본 논문은 제한된 데이터(2~5개의 궤적)만으로도, 알려진 PDE 항 없이 PDE 연산자를 학습하는 새로운 프레임워크인 Spectral-inspired Neural Operator (SINO)를 제안합니다. SINO는 주파수 영역에서 동작하며, 미분 승수와 유사한 스펙트럼 표현을 학습하는 Frequency-to-Vector 모듈과, 앨리어싱을 방지하기 위한 저역 통과 필터를 포함하는 비선형 연산자 블록을 도입합니다. 또한, 효율적인 추론을 위해 학습된 모델을 증류하는 기법을 제시합니다. 다양한 PDE 벤치마크에서 최첨단 결과를 달성하며, 강력한 이산화 불변성과 분포 외 초기 조건에 대한 강건한 일반화 능력을 보여줍니다. SINO는 명시적인 PDE 항 없이 제한된 데이터로 전역적으로 결합된 시스템(예: Navier-Stokes 방정식)을 정확하게 시뮬레이션할 수 있는 최초의 물리적 인식 방법입니다.
