높은 파수(wavenumber)에서 이질적인 Helmholtz 방정식을 푸는 것은 이산화된 연산자(discretized operator)가 부정치(indefinite)이고, 오염(pollution) 현상이 위상 정확도를 저하시키며, 스칼라 조립 격자 보정(scalar coarse-grid correction)이 진동 오차(oscillatory errors)에 포함된 국부적 위상 및 전파 방향 정보를 버릴 수 있기 때문에 여전히 어려운 과제로 남아 있습니다. 우리는 이질적인 Helmholtz 방정식을 위한 학습된 위상 공간 멀티그리드 프리컨디셔너(learned phase-space multigrid preconditioner)인 McMg(Multi-channel Multigrid)를 제안합니다. McMg는 해(solution)를 직접 예측하는 대신, 반복 프레임워크(iterative framework) 내에서 잔차(residuals)를 보정값(corrections)으로 매핑합니다. 이 방법의 핵심 아이디어는 물리적 공간을 조립(coarsen)하는 동시에 채널 차원(channel dimension)에 해소되지 않은 국부적 파동 정보를 유지하는 것입니다. 즉, 각 조립 노드(coarse node)는 단일 스칼라 미지수가 아닌, 학습된 진폭(amplitude), 위상(phase), 방향(direction) 및 산란 계수(scattering coefficients) 패킷을 전달합니다. 이 아키텍처는 선형 다채널 전이 연산자(linear multi-channel transfer operators)를 국부 적응형 스텐실(locally adaptive stencils), 신경 PDE 연산자(neural PDE operators), 그리고 파동 속도(wave speed)로부터 생성된 계수를 사용하는 매질 의존적 스무더(medium-dependent smoothers)와 결합합니다. 고정된 매질에 대해 V-사이클(V-cycle)은 잔차에 대해 선형적입니다. 비선형 물리적 특징은 설정 단계(setup phase)에서 한 번 계산되어 캐싱되므로, 각 온라인 반복(online iteration)은 고정된 계수를 사용한 컨볼루션(convolutions)으로 축소됩니다. 우리는 더 나아가 규모(scales)에 따른 일반화 성능을 연구합니다. 작은 도메인에서 학습된 모델은 더 큰 도메인과 더 높은 유효 파수(effective wavenumbers)로 직접 전이되며, 계층별 점진적 미세 조정(Layer-by-Layer Progressive Finetuning, LLPF) 전략은 새로운 조립 레벨(coarse levels)만을 추가하고 미세 조정함으로써 학습된 그린 연산자(Green's operator)의 지원 범위를 확장합니다. 고주파, 고대비 및 대규모 3차원 문제에 대한 수치 실험 결과, McMg는 강력한 기존 클래식 베이스라인(classical baselines)보다 실질적으로 더 적은 반복 횟수와 더 적은 실제 실행 시간(wall-clock time)을 요구하며, 기존의 신경 프리컨디셔너(neural preconditioners)보다 일관되게 우수한 성능을 보임을 입증했습니다.