Fourier Neural Operators (FNO)는 복소 푸리에 영역 (complex Fourier domain)에서 전역 컨볼루션 (global convolutions)을 매개변수화함으로써 편미분 방정식 (PDE)의 해 연산자 (solution operators)를 학습합니다. 실수 값 PDE 해의 경우, 복소 FFT (Fast Fourier Transform)는 켤레 대칭성 (conjugate symmetry)을 통해 표현상의 중복성 (representational redundancy)을 수반합니다. 우리는 FNO의 정확한 실수 값 거울상인 Hartley Neural Operator (HNO)를 소개합니다. HNO는 FFT를 순수 실수인 이산 하틀리 변환 (Discrete Hartley Transform)으로 대체하며, 복소 산술 (complex arithmetic) 없이 유지된 스펙트럼 모드당 단일 실수 승수 (real multiplier)를 학습합니다. 실수 하틀리 스펙트럼은 켤레 대칭성에 의해 절반으로 줄어들지 않기 때문에, HNO는 FNO보다 두 배 많은 주파수 코너 (frequency corners)를 유지하지만, FNO가 복소 쌍 (complex pair)을 갖는 곳에서 HNO는 하나의 실수 가중치 (real weight)를 갖습니다. 따라서 두 연산자는 동일한 너비에서 등매개변수적 (iso-parametric)이며 오직 스펙트럼 기저 (spectral basis)에서만 차이가 납니다. 우리의 핵심 논지는 최적의 기저가 연산자의 속성이라는 것입니다. 자기 수반 타원형 연산자 (Self-adjoint elliptic operators; Poisson, biharmonic)는 실수이며 대칭적인 그린 함수 (Green's functions)를 가지며, 이는 실수 하틀리 승수에 의해 정확하게 대각화 (diagonalize)되므로 HNO가 유리합니다. 시간 의존적 연산자 (Time-dependent operators)는 파동 방정식 (wave equation)의 진동부터 이류 (advection), Burgers, Navier-Stokes의 수송 (transport)에 이르기까지 위상 (phase)을 포함하며, 이는 실수 대각 승수 (real diagonal multiplier)가 표현할 수 없으므로 FNO가 유리합니다. 이러한 경향은 연산자의 위상 함량 (phase content)이 증가할수록 더욱 뚜렷해지며, 위상이 없는 열 방정식 (heat equation)이 경계 사례가 됩니다. 두 연산자를 동일하게 학습시키고 PDE 클래스, 초기 조건 (initial-condition) 군, 경계 조건 (boundary conditions)에 대해 벤치마킹한 결과, 연산자의 위상 함량에 따라 단조적으로 변화하는 타원형 대 시간 의존형 분할을 발견하였으며, 이는 우리가 개발한 그린 함수 이론과 일치합니다. 우리의 연구 결과는 보편적인 승자를 제시하기보다, 스펙트럼 기저를 해 연산자의 대칭성에 맞추라는 예측 규칙을 제공합니다.