본 연구는 고충실도 데이터가 부족한 실제 시나리오에 중점을 두고 효율적인 시공간 유동장 예측을 위한 향상된 다중 충실도 심층 연산자 네트워크(DeepONet) 프레임워크를 제시합니다. 연산자와 좌표 공간 사이의 더 복잡한 특징 상호작용을 가능하게 하는 병합 네트워크를 통합하여 DeepONet 아키텍처를 향상시켜 기존의 내적 연산에 비해 예측 오류를 50.4% 줄였습니다. 또한, 시간적 위치 인코딩과 점 기반 샘플링 전략을 통해 아키텍처를 최적화하여 예측 정확도를 7.57% 향상시키는 동시에 효율적인 샘플링과 자동 혼합 정밀도 훈련을 통해 훈련 시간을 96% 단축했습니다. 이를 기반으로 사전 훈련된 저충실도 모델의 지식을 활용하여 고충실도 예측을 안내하는 전이 학습 기반 다중 충실도 프레임워크를 개발했습니다. 고충실도 훈련 중 병합 네트워크만 훈련 가능하도록 사전 훈련된 분기 및 트렁크 네트워크를 고정하여 저충실도 표현을 유지하면서 고충실도 특징에 효율적으로 적응합니다. 이러한 미세 조정 전략은 선형 프로빙 및 전체 조정 대안을 능가할 뿐만 아니라 기존의 다중 충실도 프레임워크보다 최대 76% 우수하며, 단일 충실도 훈련에 비해 예측 정확도를 최대 43.7% 향상시키는 것을 보여줍니다. 핵심 기여는 새로운 시간 도함수 유도 샘플링 방법으로, 전체 데이터셋으로 훈련된 모델과 동등한 예측 정확도를 유지하면서 원래 고충실도 샘플의 60%만 필요하다는 것입니다.
