Koopman 이론은 비선형 동역학(nonlinear dynamics) 내의 선형 구조를 약속하지만, 수치적 Koopman 스펙트럼(spectra)은 계산하기는 쉬우나 신뢰하기는 어렵습니다. 유한한 EDMD 행렬은 항상 고유값(eigenvalues)을 가지지만, 문제는 그중 상당수가 무한 차원 연산자(infinite-dimensional operator)와 아무런 관련이 없을 수 있다는 점입니다. 본 논문에서 우리는 스펙트럼 신뢰성(spectral reliability)을 사전 학습(dictionary learning)의 목표로 삼습니다. 우리는 신경망 사전(neural-network dictionaries)을 단순히 다음 스냅샷을 예측하기 위해서가 아니라, 잔차 동적 모드 분해(Residual Dynamic Mode Decomposition) 잔차를 최소화하도록 학습시킵니다. 이 잔차는 계산된 고유값과 모드(modes)가 진정한 Koopman 스펙트럼 객체인지 테스트하는 연산자 수준의 사후 오차(a posteriori errors)입니다. 학습된 관측 가능량(observables)이 불안정한 좌표계로 붕괴되는 것을 방지하기 위해, 손실 함수(loss function)는 리프트된 데이터 행렬(lifted data matrix)의 조건수(condition number)에 대해서도 패널티를 부여합니다. 따라서 이 방법은 분리되어서는 안 될 두 가지 요구 사항, 즉 작은 Koopman 잔차와 잘 조건화된 표현(well-conditioned representation)을 결합합니다. 그 결과, 표현력이 풍부하고 수치적으로 안정적이며 스펙트럼적으로 규율된(spectrally disciplined) 학습된 사전을 얻게 됩니다. 보존적(conservative) 및 소산적(dissipative) 벤치마크 시스템 전반에 걸쳐, 이 방법은 표준 고정 사전(fixed dictionaries)에 비해 스펙트럼 오염(spectral pollution)을 급격히 줄이고, 잔차 유사 스펙트럼 포함(residual pseudospectral inclusion)을 개선하며, 예측 오차를 낮춥니다. 해수면 온도 데이터의 경우, 지배 방정식(governing equations)이 없는 노이즈가 있는 관측값으로부터 더 깨끗한 Koopman 진단과 실질적으로 더 나은 1단계 예측을 제공합니다. 메시지는 간단합니다. 신경망 Koopman 학습은 예측만으로 판단되어서는 안 되며, 그 스펙트럼 주장이 인증될 수 있는지에 따라 판단되어야 합니다. 잔차(Residuals)는 인증을 제공하고, 조건화(conditioning)는 이를 계산 가능하게 만듭니다.