usc.edu.cn

이 이메일 도메인이 관측된 논문 3건

arXiv:2610.12293v1hep-ph

머신러닝과 고에너지 핵물리학의 만남: 패턴 인식에서 물리 통합 발견까지

Machine Learning Meets High-Energy Nuclear Physics: From Pattern Recognition to Physics-Integrated Discovery

고에너지 핵물리학(HENP)에서의 머신러닝(ML)은 물리적 지식이 데이터 분석, 시뮬레이션, 물리 추론에 더 직접적으로 통합되는 새로운 단계에 접어들고 있다. 이 미니 리뷰는 지난 수년간 성숙해 온 발전에 초점을 맞춘다. 초기 응용이 사건 분류(event classification), 패턴 인식, 선택된 관측량에 대한 대체 모델(surrogate model)을 강조했던 것과 달리, 최근 연구는 물리 통합 워크플로우로 이동하고 있다: QCD 물질 특성의 보정된 베이즈 추출(calibrated Bayesian extraction), 중이온 및 중성자별 데이터로부터의 고밀도 물질 상태방정식(equation-of-state) 추론, 생성적 사건 모델링(generative event modeling), 약한 물리 신호의 신경망 언폴딩(neural unfolding), 미분 가능한 역해법(differentiable inverse solver), 게이지 등변(gauge-equivariant) 및 디퓨전 기반 격자장 샘플러(lattice-field sampler), 그리고 홀로그래픽 QCD에서의 모델 함수에 대한 신경망 재구성이다. 우리는 중이온 충돌, 중성자별 물리학, 격자 양자장론(lattice QFT), 홀로그래픽 또는 연속체 QCD에서의 ML의 최근 응용을 조사한다. 강조점은 ML 아키텍처 자체가 아니라, 이들이 구체적인 물리 워크플로우에 어떻게 투입되는지, 대칭성, 보존 법칙, 인과성, 열역학적 안정성, 위상(topology)과 같은 물리적 제약이 어떻게 부과되는지, 그리고 불확도 정량화(uncertainty quantification)와 검증이 AI 보조 결과가 신뢰할 수 있는 물리적 결론을 지지할 수 있는지를 어떻게 결정하는지에 있다.

arXiv:2609.03804v1cs.CV

도시 경계, 사회적 장벽: 게이트 커뮤니티 매핑과 형평성 함의를 위한 벤치마크 및 비전 중심 프레임워크

Urban Boundaries, Social Barriers: A Benchmark and Vision-Centric Framework for Mapping Gated Communities and Equity Implications

커뮤니티는 도시 형태와 사회적 삶을 형성하는 근본적인 공간 단위이다. 주거 단지가 공간적으로 개방적인지 폐쇄적인지는 이동성, 공공 서비스 접근, 형평성에 영향을 미치지만, 중국 폐쇄형 소구(封闭小区, fengbi xiaoqu) 연구는 대체로 질적이거나 소규모에 그쳐 재현 가능한 도시 규모 분석을 제한해 왔다. 이 공백을 메우기 위해 우리는 중국 대wan구(Greater Bay Area)에서 지역 맥락에 기반한 게이트/개방형 커뮤니티 인식을 위한 대도시 규모 멀티모달 벤치마크 GBA-GCs를 제안한다. 이 벤치마크는 정렬된 경계 폴리곤, 고해상도 위성 영상, 중국어 메타데이터, 구조화 속성을 갖춘 37,444개 주거 단지를 포함하며, 전문가 검증 라벨, annotator 간 신뢰도, 공식 평가 분할을 함께 제공한다. 이 벤치마크 위에 DINOv3-SAT 기반의 비전 중심 멀티모달 프레임워크 Multimodal Classifier for Gated Community(MCGC)를 제시한다. MCGC는 모달리티 인식 교차 어텐션(modality-aware cross-attention)과 적응형 게이팅(adaptive gating)으로 영상, 텍스트, 구조화 단서를 융합해 모달리티 불균형을 완화한다. MCGC는 강력한 단일 모달 및 멀티모달 베이스라인을 일관되게 능가한다. 마지막으로 검증된 모델을 대도시 규모 매핑에 적용하고, GC의 공간적 클러스터링, 사유화된 녹지 공간, 보행 연결성 저하 등 형평성 지향적 결과를 보고한다. 벤치마크, 코드, 공개 문서는 https://github.com/MinweiZhao/GBA-GCs 에서 이용할 수 있다.

arXiv:2606.17529v1cs.CE

과학적 기계학습 대리 모델을 위한 도메인 유효성 게이트 메타모픽 테스트

Domain-Validity-Gated Metamorphic Testing of Scientific ML Surrogates

과학적 기계학습(SciML) 대리 모델은 비용이 많이 드는 시뮬레이션을 근사하지만, 임의의 입력에 대한 정확한 예상 출력을 얻을 수 없습니다(오라클 문제). 메타모픽 테스트는 실행 간의 관계를 검사하지만, 후보 관계가 자동으로 유효한 것은 아닙니다. 선행 조건, 출력 매핑, 그리고 점수 연산자의 수치적 하한(numerical floor)이 위반 여부가 의미 있는지를 결정합니다. 우리는 후보 메타모픽 관계(MR)를 도메인 유효성에 대해 선별하고, SciML 대리 모델을 위한 실행 가능하며 오라클이 없는 테스트 자산으로 전환하는 방법을 연구합니다. 우리는 (i) 허용 오차(tolerance)가 연산자의 수치적 하한보다 크고 선행 조건이 충족될 때만 후보를 승인하는 도메인 유효성 루브릭, (ii) 소스 케이스, 변환, 메트릭, 허용 오차, 유형화된 관계 수준 판정을 기록하는 MR-카드 실행 가능 자산 형식, 그리고 (iii) 추적 가능한 아티팩트에 모든 결과를 바인딩하는 클레임 원장(ledger)을 갖춘 MeshGraphNets 실린더 유동 대리 모델에 대한 사례 연구 프로토콜을 제안합니다. MeshGraphNets 체크포인트에서 노드 순열은 기계 정밀도로 유지되고, mirror-y는 정확한 대칭이 아니라 제한된 분포 외(OOD) 스트레스 발견이며, 절대 보존은 연기되는 동안 참조 상대적 가드(guard)는 통과합니다. 동일한 판독 결과는 홀드아웃 궤적, 체크포인트 명단, 3개의 추가 아키텍처 및 PhysicsNeMo 전반에 걸쳐 유지됩니다. 두 번째 CFD 작업(압축성 에어포일)에서 술어(predicate)는 물리적 근거로 비압축성 연속성을 거부하며, 이는 고정된 체크리스트를 실행하는 것이 아니라 도메인 유효성에 대해 추론함을 보여줍니다. 두 번째 PDE 계열에서 FNO Burgers 및 열 대리 모델은 전체 승인/거부/실행 판정을 수행합니다. 이 증거는 두 개의 CFD 작업과 두 번째 PDE 계열에 걸쳐 있으며, 모델 수준 위반을 도메인 외 적용과 분리하는 후보 MR에서 감사 가능한 SciML 테스트 자산으로의 유효성 인식 브리지를 뒷받침합니다.