본 연구는 고충실도 데이터가 부족한 상황에서 효율적인 시공간 유동장 예측을 위한 향상된 다중 충실도 심층 연산자 네트워크(DeepONet) 프레임워크를 제시합니다. 주요 혁신 사항으로는 기존의 점곱 연산을 대체하는 병합 네트워크(merge network)를 통해 예측 오류를 50.4% 감소시키고 정확도를 7.57% 향상시키면서 훈련 시간을 96% 단축한 점, 사전 훈련된 저충실도 네트워크를 고정하고 병합 네트워크만 학습 가능하게 하는 전이 학습 기반 다중 충실도 접근 방식을 통해 기존 방식보다 최대 76% 향상된 성능과 단일 충실도 훈련보다 43.7% 높은 정확도를 달성한 점, 그리고 시간적 역학을 기반으로 고충실도 훈련 점을 전략적으로 선택하는 물리 기반 하위 샘플링 방법을 통해 고충실도 샘플 요구량을 40% 줄이면서 유사한 정확도를 유지한 점 등이 있습니다. 다양한 해상도와 데이터 세트에 대한 포괄적인 실험을 통해 제안된 프레임워크가 예측 정확도를 유지하면서 필요한 고충실도 데이터 세트 크기를 크게 줄일 수 있음을 보여주며, 기존의 기준 모델보다 일관되게 우수한 성능을 보입니다.
