연구진이 Factorized Neural Operators (FaNO)를 제안했어요. FaNO는 스펙트럼 표현을 동적 반응과 영구 반응으로 분해하여 해석력과 일반화 성능을 높여요.
FaNO의 동적 분기는 빠르게 변하는 일시적인 역학을, 영구 분기는 일관된 영구 구조를 포착해요.
FaNO는 예측 정확도, 파라미터 효율성, 교차 스케일 일반화를 개선하고 장기 예측에서도 일관성을 유지해요.
연구 결과는 물리 시스템의 이질적인 조직을 더 잘 반영하는 Factorized Operator 표현으로 전환하여 과학 컴퓨팅과 발견에 머신러닝을 활용하는 데 도움이 될 수 있음을 시사해요.