본 논문은 과학적 기계 학습에서 고주파 정보 모델링의 어려움을 해결하기 위해, 특히 난류 흐름 시뮬레이션에서 나타나는 고주파 신호를 정확하게 모델링하는 방법을 제시한다. 기존의 Fourier Neural Operators (FNOs)는 저주파 성분에 치우친 학습 경향(spectral bias)으로 인해 고주파 성분을 잘 학습하지 못하는 한계를 지닌다. 이를 해결하기 위해, 본 논문은 두 가지 주요 아키텍처 개선 사항을 제안한다: (i) 국소 스펙트럼 합성곱을 수행하는 병렬 분기 (ii) 고주파 전파 모듈. 또한, 반경 방향으로 구분된 스펙트럼 오차를 기반으로 하는 새로운 주파수 민감 손실 항을 제안한다. 제안된 방법은 유체 역학 및 생물학적 패턴 형성에 대한 세 가지 어려운 PDE 문제에 대한 실험을 통해 기존의 신경 연산자 기준 모델보다 효과적임을 보여준다. 병렬 분기의 도입으로 최대 50%까지 학습 가능한 매개변수 수를 줄이면서 기준 FNO의 정확도를 달성한다.
