복잡한 물리 동역학에 대한 빠르고 정확한 예측은 다양한 응용 분야 전반에서 중대한 도전 과제이다. 자원 제약이 있는 하드웨어에서의 실시간 예측은 실제 문제에서 더욱 중요하다. 딥 연산자 네트워크(Deep operator network; DeepONet)는 함수 공간 간의 비선형 사상을 학습하기 위한 프레임워크로 최근 제안되었다. 그러나 DeepONet은 연산자를 학습할 때, 특히 복잡한(불연속 또는 비매끈한) 목표 함수를 대상으로 하는 경우 많은 파라미터가 필요하며 연산 비용이 높다. 본 연구는 하이퍼네트워크의 표현력을 활용하여 더 적은 수의 파라미터로 복잡한 연산자를 학습할 수 있게 하는 HyperDeepONet을 제안한다. DeepONet과 그 변형 모델은 입력 함수 정보를 목표 함수에 주입하는 방법으로 해석할 수 있다. 이러한 관점에서 이들 모델은 HyperDeepONet의 특정한 경우로 볼 수 있다. 본 연구에서는 DeepONet의 복잡도를 분석하고, 연산자 학습에서 원하는 정확도를 얻기 위해 HyperDeepONet이 상대적으로 더 낮은 복잡도를 필요로 함을 결론짓는다. HyperDeepONet은 다른 벤치마크에 비해 더 적은 연산 자원으로 다양한 연산자를 성공적으로 학습하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.