Transformer 기반 신경망 연산자를 사용한 편미분 방정식 (PDE) 데이터 기반 풀이법의 발전에 대한 연구가 진행되고 있으며, 특히 계산 효율성을 높이기 위해 시도되고 있다. Physics-Attention을 활용한 Transolver는 이러한 연구의 대표적인 예시이나, 본 연구는 Physics-Attention이 선형 어텐션의 특수한 경우로 재구성될 수 있으며, slice attention이 모델 성능에 부정적인 영향을 미칠 수 있음을 발견했다. 이를 바탕으로 slice 및 deslice 연산의 중요성을 강조하고, Physics-Attention을 canonical linear attention으로 재설계한 Linear Attention Neural Operator (LinearNO)를 제안한다. LinearNO는 6개의 표준 PDE 벤치마크에서 SOTA 성능을 달성했으며, 평균 40.0%의 파라미터 수 감소와 36.2%의 계산 비용 감소를 보였다. 또한, AirfRANS 및 Shape-Net Car와 같은 산업 수준의 데이터셋에서도 우수한 성능을 나타냈다.
