Hodge 분해를 통한 Topology-Preserving Neural Operator Learning

다양한 물리장을 다루는 이산 매니폴드에서 위상 보존은 전역적 불변성과 보존 법칙의 유지에 필수적이다. Hodge 이론에 기초하여 k-forms를 gradient(=im(dk−1)), curl(=im(δk+1)) 및 harmonic(=ker(Δk))로 분해하면, 전역 토폴로지와 국소 기하를 직교적으로 분리해 구조 보존성과 지역적 다이나믹스를 동시에 학습할 수 있다. 이 프레임워크(HSD)는 topology-dominated base space와 geometry-dominated fiber space를 분리 학습하고, harmonic 구성 요소를 층별로 hard-constraint로 보존하여 글로벌 보존 규칙을 강제한다. 실험은 External Aerodynamics, Magnetostatics, Toroidal Transport 등 다양한 기하학적 도메인에서 정확도와 물리적 일치를 개선함을 보여준다.

단계 1: 연속형 PDE를 이산 DEC(Discrete Exterior Calculus) 프레임으로 표현하고, Hodge-de Rham 분해로 k-form을 Grad/Divergence/Cohomology( Harmonic) 구성요소로 orthogonally 분해한다. 단계 2: 분해된 구성요소를 바탕으로 두 개의 상호 보완 브랜치를 구성한다. Base space는 L2 내에서 토폴로지-지배(저주파+해석 가능한 조합)의 기저를 학습하고, Fiber space는 ambient 공간에서 고주파 기하학적 변화와 확산/대류를 처리한다. 단계 3: 두 브랜치를 Lie-Trotter 형식으로 교대 적용하고, commutator 보정과 harmonic 프로젝션으로 위상 invariants를 각 레이어에서 엄밀히 보존한다. 단계 4: 오프라인으로 Hodge 라플라시안의 고유분해 기반 기저를 구하고 온라인에서 mk 차원의 저주파 모드만 사용하므로 해상도 독립성과 계산 효율성을 확보한다.

1. 전체 접근법 및 핵심 아이디어: Ak = ATopo + AGeom으로 분해하고, Gk ≈ Gbase + Gfiber로 근사한다. 2) Base Space Branch: ωk을 Spectral Basis Φk로 투영해 c(ℓ)k를 얻고, M(k)d, M(k)δ를 이용한 spectral derivative 정보를 q(ℓ)k에 결합한 뒤, harmonic 제약 PKH로 고정한다. 그러고 나서 ω(ℓ+1)k,base를 Φk c˜(ℓ)k로 재구성한다. 3) Fiber Branch: Lift ι를 통해 고차원 ambient 공간으로 확장하고, FNO를 이용해 국소 기하학적 상관을 학습한 뒤, Πbase의 보편적 보존성으로 보정하고 I−Πbase로 보정된 값을 얻는다. 4) Commutator Correction: z(ℓ)를 통해 기하-토폴로지 상호작용 정보를 결합하고, 최종적으로 ω(ℓ+1)k = ω(ℓ+1)k,base + ω(ℓ+1)k,fiber로 합성한다. 5) 학습 전략 및 구현 세부사항: spectral truncation mk(주로 64-128), ambient grid FFT(FNO) 활용, harmonic 보존은 층별로 강제, 커밋터 보정은 작은 MLP로 구현한다.

1. 메인 벤치마크: External Aerodynamics: HSD의 MSE는 1.08×10−2로 GNO(5.40×10−2), MGN(5.23×10−4), DeepONet(2.54×10−2), Geo-FNO(3.20×10−2), FNO-3D(1.80×10−2) 대비 우수하며 Grad Fid=0.9742, Enst Fid=0.7658, Energy Fid=0.8423, Spec Fid=0.6112, Sβ0=0.3398. Magnetostatics: MSE=1.84×10−4, Grad Fid=0.9444, Enst Fid=0.9662, Energy Fid=0.9492, Spec Fid=0.8176, IoU=0.8110. Toroidal Transport: MSE=3.56×10−4, IoU=0.8131; GNO, DeepONet, Geo-FNO 등과 비교해 안정적이며 Topological Fidelity가 크게 향상된다.

1. 아키텍처: Base space Branch와 Fiber Branch로 구성되며, Base는 Harmonic+저주파 모드를 포함하는 Vk base 공간에서 동작하고, Fiber는 Vk fiber에서 고주파 기하학을 처리한다. 2) 수학적 기반: Lk = dk−1δk + δk+1dk; Hodge decomposition ωk = im(dk−1) ⊕ im(δk+1) ⊕ ker(Lk)로 분해되며, 가급적 작은 mk개 고유벡터를 Φk로 구성해 Vk base를 정의한다. 3) 학습 세부: c(ℓ)k = Φ⊤k ∗k ω(ℓ)k, q(ℓ)k = concat(c(ℓ)k, M(k)d c(ℓ)k, M(k)δ c(ℓ)k); Gbase,θ와 Gfiber,θ를 통해 Gk를 근사한다. 4) 보존성: I−Πbase로 환원된 Fiber 출력을 통해 글로벌 보존성 유지. Harmonic coefficient는 IkH에 의해 하드 제약으로 보존되며, c˜(ℓ)k의 고유지수는 PkH로 보정한다. 5) 커밋터 보정: C(ℓ)θ를 도입해 commutator의 잔차를 보정하고 z(ℓ)로 구성된 기하-미세상호작용 정보를 반영한다. 6) 복합성: Offline DEC 구성 및 Lk의 스펙트럼 분해를 한 번 수행하고, Online은 베이스 공간의 차원 mk와 Ambient grid 기반의 FFT로 선형 스케일링을 달성한다.

논문은 지오메트릭 변화가 동일하거나 거의 등각적인 경우에 한해 효율을 극대화하도록 설계되었고, topology의 완전한 역학 변환을 시간에 따라 지속적으로 반영하는 iso-spectral 변형은 아직 해결되지 않았다. 또한 샘플링 오차, 경계 처리, 및 대역외 노이즈를 포함한 영역에서의 한계가 존재한다.