arXivに投稿された論文（番号2606.27459）は、2次元平坦トーラス上での3次非線形シュレディンガー（NLS）方程式に対する演算子学習を扱っている。著者はEmmanuel E. Oguadimmaらであり、機械学習と偏微分方程式解析の融合領域に位置する研究である。本研究の動機は、トーラスのアスペクト比がフーリエ共鳴構造を大きく左右し、有理幾何と無理幾何で高周波カスケードの振る舞いが本質的に異なる点にある。この幾何依存性は、データ駆動型の演算子学習に独自の課題をもたらす。
そこで著者らは、幾何条件付きフーリエニューラル演算子（FNO）を設計した。モデルの入力はNLS方程式の解の実部と虚部に加え、アスペクト比パラメータω²を明示的に含む。モデルは1ステップ解演算子の近似を目的として訓練され、現在の解から次の時刻の解を予測する。訓練データはフーリエ擬スペクトル法を用いて生成され、初期条件はランダム位相で与えられる。評価は未見の軌道に対して行われ、モデルが特定の軌道に過適合していないことを確認している。
数値実験の結果、学習された演算子は両方のトーラス上で主要な解のダイナミクスを捉えることが示された。特に、有理トーラスではより強いH²ノルムの成長が、無理トーラスではより抑制された挙動が再現され、これはエネルギーカスケードに関する既存の理論的知見と一致する。この結果は、ニューラル演算子が単なるブラックボックス近似ではなく、スペクトル輸送現象を学習できる可能性を示唆している。
さらに、著者らは保持するフーリエモード数、活性化関数、フーリエ層の深さ、幾何条件の明示的な有無に関するアブレーション実験を行った。その結果、ω²を入力に含めることで長期予測精度が向上し、特に有理幾何の場合にその効果が顕著であることがわかった。このことは、ニューラル演算子に物理的な幾何情報を組み込む重要性を強調している。総じて、本研究は非線形分散偏微分方程式におけるスペクトル輸送現象を学習するための幾何認識型ニューラル演算子の有用性を支持するものである。