많은 과학 및 공학 응용 분야에서는 실험적으로 관측 가능한 데이터로부터 알려지지 않은 매개변수를 추정해야 하는데, 이러한 역문제(inverse problem)는 비선형성, 노이즈, 그리고 부적정성(ill-posedness)으로 인해 본질적으로 어렵다. 본 논문에서는 능동적 디퓨전 기반 역문제 솔버를 제안한다. 디퓨전 모델(DM)은 매개변수 공간과 관측 공간 사이의 매핑을 학습하도록 학습된다. 이 방법은 사후 불확실성(posterior uncertainty)을 통해 모델 오지정(model misspecification)을 반복적으로 탐지하고 보정함으로써, 초기 학습 범위가 실제 매개변수를 포함하지 않는 경우에도 매개변수 공간의 올바른 영역을 발견하고 학습한다. 이는 적응적 도메인 증강(adaptive domain augmentation)에 대한 원리적인 베이지안 근거를 제공하며, 불완전한 사전 지식 하에서도 역문제에 대한 강건한 추론을 보장한다. 우리는 무한히 많은 해를 갖는 토이 역문제와, 핵자 구조에 대한 양자색역학(Quantum Chromodynamics) 분석에서 양자 상관 함수를 이벤트 관측량으로 매개변수화하는 문제에 대해 제안한 역문제 솔버의 효과를 입증한다.
직접 측정할 수 없는 공유된 미지의 양을 이종의 다중 데이터셋으로부터 추출하는 것은 여러 과학 분야에 걸친 공통된 과제입니다. 대표적인 예로 서로 다른 설정(예: 다양한 검출기 해상도)을 가진 서로 다른 측정에서 얻은 데이터셋의 결합을 들 수 있습니다. 이러한 데이터셋을 독립적으로 분석하거나 단순 병합한 후 분석하기보다 공동으로 분석하는 것은 미지수에 대한 정밀하고 편향 없는 추정치를 얻는 데 필수적이지만, 데이터셋의 이종성을 신중하게 다뤄야 하며 많은 계산량을 요구합니다. 본 논문에서는 생성형 AI 기반 역문제 해결기의 맥락에서 여러 이종 데이터셋을 동시에 분석하기 위한 일반화된 프레임워크를 제시합니다. 최근 개발된 자사의 Scalable Asynchronous Generative Inverse Problem Solver(SAGIPS) 프레임워크를 기반으로 하여, 널리 확립된 분산 데이터 병렬 학습 패러다임을 동일하지 않은 분포를 갖는 데이터셋으로 확장합니다. 여기서 각 데이터셋은 동일한 미지의 추론 매개변수 집합에 의해 제어되지만 가용한 특징 공간의 서로 다른 영역을 포괄합니다. 각 데이터셋은 고유한 순방향 연산자와 판별자(discriminator)를 통해 처리되어 상호보완적인 제약 조건을 제공하며, 이는 공유된 생성자(generator)가 전역적 매개변수 일관성을 갖도록 공동으로 유도합니다. 다중 검출기 산란 실험에서 영감을 얻은 제어된 설정을 사용하여 이 접근 방식을 검증합니다. 러더퍼드(Rutherford) 실험의 미지 검출기 계통 오차로 인해 발생하는 다양한 데이터 충실도에 대해 본 프레임워크가 강건함을 수치적 증거로 제시하며, 멀티 GPU 리더십 컴퓨팅 시스템에서의 스케일링 거동을 보여줍니다. 결과는 본 접근 방식이 측정 전반에 걸쳐 실험 조건이 달라지는 실제 다중 데이터셋 분석에 매우 적합함을 보여줍니다.
머신러닝은 과학 시설의 실시간 모니터링, 최적화, 제어에 있어 상당한 잠재력을 입증해 왔다. 그러나 운영 환경에서 ML 모델을 배포하고 유지관리하는 것은 여전히 상당한 엔지니어링 과제로 남아 있다. 각 시설마다 고유한 데이터 프로토콜, 비표준 포맷, 인프라 제약이 존재하여, 팀들이 새로운 애플리케이션마다 통합 파이프라인을 처음부터 재구축해야 하는 상황이 발생한다. 본 논문에서는 이러한 과제를 세 가지 기여를 통해 해결하는 Kafka 기반 컨테이너화 프레임워크인 SMOCS(Streaming Monitoring Optimization and Control System)를 제안한다: 1) 인프라와 애플리케이션 로직을 분리하는 Apache Kafka 상의 계층적 추상화, 2) 데이터 수집, 모델 학습, 실시간 추론을 시간적으로 분리하여 라이브 데이터 스트림으로부터의 지속적인 온라인 학습을 가능하게 하는 3-스레드 에이전트 아키텍처, 3) 소프트웨어 엔지니어링 전문 지식 없이도 도메인 전문가가 ML 파이프라인을 운영할 수 있게 하는 구성 기반 배포 모델. SMOCS는 시설 플랫폼에 독립적이며, 설계상 결함 격리가 적용되고, Docker 컨테이너화를 통해 수평적 확장이 가능하다. 본 프레임워크는 Jefferson Lab Github에 오픈소스 소프트웨어로 공개되어 있다.