PyTorchKR Papers

최신 논문

총 446편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2611.09887v1cs.LG

ReLU 네트워크 집합의 (비)폐쇄성에 대하여

On the (non-)closedness of the set of ReLU networks

유계 연결 열린집합 $\Omega\subset\mathbb R^d$에 대하여, 은닉층이 하나이고 뉴런이 최대 $N\in\mathbb N$개인 ReLU 네트워크의 집합 $\mathcal{N}_N$이 $W^{1,p}(\Omega)$에서 약폐집합임을 증명한다. 그 결과, 이 공간 위의 모든 강제적(coercive)이고 약하반연속인 에너지는 $\mathcal{N}_N$ 위에서 최솟값을 가진다. 이는 볼록 적분함수를 갖는 Deep Ritz 방법, Sobolev 학습, Lipschitz 학습을 포괄한다. 더 나아가 가중치 감쇠 매개변수가 0으로 갈 때, 정규화된 문제의 최소화 해는 부분수열을 취하면 매개변수 노름이 최소인 최소화 해로 수렴한다. 또한 폭이 유계인 은닉층 두 개를 가진 ReLU 네트워크의 집합은 $W^{1,p}(\Omega)$ 또는 $C(\overline\Omega)$에서 폐집합이 아님을 증명한다. 이는 Petersen, Raslan, Voigtlaender의 추측을 반증한다.

arXiv:2611.08490v1cs.LG

FasterRW: 열 해석을 위한 효율적인 사전 정보 보조 랜덤 워크 해법

FasterRW: An Efficient Prior-Assisted Random Walk Solver for Thermal Analysis

열 시뮬레이션은 현대 IC 설계 및 제조에서 점점 더 중요해지고 있다. Feynman–Kac 랜덤 워크 방법은 전역 필드를 풀지 않고도 국소 온도를 추정할 수 있으나, 디리클레 경계가 없는 실제 환경에서는 절단 잔차를 제어하기 위해 매우 긴 경로가 필요하다. 본 논문은 Feynman–Kac 열 랜덤 워크를 가속하는 연속값(continuation-value) 프레임워크인 FasterRW를 제안한다. 우리는 절단 이후 기대 꼬리 항이 현재의 감쇠 가중치에 정지 위치에서의 온도를 곱한 값과 같다는 정지 시간 잔차 항등식을 증명한다. 이 항등식은 사전 정보로 보정된 단일 지점 추정기를 가능하게 한다. 즉, 값싸고 잡음이 있는 사전 정보가 알 수 없는 연속값을 대체하여, 절단 편향이 절대 온도가 아닌 사전 정보의 오차에 비례하게 되고 오차를 제어하는 임계값 선택 규칙을 얻는다. 다중 지점 질의에 대해서는 FasterRW가 질의 간 통과(pass-through) 꼬리 항을 의사 표본으로 변환하고, 그 결과로 얻은 관측값을 크리깅을 통해 사전 정보 오차 좌표에서 정제한다. 기존 최첨단 방법과 비교하여 FasterRW는 정확도를 유지하면서 최대 $28\times$의 가속을 달성한다. 코드는 https://github.com/ShiningSord/FastRW 에 공개되어 있다.

arXiv:2604.18261v2math.AP

DeepRitzSplit: 기울기 흐름을 위한 변분 신경 연산자 프레임워크와 수지상 성장에의 응용

DeepRitzSplit: A Variational Neural Operator Framework for Gradient Flows with Application to Dendritic Growth

상field 모형은 미세구조 진화를 시뮬레이션하는 데 널리 쓰이지만 수치 해법은 여전히 계산 부담이 크다. 신경 연산자 대리 모형은 유망한 대안이지만, 기존 접근법은 데이터 기반이어서 대규모 데이터셋을 필요로 하며 보지 못한 구성으로 외삽할 때 강건성이 제한적이다. 본 연구는 에너지 안정 분할 기법의 변분 정식화에 기반한, 기울기 흐름 시스템을 위한 비지도 신경 연산자 프레임워크인 DeepRitzSplit을 제안한다. 이 방법은 각 시간 단계에서 근간이 되는 변분 문제를 최소화함으로써 볼록-오목 자유 에너지 분해에 연관된 시간 발전 반군(semigroup)을 학습한다. 궤적 데이터셋 없이도 기저 기울기 흐름의 소산 구조를 계승하도록 설계되었다. 아울러 분할 기법에서 착안하여 반응 성분과 확산 성분을 분리함으로써 학습 효율과 해석 가능성을 높인 반응-확산 신경 연산자(Reaction-Diffusion Neural Operator, RDNO) 아키텍처를 도입한다. 이 접근법을 Allen-Cahn 방정식에서 평가하고, 응고 과정에서의 이방성 수지상 성장에 대한 상field 모형에 적용한다. Allen-Cahn 벤치마크에서 DeepRitzSplit은 180개의 학습 구성을 사용하여, 시험한 분포 외 구성에서 지도 학습 기준 모형보다 더 나은 일반화 성능을 보인다. 수지상 성장에서는 이 방법이 전체 상 형태와 수지상 끝단 속도를 잘 포착하는 반면, 끝단 반지름은 학습 전략에 더 민감하다. 분할 기법의 잔차에 기반한 정제는 이 2차 형태 양을 현저히 개선한다. 학습된 연산자는 학습 집합과 크게 다른 구성에서도 양호한 예측 능력을 유지한다. 이러한 결과는 변분적으로 학습된 신경 연산자가 가속화된 미세구조 시뮬레이션을 위한 물리 기반 대리 모형으로서 지닌 잠재력을 보여 준다.

