MENO: MeanFlow-Enhanced Neural Operators for Dynamical Systems

Motivation

Known: Fourier Neural Operator(FNO) 등의 신경 연산자는 grid-invariant 특성으로 효율적이지만, 스펙트럼 공간에서 고주파 성분을 자르면서 훈련 해상도보다 높은 해상도에서 성능이 급격히 저하된다. Diffusion model을 기반한 enhancement 방법은 정확도를 개선하지만 추론 비용이 높다.
Gap: 신경 연산자는 저해상도 훈련 데이터로부터 고해상도에서의 정확한 다중 스케일 예측을 달성하기 어렵고, 기존 생성 모델 기반 enhancement는 효율성 이점을 상쇄한다.
Why: 복잡한 동역학계(유체흐름, 기상, 재료과학 등)의 정확하고 효율적인 시뮬레이션은 과학 계산의 핵심 도전이며, 소규모 동역학이 에너지 전달과 장기 진화를 지배하므로 다중 스케일 정확도와 계산 효율의 균형이 필수적이다.
Approach: 저해상도 동역학을 학습하는 표준 Neural Operator와 i-MF 기반 생성 디코더를 분리하여 학습하고, 신경 연산자의 출력을 한 번의 효율적인 스텝으로 고해상도로 향상시킨다.

Figure 2. Columns show snapshots along a trajectory from KF256 dataset at t = 6, 12, . . . , 54. The top row reports the

정확도 개선: Power Spectrum Density(PSD) 정확도를 기준 신경 연산자 대비 최대 2배 향상시키면서 소규모 구조와 대규모 동역학을 모두 복원
추론 효율성: Diffusion Denoising Implicit Model(DDIM) 기반 방법 대비 12배 빠른 추론 속도 달성
범용성: Phase-field dynamics, 2D Kolmogorov flow, 2D active matter 등 다양한 물리 시스템에서 256×256 해상도까지의 고충실도 예측 달성
통계적 무결성: 신경 연산자보다 우수한 물리적 충실도와 통계적 정확도로 예측 필드의 통계적 성질 복원

Figure 1. The MeanFlow-Enhanced Neural Operators framework. Panel (a) illustrates training the MeanFlow decoder on high-

Lifting operator P로 입력 함수를 고차원 잠재 특성 공간으로 사영
Kernel integration layer Kθ를 여러 층 적층하여 비국소 적분 연산자로 특성 필드 변환
Projection operator Q로 마지막 잠재 특성 필드를 출력 공간으로 매핑
신경 연산자의 저해상도 출력을 조건부 입력으로 하여 i-MF 디코더 훈련: zt = atx + btϵ 선형 보간을 통해 데이터와 노이즈 사이의 직선 궤적 구성
Conditional Flow Matching(CFM) 목적함수 LCFM = Et,x,ϵ∥vθ(zt,t) − v(zt|x,ϵ)∥²로 속도 모델 vθ 최적화
추론 시 신경 연산자 출력을 i-MF 디코더에 입력하여 단일 스텝으로 고해상도 예측 생성

훈련 해상도와 평가 해상도 간 갭이 큰 극단적 경우에 대한 성능 한계 미분석
세 가지 벤치마크 데이터셋에만 평가되어 다른 물리 시스템(예: 기상, 양자 시스템)으로의 일반화 가능성 불명확
I-MF 디코더의 훈련 안정성, 하이퍼파라미터 선택, 기본 신경 연산자 아키텍처(FNO, UNO, LNO) 간 성능 차이에 대한 상세한 분석 부족
후속연구: (1) 더 극단적인 해상도 향상 비율에서의 성능 연구, (2) 다양한 물리 도메인과 방정식에 대한 평가 확장, (3) 적응형 하이퍼파라미터 선택 메커니즘 개발, (4) 신경 연산자와 생성 디코더 간 특성 공간 불일치 완화 기법 탐색