[論文レビュー] Geometric Generalization of Neural Operators from Kernel Integral Perspective

Mingyu Han, Daniel Zhengyu Huang+3 more|arXiv (Cornell University)|Feb 2, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

この論文は可変ジオメトリに対するニューラルオペレーター学習をジオメトリ依存の特異核オペレーターの学習として再定義し、核ベースの層と理論的保証を備えたマルチスケールニューラルオペレーターを導入します。

ABSTRACT

Neural operators are neural network-based surrogate models for approximating solution operators of parametric partial differential equations, enabling efficient many-query computations in science and engineering. Many applications, including engineering design, involve variable and often nonparametric geometries, for which generalization to unseen geometries remains a central practical challenge. In this work, we adopt a kernel integral perspective motivated by classical boundary integral formulations and recast operator learning on variable geometries as the approximation of geometry-dependent kernel operators, potentially with singularities. This perspective clarifies a mechanism for geometric generalization and reveals a direct connection between operator learning and fast kernel summation methods. Leveraging this connection, we propose a multiscale neural operator inspired by Ewald summation for learning and efficiently evaluating unknown kernel integrals, and we provide theoretical accuracy guarantees for the resulting approximation. Numerical experiments demonstrate robust generalization across diverse geometries for several commonly used kernels and for a large-scale three-dimensional fluid dynamics example.

研究の動機と目的

• 非パラメトリックで可変ジオメトリを持つ領域上でのパラメトリック PDE の代替モデル化を動機づける。
• 幾何学依存の特異カーネルを学習することで幾何学的一般化を明確にする。
• 点雲上のカーネル積分を効率的に処理するマルチスケールのニューラルオペレーターを開発する。
• カーネルベースのオペレーターの学習と評価の理論的精度保証を提供する。
• 多様なジオメトリと大規模な3次元流体力学の例で幾何学的一般化の頑健性を示す。

提案手法

• 境界積分法に触発された核積分の視点を採用し、ジオメトリ依存オペレーターを表現する。
• Ewald型のマルチスケール分解によって特異カーネルを長距離 Fourier 成分と短距離局所近似に分解する。
• 学習可能ウェイトを用いた長距離 Fourier ベースの核和と幾何モーメント特徴量による短距離補正を実装するニューラル層を設計する。
• 可変ジオメトリを点雲として表現し、これらの雲上で定義された関数に直接作用する。
• 長距離と短距離のオペレーターを残差ネットワークアーキテクチャで組み合わせたマルチスケール点雲ニューラル層を導入する。
• Geometric features を入力に加え、複数の学習層を点の数に対して線形コストで適用することにより Multiscale Point Cloud Neural Operator (M-PCNO) を構築する。

実験結果

リサーチクエスチョン

• RQ1 未知のジオメトリに対して幾何学依存のカーネルオペレーターを学習することでニューラルオペレーターは一般化できるか。
• RQ2 ニューラルオペレーターアーキテクチャにおける特異カーネル積分を近似する際の証明可能な枠組みと誤差挙動は何か。
• RQ3 マルチスケールで点雲ベースのオペレーターは可変領域上の PDE の解法オペレーター学習を効率的かつ正確に達成できるか。
• RQ4 境界ジオメトリ（法線、曲率）を組み込むことは、境界積分に着想を得たカーネルのオペレーター学習にどのような影響を与えるか。

主な発見

• 特異カーネル積分のためのマルチスケール分解を用いた普遍近似フレームワークを提案する。
• 点の数に対して線形計算コストを持つ M-PCNO を導入し、様々なジオメトリでの幾何学的一般化の証拠を示す。
• 一般的に用いられるカーネルと大規模な3次元流体力学の例に対して手法の頑健性を示す。
• 長距離 Fourier 近似と短距離局所近似の理論的誤差境界を提供する。
• 幾何学対応の点雲表現が、幾何的パラメトリゼーションを明示せずとも効果的な学習を可能にすることを示す。