arXiv:2611.08910v1math.NA

물리 정보 신경망에서 Adam의 과제 기여 동역학: 느린 다양체 분석과 기울기 변조

Task-Contribution Dynamics of Adam in Physics-Informed Neural Networks: Slow-Manifold Analysis and Gradient Modulation

물리 정보 신경망(PINN)은 특히 고주파 또는 다중 스케일 특성을 가진 해를 근사할 때 서로 경쟁하는 손실 항들의 최적화 불균형을 자주 겪는다. 기존의 균형 조정 전략이 이러한 어려움을 완화하는 데 효과적임이 입증되었지만, Adam의 매개변수 갱신에 대한 개별 과제 기여도가 변화하는 메커니즘은 여전히 충분히 이해되지 못하고 있다. 우리는 이러한 변화를 특성화하기 위해 과제별 지표를 도입하고, 매끄러운 변화, 간헐적 급등, 지속적 진동이라는 세 가지 뚜렷한 학습 영역을 식별한다. 초기의 매끄러운 영역에 초점을 맞추어, 전체 배치 설정과 매개변수 영역 $(1-\beta_2)/(1-\beta_1)\ll1$ 하에서 이산 시간 분석과 연속 시간 특이 섭동 틀을 결합한다. 국소적으로 끌어당기는 느린 다양체의 1차 근사는 과제 기여도가 단계마다 재분배되는 것을 좌우하는 두 가지 요인, 즉 곡률과 관련된 정렬 격차와 전처리된 과제 기울기의 좌표별 분포 차이를 드러낸다. 두 요인 모두 Adam의 공유된 2차 모멘트 추정치와 관련된다. AdaTask에서 착안하여, 과제별 2차 모멘트 추정치를 사용해 입력되는 과제 기울기를 변조하는 기울기 변조 Adam(GMAdam)을 제안한다. 고주파 푸아송 방정식과 파동 방정식, Allen-Cahn 방정식, 2차원 뚜껑 구동 공동 유동($Re=100,400$)에 대한 수치 실험에서, 비슷한 계산 비용으로 AdaTask보다 예측 정확도가 일관되게 향상됨을 확인하였다.

arXiv:2611.08421v1cs.LG

미분방정식 시스템의 내재적 리 점 대칭에 대한 데이터 기반 발견

Data-driven discovery of intrinsic Lie point symmetries of differential equation systems

미분방정식 데이터로부터 연속 대칭을 직접 발견하면, 기호적 결정 방정식이나 지배 시스템의 닫힌 형태 표현 없이도 모델 축소와 과학적 기계학습을 위한 기하 구조를 드러낼 수 있다. 우리는 내재적 리 점 대칭 발견을 표본 추출된 제트 공간 데이터에 대한 연산자 이론적 문제로 정식화한다. 허용 가능한 생성자는 표본 추출된 결정 연산자로부터 식별되며, 중복된 방향, 해에 의존하는 방향, 기하학적으로 자명한 방향과 분리된다. 이 프레임워크는 연장, 순차적 부분 공간 제한, 학습 가능한 계수에 대해 선형인 고정된 비선형 사전을 결합한다. 순위 안정화 사전 점검 테스트는 표현된 내재적 대칭 대수가 사전의 정교화에도 안정화되지 않는 시스템을 진단한다. 표현된 내재적 대칭 대수가 해석적으로 11차원임이 알려진 통제된 미분방정식 벤치마크에서, 이 방법은 표현된 생성자 집합 전체를 복원하고, 그 리 괄호 구조를 수치적 정밀도로 재현하며, 알려진 생성자를 학습 영역 밖에서도 근사한다. 여기서 우리는 명시적인 내재적 연속 대칭 생성자가 정확하거나 근사적인 미분 시스템에서 얻은 데이터로부터 복원될 수 있음을 보인다.

