편미분방정식(PDE) 풀이를 대폭 가속하는 신경 연산자(Neural Operator, NO) 대리 모델(surrogate)은 수치 해석 대비 수백 배 빠른 속도를 제공하지만, 고유한 한계를 가진다. 고주파 성분이 체계적으로 감쇠되는 ‘스펙트럼 편향(spectral bias)’ 문제로, 미세 구조가 중요한 응용 분야에서 신뢰성이 떨어진다. 한편 희소 센서 데이터는 스펙트럼 왜곡 없이 점별 정확도를 제공하지만, 영역의 극히 일부만 커버한다. 2026년 6월 공개된 논문 ‘FreqNO-DPS’는 이 두 가지 한계를 확산 사후 샘플링(diffusion posterior sampling, DPS)으로 동시에 극복하는 방법을 제시한다.
FreqNO-DPS는 세 요소를 결합한다. 고품질 시뮬레이션 데이터로 학습된 무조건적 스코어 기반 확산 사전(diffusion prior), 희소 센서 관측값에 조건화된 DPS, 그리고 학습을 멈춘 동결(frozen) 신경 연산자가 안내(guidance) 역할을 한다. 핵심 기여는 단순히 신경 연산자를 DPS에 통합할 경우 대리 모델의 스펙트럼 편향이 사후 분포에 재도입되는 문제를 해결한 것이다. 이를 위해 신경 연산자의 주파수별 정확도로 가중치를 부여하는 폐합(closed-form) 형태의 스펙트럼 형상 안내 점수를 도입했다. 역전파 없이도 작동한다.
3D 탄성 파동장 예측 실험에서 5% 및 2% 센서 커버리지 조건으로 성능을 검증했다. 결과적으로 전 주파수 대역에서 근제로(near-zero) 스펙트럼 편향을 달성했다. 신경 연산자만 단독으로 사용하거나 센서 데이터만으로 DPS를 수행하는 방식 모두 고주파 감쇠가 두드러졌으나, FreqNO-DPS는 두 한계를 동시에 극복했다. 등방성(isotropic) 안내를 기준선으로 삼을 경우 점별 정확도는 개선되지만 편향이 사후 분포에 거의 그대로 남아, 주파수별 보정이 단순한 개선이 아닌 필수 조건임을 확인했다.
연구팀은 이 프레임워크가 대리-참조 쌍 데이터와 스펙트럼 일관성 진단 도구만 있으면 특정 문제 구조와 무관하게 적용 가능하다고 설명했다. 신경 연산자를 활용하는 기상 예측, 구조 공학, 탄성 시뮬레이션 등 고주파 정밀도가 중요한 분야에서의 활용 가능성이 주목받고 있다.
