本記事では、時間依存の偏微分方程式（PDE）を解くためのニューラルオペレーターの効果的なフレームワークについて紹介しています。従来の方法では、質量やエネルギーの保存法則に沿ったPDEの解法に対して、保存特性を確保することができず、モデルのパフォーマンスが低下してしまいます。著者たちは、異なるPDE問題に対する最適なニューラルネットワークアーキテクチャの違いに着目し、外部埋め込み保存フレームワーク（ECF）を提案します。このフレームワークは、入力データから保存量を抽出するエンコーダと、これらの量を用いて予測を修正するデコーダから構成されており、保存法則を厳密に満たすことができます。実験結果により、提案手法が複数の保存法則に制約されたPDEシナリオにおいて、モデルの精度を向上させることが証明されています。