arXiv:2611.07364v1math.NA

불확실성 정량화에 응용되는 3차원 고전장 운동론 방정식을 위한 점근 보존 텐서 신경망

Asymptotic-Preserving Tensor Neural Networks for 3D High-Field Kinetic Equations with Applications to Uncertainty Quantification

고전장 영역의 운동론 방정식은 전기장 가속과 충돌 이완이 지배하는 입자 수송을 기술한다. 이러한 방정식은 플라즈마와 반도체 소자의 시뮬레이션에 널리 사용된다. 대표적인 모델로는 Vlasov--Poisson--Fokker--Planck(VPFP) 및 Boltzmann--Poisson 계가 있다. 이들의 높은 차원성과 다중 스케일 특성은 정확하고 효율적인 수치 해법의 두 가지 주요 난제를 이룬다. 이를 해결하기 위해 우리는 점근 보존 텐서 신경망(APTNN) 방법을 제안한다. 구체적으로 고차원 계산 비용과 메모리 요구량을 줄이기 위해 TNN의 정준 다항(CP) 분해 구조를 채택하여 해를 근사한다. 방정식 잔차가 이 분해 형태를 유지함을 보이며, 이로써 고차원 손실 적분을 1차원 적분의 조합으로 계산할 수 있다. 그 결과 계산 및 저장 비용은 차원에 대해 지수적 증가에서 다항식적 증가로 줄어든다. 고전장 극한에서 예측 정확도를 높이기 위해 기본 AP 손실에 1차 모멘트 방정식을 포함하여 이를 강화한다. 추가된 손실 항은 극한 플럭스 닫힘을 직접 제약하여 고전장 영역에서의 근사 오차를 줄인다. 강화된 AP 손실도 여전히 차원별로 계산할 수 있다. 수치 결과는 APTNN이 계산 비용과 메모리 사용량을 크게 줄이면서 고전장 영역에서 예측 정확도를 향상시킴을 보여준다. 여러 확률 입력을 가진 3D3V VPFP 문제에서 학습은 단일 GPU에서 30분 미만이 걸린다.

arXiv:2610.35195v2math.OC

다중 수준 기울기 정칙화 뉴턴 방법의 전역 $\mathcal{O}\left(k^{-2}\right)$ 수렴

Global $\mathcal{O}\left(k^{-2}\right)$ Convergence of Multilevel Gradient-Regularized Newton Methods

우리는 립시츠 연속 헤시안을 갖는 비제약 볼록 최적화를 위한 다중 수준 기울기 정칙화 뉴턴 방법을 개발하고 분석한다. 제안하는 방법은 저차원 부분공간에서 뉴턴 보정을 계산함으로써, 전체 공간 방법이 갖는 함수값에 대한 전역 $\mathcal{O}\left(k^{-2}\right)$ 수렴률을 유지하면서 계산 비용을 줄이는 것을 목표로 한다. 다중 수준 방법에서 이 수렴률을 입증하기 위해, 수준 간 축소 기울기 노름의 단조성을 보장하는 행 중첩 제한 연산자의 한 부류를 도입한다. 행 중첩 연산자를 사용한 수치 실험은 전체 공간 기울기 정칙화 뉴턴 방법과 비슷한 수렴 거동을 보이면서, 대규모 사례에서는 상당한 계산 절감을 제공함을 보여 준다.

arXiv:2601.21623v3cs.LG

LAMP: 대규모 언어 모델의 선행 탐색 혼합 정밀도 추론

LAMP: Look-Ahead Mixed-Precision Inference of Large Language Models

혼합 정밀도 연산은 현 단계 AI의 특징으로, 대규모 언어 모델이 효율적이고 로컬에 배포 가능한 해법으로 나아가는 발전을 이끌고 있다. 본 논문은 트랜스포머 추론에 초점을 맞추어, 합성 구조가 풍부한 함수의 부동소수점 연산을 다룬다. 합성 함수 $f(g(\mathrm{x}))$의 반올림 오차 분석을 바탕으로, $g(\mathrm{x})$의 구성 요소 중 작은 부분집합만 더 정확하게 계산하고 나머지 모든 연산은 더 낮은 정확도로 수행할 수 있도록 선택하는 적응적 전략을 제시한다. 이어서 이 전략을 트랜스포머 내의 다양한 합성에 적용하는 방법을 설명하고 트랜스포머 추론에 미치는 전반적인 효과를 보인다. GPT-2 모델에서 이 알고리즘의 효과를 수치적으로 연구하였으며, 매우 낮은 재계산 비율만으로도 정확도가 최대 두 자릿수 규모까지 개선됨을 보인다.

