[논문 리뷰] One Operator to Rule Them All? On Boundary-Indexed Operator Families in Neural PDE Solvers

Lennon Shikhman|arXiv (Cornell University)|2026. 03. 02.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

논문은 신경 PDE 해법기가 단일 경계-무관 연산자가 아니라 경계 인덱스화된 연산자 가족을 학습한다는 것을 주장하며, 경계 조건이 바뀔 때 식별 불가능성과 일반화 저하를 보인다. 또한 이론과 포아송 방정식 실험을 통해 기초 모델 PDE 해법기의 경계 인식 필요성을 보여준다.

ABSTRACT

Neural PDE solvers are often described as learning solution operators that map problem data to PDE solutions. In this work, we argue that this interpretation is generally incorrect when boundary conditions vary. We show that standard neural operator training implicitly learns a boundary-indexed family of operators, rather than a single boundary-agnostic operator, with the learned mapping fundamentally conditioned on the boundary-condition distribution seen during training. We formalize this perspective by framing operator learning as conditional risk minimization over boundary conditions, which leads to a non-identifiability result outside the support of the training boundary distribution. As a consequence, generalization in forcing terms or resolution does not imply generalization across boundary conditions. We support our theoretical analysis with controlled experiments on the Poisson equation, demonstrating sharp degradation under boundary-condition shifts, cross-distribution failures between distinct boundary ensembles, and convergence to conditional expectations when boundary information is removed. Our results clarify a core limitation of current neural PDE solvers and highlight the need for explicit boundary-aware modeling in the pursuit of foundation models for PDEs.

연구 동기 및 목표

• 일반 경계 조건이 변화하는 신경 기반 PDE 해법기가 단일 연산자를 학습하는 것으로 간주될 수 없는 이유를 제시한다.
• 경계 조건에 관한 조건부 위험 최소화로 연산자 학습의 프레이밍을 설정한다.
• 학습 경계 분포 밖에서의 비식별성 및 경계 조건에 따른 악화의 실험적 증거를 보인다.
• 포아송 방정식 실험을 통해 경계 이동이 성능 저하를 초래하는 방식과 경계 제거 모델이 조건부 기대값으로 수렴하는 방식을 보여준다.

제안 방법

• 경계 조건에 대한 조건부 위험 최소화로 신경 연산자 학습을 형식화한다.
• 혼합 디리슈와 Neumann 경계 및 푸리에 기반 경계 분포를 갖춘 제어된 포아송 방정식 설정을 사용한다.
• 명시적 경계 조건 채널이 있는 모델과 없는 모델의 푸리에 신경 연산자(FNO) 모델을 훈련시킨다.
• 교차 분포 일반화, 경계 외삽, 및 경계 제거 효과를 평가한다.

실험 결과

연구 질문

• RQ1 신경 PDE 해법기는 단일 경계 무관 연산자를 학습하는가, 아니면 경계 인덱스화된 연산자 가족을 학습하는가?
• RQ2 경계 조건 분포의 변화가 일반화 및 식별가능성에 어떤 영향을 미치는가?
• RQ3 훈련 중 경계 정보가 생략되거나 형편없이 표현되면 어떻게 되는가?
• RQ4 경계 이동이 실제 해 연산자 대신 조건부 기대값으로 수렴하게 만들 수 있는가?

주요 결과

모델	μB0에서 테스트(상대 L2)	μB1에서 테스트(상대 L2)	비고
FNO trained on μB0	0.078±0.005	0.489±0.022	경계 인지, μB0에서 학습됨
FNO trained on μB1	0.601±0.036	0.102±0.003	경계 인지, μB1에서 학습됨
FNO (no BC channels)	0.999±0.001	1.001±0.001	경계 제거, 경계 입력 없음

• 훈련은 경계 조건에 불변하지 않는 고정 연산자가 아니라 경계 인덱스화된 연산자 가족을 학습한다.
• 하나의 경계 분포에서 학습된 모델은 경계 조건 이동에 따라 급격히 악화되며, 교차 분포 성능은 여전히 저조하다.
• 경계 외삽(경계 평균의 이동이나 고주파 성분의 이동)은 단조로운 오차 증가를 초래한다.
• 경계 입력 채널이 없는 경계 제거 모델은 실제 해 연산자가 아니라 경계 조건에 대한 조건부 기대값처럼 작동한다.
• 결과는 경계 분포 이동하에서의 비식별성과 명시적 경계 인지 모델링의 필요성을 강조한다.
• 포아송 방정식 실험으로 이러한 효과를 실증했다.