신경 대리 모델 (Neural surrogate models)은 PDE 파라미터에서 해(solution)로의 빠른 근사 매핑을 제공하지만, 일반적으로 풀이 과정을 순수하게 통계적인 작업으로 취급합니다. 즉, 일단 학습되면 스스로의 제약 조건 위반 (constraint violations)을 수정하거나 학습 분포를 벗어난 외삽 (extrapolate)을 수행하는 데 어려움을 겪습니다. 최근의 하이브리드 방법들은 경사 하강법 (gradient descent) 또는 Gauss--Newton 단계를 통해 PDE 잔차 (residual)를 타겟팅함으로써 물리적 정확성을 증진시키지만, 기반이 되는 고전적 최적화 도구 (classical optimizers)의 계산 비용과 불안정성을 그대로 물려받습니다. 우리는 이론적 및 경험적으로, 수치적으로 PDE 잔차를 최소화하는 것이 조건수가 나쁜 (ill-conditioned) 시스템에서 재구성 정확도 (reconstruction accuracy)를 위한 신뢰할 수 없는 대리 지표 (proxy)가 될 수 있음을 보여주며, 이는 왜 이러한 방법들이 낮은 잔차를 달성함에도 불구하고 종종 정확한 예측을 하지 못하는지를 설명합니다. 우리는 다른 원리에 기반한 오차 조건부 신경 솔버 (Error-conditioned Neural Solvers, ENS)를 제안합니다. ENS는 최적화 목표로 삼는 대신, 각 반복 (iteration) 단계에서 PDE 잔차 필드 (residual field)를 네트워크의 직접적인 입력으로 전달하여, 네트워크가 자신의 오차에 대한 공간적 구조를 읽고 예측을 반복적으로 수정하기 위한 업데이트 정책 (update policy)을 학습할 수 있도록 합니다. 네 가지 PDE 제품군에 대해, ENS는 대다수의 설정에서 가장 높은 예측 정확도를 달성하였으며, 난류 Kolmogorov 흐름 (turbulent Kolmogorov flow)에서는 $10 imes$에 달하는 성능 향상을 보였고, 동시에 하이브리드 방법의 값비싼 계산 비용을 피했습니다. ENS의 학습된 수정 정책은 제로샷 (zero-shot) 파라미터 변경 및 교차 방정식 전이 (cross-equation transfer)를 포함한 분포 변화 (distribution shift) 상황에서도 일반화되며, 특히 잔차 최소화가 가장 신뢰할 수 없는 조건수가 나쁜 영역에서 상대적 이점이 가장 크게 나타납니다. 프로젝트 웹사이트: https://neuralsolver.github.io/.