PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2610.10206v1math.GT

머신러닝을 활용한 고리의 조각 종수 및 매듭 풀림 수 계산

Computations of the slice genus and the unknotting number of links via machine learning

고리(link)는 $S^3$에 매끄럽게 매장된 원들의 서로소 합집합입니다. 본 연구에서는 강화학습과 베이지안 최적화(Bayesian optimisation)를 활용하여, 알고리즘적으로 계산 가능한지 알려지지 않은 여러 고리 불변량에 대한 새로운 상계를 도출합니다. 여기에는 고리의 조각 종수(slice genus)와 매듭 풀림 수(unknotting number), 그리고 대수적으로 분리된 고리에 대한 강한 조각 종수가 포함됩니다. 또한 알려진 불변량을 활용하여 하계도 계산합니다. 이러한 상계와 하계를 결합함으로써 다수의 경우에서 새로운 정확한 값을 얻었습니다. 본 연구의 매듭 풀림 에이전트는 Brittenham과 Hermiller가 제시한 여러 반례에 대해 매듭 풀림 수의 비가법성을 재현할 수 있으며, 일부 경우에는 새로운 매듭 풀림 궤적을 발견하기도 합니다.

arXiv:2610.08329v1cs.AI

포앵카레 추측의 AI 지원 형식화

An AI-Assisted Formalization of the Poincaré Conjecture

우리는 포앵카레 추측(Poincaré conjecture)에 대한 AI 지원 Lean 4 형식화를 제시한다. 이 프로젝트는 증명의 기반이 되는 기하해석학(geometric analysis)을 위한 재사용 가능한 형식화 인프라가 제한적인 상태에서 시작되었다. 이 작업을 조직하기 위해, 우리는 수학자들이 준비한 증명 청사진(proof blueprint)과 명시적인 마일스톤 진술을 결합했다. 이러한 마일스톤은 에이전트들의 병렬 작업을 가능하게 했으며, 수학자들에게 병목 지점을 찾아내고 효과적인 수학적 지침을 제공할 수 있는 명확한 지점을 제공했다. 우리의 분석은 이 워크플로우 이면의 인간 개입과 조직적 선택을 규명한다. 이 프로젝트는 향후 형식화 프로젝트를 위한 재사용 가능한 인프라를 향한 출발점을 제공하며, 그러한 인프라가 구축되면 궁극적으로 기하해석학 분야의 수학적 결과를 검증하는 비용을 줄일 수 있을 것이다.

arXiv:2608.18570v1hep-th

$\widehat Z$-불변량의 위상수학적 특징 학습

Learning Topological Features of $\widehat Z$-invariants

머신러닝과 데이터 분석 기법은 최근 수학 연구, 특히 저차원 위상수학 분야에서 패턴을 식별하고 추측을 정식화하는 강력한 도구로 부상했습니다. 본 논문에서는 (절단된) 무한 $q$-급수, 혹은 이와 동등한 무한 정수 급수로 구조화된 수학적 데이터를 다루는 체계적인 접근 방식을 시작합니다. 이러한 데이터 분석 파이프라인을 적용하기 위해 배관된 3-다양체(plumbed 3-manifolds)에 대한 $\widehat{Z}$-불변량(호몰로지 블록)의 포괄적인 데이터셋을 구축합니다. 우리는 신경망이 $q$-급수 계수로부터 직접 호몰로지류 및 기저 그래프 구조와 같은 필수적인 위상수학적 정보를 안정적으로 추출할 수 있음을 입증합니다. 우리 방법론의 핵심적인 특징은 해석 가능성에 초점을 맞춘다는 점입니다. 국소 그래디언트 민감도와 전역 특징 관련성을 대조함으로써 신경망이 복잡한 위상수학적 규칙을 우회하고 특정 스펙트럼 및 기하학적 대리지표를 학습한다는 점을 밝혀냅니다. 마지막으로, 이 파이프라인을 적용하여 호몰로지 코보디즘을 탐구하고, $\widehat{Z}$-불변량 지수와 히가드 플뢰어(Heegaard Floer) $d$-불변량(보정항) 사이의 고정확도 예측 관계를 발견합니다. 이러한 결과는 $\widehat{Z}$-불변량이 코보디즘 동치성에 관한 미묘한 기하학적 정보를 포착하고 있음을 시사하며, 양자 불변량 연구를 위한 새로운 방향성을 제시합니다.

