Topology-Preserving Neural Operator Learning via Hodge Decomposition

Motivation

• Known: Euclidean 도메인에서는 Fourier Neural Operator, DeepONet, PINNs 등 neural operator 방법들이 함수 공간 매핑을 학습하는 데 성공했으며, discrete exterior calculus와 finite element exterior calculus는 simplicial complex 상에서 d, δ, Hodge star 등의 대수적 구조를 정확히 보존함이 알려져 있다.
• Gap: 기존 graph 기반 방법은 over-smoothing/over-squashing으로 인해 Hodge Laplacian 커널이 결정하는 전역 위상 구조를 포착하지 못하고, extrinsic spectral 방법은 cohomological/경계 위상에 무관심하며, intrinsic geometric convolution은 계산 비용이 과도해 고주파 패턴에 취약하다. 즉, 미분 복합체(d, δ, Δk)를 아키텍처적 귀납 편향으로 내장하면서도 metric g와 material tensor κ가 지배하는 고주파 동역학을 효율적으로 포착하는 방법이 부재하다.
• Why: 경계와 곡률, 비자명한 위상을 가진 Riemannian manifold 위의 물리장(항공기 표면 유체장, 구면 지구물리장, 생체 장기 형상 등)을 다루는 neural operator는 해상도 독립성과 구조 보존을 동시에 만족해야 하며, 이는 현재 신경 연산자 방법론의 핵심 공백을 메우는 문제이다.
• Approach: Hodge 분해와 operator splitting(Lie–Trotter type)을 결합하여, discrete differential form으로 위상 지배적(topology-dominated) 성분을 포착하는 branch와 직교 보조 ambient space에서 국소적 복잡 동역학을 표현하는 branch로 구성된 Hybrid Eulerian-Lagrangian 아키텍처를 설계한다.

Achievement

Figure 3. Visualization of velocity vector field predictions for the External Aerodynamics task. Columns correspond to d

1. Hodge Spectral Duality (HSD) 프레임워크: simplicial complex 상에서 discrete exterior calculus를 대수적 귀납 편향으로 통합한 구조 인식 neural operator를 제안하여 물리적으로 일관된 연산자 학습을 가능케 함.
2. 스펙트럴-기하 이중 분기 설계: 위상 제약을 받는 전역 구조와 기하 구동 국소 동역학을 분리해 상호 보완적이고 안정적인 물리 연산자 근사를 달성.
3. 경험적 성능 향상: 복잡한 manifold 지오메트리(외부 공력장, 자기정역학 등)에서 기존 neural operator 대비 향상된 정확도를 보이며, cohomological invariant를 정확히 보존함을 실증.

How

Figure 2. Overview of the Hodge Spectral Duality (HSD) architecture. The HSD architecture separates operator learning in

• Riemannian manifold (M, g) 위의 물리장을 다중 차수 differential form u ∈ ⊕k Ωk(M)로 표현하고, exterior derivative d, codifferential δ, Hodge star ∗로 구성된 연산자 A(u; g, κ, ∂M, f) = 0으로 PDE를 기술
• Hodge decomposition을 통해 각 k-form을 gradient-type, curl-type, harmonic 성분으로 직교 분해하고, harmonic 성분(Hodge Laplacian의 kernel)을 cohomology 군과 동형인 전역 불변량으로 명시적으로 보존
• 그래프를 higher-order cell(면, 부피)로 확장한 simplicial complex 위에서 0-, 1-, 2-form을 정점·엣지·면에 할당하고 discrete operator가 d²=0, δ²=0 및 Hodge decomposition을 정확히 유지하도록 설계
• 위상 지배 성분을 discrete differential form으로 다루는 base branch(on the complex)와, 복잡한 국소 동역학을 표현하는 fiber branch(orthogonal ambient space)로 구성된 dual-branch architecture를 lift/project 연산으로 결합
• Lie–Trotter type operator splitting을 이용해 두 branch를 시간 전개(evolve)에서 결합하는 Hybrid Eulerian-Lagrangian 구조 채택
• External Aerodynamics, Magnetostatics 등 복잡한 manifold 지오메트리 데이터셋에서 velocity/magnetic vector field 예측 실험 수행

Originality

• Hodge orthogonality를 이용해 위상적으로 학습 불가능한 자유도(unlearnable topological degrees of freedom)와 학습 가능한 기하학적 동역학을 명시적으로 분리한다는 이론적 통찰 제시
• Hodge 이론과 operator splitting을 결합해 operator-level decomposition을 도출하고, 이를 "Hodge Spectral Duality"라는 대수적 수준의 귀납 편향(inductive bias)으로 정식화
• 기존 topological deep learning 연구가 주로 분류나 유한-스텝 보간에 국한된 것과 달리, 연속적인 operator mapping 문제에 discrete exterior calculus를 명시적으로 접목

Limitation & Further Study

• 발췌된 내용만으로는 harmonic 성분의 계산/업데이트가 전체 학습 파이프라인에서 어떻게 미분 가능하게 유지되는지, 계산 복잡도가 대규모 mesh에서 어떻게 확장되는지에 대한 구체적 분석이 부족해 보임
• 실험이 External Aerodynamics, Magnetostatics 등 제한된 도메인에 국한되어 있어, 더 다양한 위상(고차 genus, 다중 경계) manifold에 대한 일반화 검증이 필요
• operator splitting 기반 dual-branch 결합의 이론적 수렴성 및 오차 보장에 대한 엄밀한 분석이 추가로 요구됨

Evaluation

총평: Hodge 이론에 기반한 원리적인 구조 분해를 neural operator 아키텍처에 명시적으로 내장한 참신하고 이론적으로 견고한 접근으로, 위상 보존과 물리적 정확도 측면에서 기존 방법 대비 뚜렷한 진전을 보인다.