터‑집중형 접근법의 근본적인 한계를 넘어서는 새로운 패러다임을 제시한다.