[論文レビュー] Gauge-Equivariant Intrinsic Neural Operators for Geometry-Consistent Learning of Elliptic PDE Maps

pengcheng cheng|arXiv (Cornell University)|Mar 16, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

要約: 本研究は、ゲージ共変 intrinsic Neural Operators (GINO) を提案し、Hodge ラプラシアンの intrinsic spectral multipliers をパラメータ化して 1-forms に対する楕円解法写像を学習し、ゲージ共変性と離散化ロバスト性を保証します。制御された平坦トーラス実験における幾何一貫性と解像度を跨いだ一般化を、閉形式のフーリエ表現を用いた実験で検証します。

ABSTRACT

Learning solution operators of partial differential equations (PDEs) from data has emerged as a promising route to fast surrogate models in multi-query scientific workflows. However, for geometric PDEs whose inputs and outputs transform under changes of local frame (gauge), many existing operator-learning architectures remain representation-dependent, brittle under metric perturbations, and sensitive to discretization changes. We propose Gauge-Equivariant Intrinsic Neural Operators (GINO), a class of neural operators that parameterize elliptic solution maps primarily through intrinsic spectral multipliers acting on geometry-dependent spectra, coupled with gauge-equivariant nonlinearities. This design decouples geometry from learnable functional dependence and enforces consistency under frame transformations. We validate GINO on controlled problems on the flat torus ($\mathbb{T}^2$), where ground-truth resolvent operators and regularized Helmholtz--Hodge decompositions admit closed-form Fourier representations, enabling theory-aligned diagnostics. Across experiments E1--E6, GINO achieves low operator-approximation error, near machine-precision gauge equivariance, robustness to structured metric perturbations, strong cross-resolution generalization with small commutation error under restriction/prolongation, and structure-preserving performance on a regularized exact/coexact decomposition task. Ablations further link the smoothness of the learned spectral multiplier to stability under geometric perturbations. These results suggest that enforcing intrinsic structure and gauge equivariance yields operator surrogates that are more geometry-consistent and discretization-robust for elliptic PDEs on form-valued fields.

研究の動機と目的

• 局所フレーム（ゲージ）下で変換する幾何PDEの解法オペレータの学習を動機づける。
• 1-forms に対する楕円写像の intrinsic でゲージ共変なニューラルオペレータアーキテクチャ（GINO）を開発する。
• 理論と整合した診断を確立し、ゲージ共変性と離散化整合性を証明する。
• 制御された幾何設定での精度、ゲージ不変性、解像度を跨ぐロバスト性を示す。）

提案手法

• Hodge ラプラシアン Delta_H の intrinsic スペクトル multiplier m_theta(lambda) を介して学習オペレータをパラメータ化する。
• Delta_H の固有モードを用いて 1-forms に作用する切り捨てスペクトル multiplier 層 T_{theta,K} を用いる（3.4）。
• intrinsic 線形層をゲージ共変な fiberwise nonlinearity sigma_theta（形式ノルムに基づく）と組み合わせて挿入する（3.7）。
• ゲージ適合な点ごとの線形項 B_theta(omega) = b_theta * omega およびフレーム非依存の非線形性を組み込み、ゲージ共変性を保つ（3.8, 3.7）。
• omega_{l+1} = sigma_theta_l(T_{theta_l,K} omega_l + B_{theta_l} omega_l) を反復させる深層オペレータネットワークを構築する（3.9）。
• 連続と離散の適合性を確保する収束する離散 Hodge ラプラシアンによる離散実現を提供する（3.41）。

Figure 1 : Training convergence of GINO on the base geometry (E1). Evaluation metrics (MSE, RelL2, RelEnergy) rapidly decrease and stabilize, reaching near numerical precision.

実験結果

リサーチクエスチョン

• RQ1 1-forms に対する楕円 PDE 写像のニューラルオペレータは局所フレーム変更間で intrinsic かつゲージ共変であり得るのか？
• RQ2 スペクトル multiplier ベースの層は Hodge–Poisson 解写像オペレータの離散化ロバストな近似を提供するのか？
• RQ3 ゲージ共変 intrinsic アーキテクチャで解像度を跨ぐ一般化と計量歪みに対する安定性を達成できるのか？
• RQ4 multiplier の滑らかさは幾何学的摂動下の安定性とどのように関係するのか？
• RQ5 提案された診断は実際にゲージ共変性と離散化整合性を信頼性高く明らかにするのか？

主な発見

• GINO は管理された実験で理想的なゲージ共変性に数値誤差レベルまで近づく。
• intrinsic spectral-m multiplier アーキテクチャは標的楕円演算子の正確な近似をもたらす。
• 構造化された計量歪みに対するロバスト性を示す。
• 解像度を跨ぐ一般化は、小さい交換誤差で強い。
• アブレーションにより、より滑らかなスペクトル multiplier が幾何学的摂動下での安定性と相関することが示される。

Figure 2 : Qualitative prediction example at step 4000 (E1). From left to right: $|f|$ , $|u|$ , $|\hat{u}|$ , and $|\hat{u}-u|$ . The model produces visually accurate predictions with small residual errors.