arXiv:2607.20657v1math.GT

머신러닝을 이용한 꼬임 기반 고분자 링크 분류

Writhe-Based Polymer Link Classification Using Machine Learning

매듭(knot)과 링크(link)의 고유하고 신속한 분류는 고분자 용융, DNA, 단백질을 포함한 다양한 (생물)물리 시스템과 관련된 미해결 수학 문제이다. 본 논문에서는 링크 위상(topology)의 분류 문제에 대한 데이터 기반 접근법을 탐구한다. Ref. 1(Sleiman et al, 2024 Soft Matter, 20(1), pp.71-78)에서 제안된 프레임워크를 확장하여, 꼬임 밀도 행렬(writhe density matrix) 위에서 학습된 순전파 신경망(feedforward neural network)이 처음 여섯 개의 소수 링크(prime links)의 열평형(thermally equilibrated) 구성을 97% 정확도로 분류함을 보인다. 이 정확도는 다양한 온도와 링크 구성 요소 길이에서 높게 유지되지만, 위상을 변화시키는 가우시안 노이즈(Gaussian noise)를 추가하면 급격히 저하된다. 이는 꼬임 밀도 행렬이 위상에 민감한 특징을 포함하고 있음과 일치하는 결과이다. 우리의 결과는 꼬임 밀도 행렬 기반 신경망이 2성분 링크를 효율적으로 분류하며, 위상 불변량(topological invariants)의 정확한 수치 계산의 계산 비용이 과도해짐에 따라 보로메안 고리(Borromean rings) 및 다성분 링크와 같은 더 복잡한 링크 위상의 신속한 분류를 위한 유망한 도구로서 머신러닝을 확립함을 보여준다.

arXiv:2606.31856v1cs.LG

심층 신경망의 저차원 위상수학

Low-dimensional topology of deep neural networks

우리는 순전파 신경망, ResNet, 트랜스포머를 포함한 층화 모델을 각 층의 너비를 $d = 3$, 즉 표현 공간으로 $\mathbb{R}^3$으로 제한하여 연구한다. 이를 통해 신경망이 층을 거치며 저차원 위상 불변량을 어떻게 변화시키는지 추적할 수 있다. 거의 모든 위상 구조는 차원을 증가시키는 것만으로도 단순화되거나 심지어 자명화될 수 있다; 예를 들어, 어떤 매듭이든 $\mathbb{R}^4$에서 자명한 매듭(unknot)과 동치이다. $\mathbb{R}^3$으로 제한함으로써, 우리는 활성화와 깊이의 효과를 너비의 효과로부터 분리할 뿐만 아니라, 시각화가 용이한 공간에서 작업한다. 여기서는 링킹 수(linking number)에 집중하며, 링크 군(link groups), Milnor의 $\bar{\mu}$-불변량, 매듭 유형(knot types), 주변 코보르디즘(ambient cobordisms)과 같은 다른 불변량은 후속 연구로 미룬다. 다음의 통찰을 뒷받침하기 위해 완전한 증명과 실증 실험을 제공한다: 링킹 수의 변화를 일으키는 능력으로 측정했을 때, ResNet의 층 건너뛰기 특징은 트랜스포머의 어텐션 메커니즘만큼 강력하다; ResNet과 트랜스포머 모두 단조 활성화를 사용하는 순전파 신경망보다 엄격히 더 강력하며, 순전파 신경망은 다시 가역 및 흐름 기반 모델보다 더 강력하다; 하지만 단조 활성화를 비단조 활성화로 교체하면 순전파 신경망이 ResNet 및 트랜스포머와 동일한 표현력 클래스로 격상된다. 이러한 결과는 저차원 위상수학이 AI 아키텍처 설계를 안내하는 데 유용한 도구가 될 수 있음을 시사한다. 또한 $d = 3$에서 임의의 $d > 3$으로 결과를 일반화한다.

arXiv:2606.21611v1cs.LG

이중 봉우리 문제: 수학적 강화학습의 난이도 격차 해소

The Two-Hump Problem: Bridging the Difficulty Gap in Mathematical Reinforcement Learning

수학적 탐색 문제는 광대한 탐색 공간과 희소한 보상으로 인해 강화학습(RL)에 고유한 도전 과제를 제시한다. 이전 연구들에서는 Andrews-Curtis(AC) 추측이 이러한 문제의 대표적 예시로 확립된 바 있다. 본 연구에서는 AC 탐색 공간에 존재하는 구조적 장벽을 규명한다: 문제 인스턴스가 매우 쉽게 풀리거나 사실상 불가능한 양 극단에 치우쳐 분포하고, 효과적인 학습에 필요한 중간 난이도의 "어렵지만 풀 수 있는" 인스턴스가 부족한 "이중 봉우리(Two-Hump)" 분포가 그것이다. 우리는 이 과제를 두 가지 주요 방법으로 해결한다: 난이도 격차를 채우기 위한 새로운 데이터 생성 기법과, 슈퍼무브(supermove) 도입 및 트랜스포머 기반 아키텍처를 포함한 대폭적인 알고리즘 개선이다. 이전 베이스라인 대비 실질적인 성능 향상을 입증하며, AC-19(최대 길이 19의 다양한 난이도를 가진 AC-trivial 표현 125,192개)와 AC-1M(최대 길이 30의 난이도 높은 AC-trivial 표현 1,136,154개)을 포함한 새로운 종합 벤치마크 데이터셋을 공개한다. 이는 이러한 유형의 최초 대규모 공개 데이터셋이다.