[논문] 위상 신경 연산자
개요
우리는 셀 복합체(cell complexes) 위에서 연산자 학습을 위한 원칙적인 프레임워크인 위상 신경 연산자(Topological Neural Operators, TNOs) 를 소개한다. TNO는 점이나 에지에 대한 함수에서 위상적 영역으로 신경 연산자(NOs)를 확장한다. TNO는 다양한 차원의 셀에 정의된 특징(feature)들을 데이터로 표현하고, 이들의 상호작용을 이산 외부 미적분(Discrete Exterior Calculus) 을 통해 모델링한다. 이를 통해 그래디언트, 컬, 발산 형태의 연산자를 이용한 명시적인 차원 간 결합을 가능하게 한다. 핵심 설계 원칙은 고정된 위상 연산자에 의해 정보 흐름이 결정되는 위치와, 학습되는 변환 방식(어떻게 변환되는지)을 분리하는 것이다. 이렇게 하면 물리량의 기하학적 지지를 존중하고, 보존 및 호환성 구조를 드러내는 모델을 만들 수 있다. 또한 우리는 계층적 TNO(Hierarchical TNO, HTNO) 를 제안한다. HTNO는 학습된 거친 복합체(coarse complexes)를 활용해 장거리 및 위상 의존 정보를 전파한다. 우리의 프레임워크는 기존의 NO들을 특수한 경우로 포함하며, 다양한 이산화 방식에 걸친 연산자 학습에 대한 통합된 관점을 제공한다. 불규칙한 기하학 흐름 문제를 포함한 여러 PDE 벤치마크에서 TNO와 HTNO는 정확도를 향상시켰으며, 통제 실험을 통해 고차원 및 위상 구조의 고유한 이점을 별도로 확인하였다. 프로젝트 페이지: https://circle-group.github.io/research/TNO
주요 기여
이 논문은 다음 분야의 연구를 제시한다.
- cs.LG
- cs.AI
방법론
자세한 방법론은 전체 논문을 참고하시기 바랍니다.
실용적 함의
이 연구는 cs.LG 분야의 발전에 기여한다.
저자
- Lennart Bastian
- Samuel Leventhal
- Mustafa Hajij
- Tolga Birdal
논문 정보
- arXiv ID: 2606.09806v1
- 분류: cs.LG, cs.AI
- 발표일: 2026년 6월 8일
- PDF: PDF 다운로드