arXiv:2609.30809v2math.NA

무한 라플라스 및 p-라플라스 문제를 위한 딥러닝 풀이기와 대리 모델

Deep-Learning Solvers and Surrogates for Infinity and p-Laplace Problems

우리는 비선형 해석학에서 기본적이며 실용적 응용도 갖는 무한 라플라스 및 $p$-라플라스 문제에 대해 신경망 풀이기의 활용을 연구한다. 본 접근법은 물리 정보 신경망(PINN)과 심층 연산자 네트워크(DeepONet)를 사용하여, 다양한 2차원 및 3차원 영역에서 $2$부터 $1000$까지에 이르는 큰 $p$ 값과 관련된 계산상의 어려움을 다룬다. 우리의 방법은 전통적인 물리 기반 풀이기보다 장점이 있으며, 특히 이러한 문제에서 메시 기반 풀이기의 비용이 매우 커지는 3차원에서 두드러진다. 또한 두 문제 모두에 대한 PINN 근사의 조건부 수렴 결과와, 매개변수형 $p$-푸아송 문제에 대한 DeepONet의 보편 근사 결과를 확립한다. 수치 실험을 통해 이러한 신경망 풀이기의 효과를 입증하고 기존 방법과 성능을 비교한다.

arXiv:2604.16512v3cs.CV

중심축을 고려한 부호 거리 함수 학습

Medial Axis Aware Learning of Signed Distance Functions

본 연구는 주어진 점구름에 대한 전역적으로 매우 정확한 부호 거리 함수(SDF)를 계산하는 새로운 변분법을 제안한다. 이를 위해 표면의 중심축(medial axis)과 일치하는 SDF 기울기의 점프 집합을, 이 불연속 집합으로부터 멀어지는 기울기 방향을 따라 선형 증가를 강제하는 고차 변분 정식화를 통해 명시적으로 고려한다. 아이코널 방정식과 SDF의 영 레벨 집합은 제약 조건으로 부과된다. 이 변분 문제를 계산적으로 다룰 수 있도록 Ambrosio-Tortorelli 유형의 위상장 근사를 사용한다. 연관된 위상장 함수는 중심축을 암묵적으로 기술한다. 이 방법은 SDF와 위상장 모두를 신경망으로 근사하여, 방향이 없는 점구름으로 표현된 표면에 대해 구현된다. 실험을 통해 근접장과 전역 모두에서 이 방법의 정확도를 보인다. 다른 접근법과의 정량적·정성적 비교는 제안한 방법의 장점을 보여 준다.

arXiv:2611.05276v1cs.LG

위상적 구멍이 있는 PINN과 편미분방정식을 위한 드람 코호몰로지 아키텍처

De Rham cohomological architectures for PINNs and PDEs with topological holes

우리는 드람 코호몰로지 증강, 즉 Hodge-de Rham PINN을 도입하여, 천공, 구멍, 극, 공동에 해당하는 위상적 병리 시나리오에서 고전적인 물리 정보 신경망(PINN)의 실패 양상을 완화하고자 한다. 기본 PINN은 불연속 경계면, 0이 아닌 닫힌 경로 적분, 경로 의존성, 외미분을 통한 완전 형식과의 대응 등으로 인해 구멍 기반 설정에서 흔히 함정에 빠지며, 따라서 우리는 경계가 있는 다양체에 대한 Hodge-Morrey-Friedrichs(HMF) 분해로 1-형식을 매개변수화함으로써 전통적 실패를 해소하고, HMF 동형 정리 등을 통해 드람 코호몰로지와의 연관을 도출한다. 1-형식은 적분 연산자 사상을 통해 스칼라 값 편미분방정식 해의 표현으로 기능할 수 있다. 우리는 연관된 편미분방정식을 통해 매개변수화된 1-형식에 PINN 기반 손실을 적용할 것을 제안하며, 이는 퍼텐셜 기반 PINN 문제를 해결하고 나아가 Fréchet 미분 상호 연결 하의 Sobolev 정칙 연산자를 통해 기본 PINN의 실패를 개선한다. 이 연산자 관계는 흔히 자명하지 않은 닫힌 형태를 가지며 적분이나 사례별 분석을 요구하는데, 이를 실험에서 철저히 다룬다. 손실에서 적분 가능 조건이 충족되지 않을 때는 소진 함수를 갖추어 네트워크를 학습시킬 수 있다. 우리는 우리가 아는 한 PINN 문헌에서 거의 존재하지 않는 Aharonov-Bohm 효과에 대해 방법을 시연한다. 방법의 이론적 보장을 전개하고, 부정확 형식, 자명하지 않은 조화 항과 쌍대 완전 항을 가진 시나리오를 포함하여 위상적으로 불리한 광범위한 문제에서 병리 방지 장치를 입증한다.

arXiv:2611.05211v1math.NA

다중 스케일 시스템을 위한 물리 정보 기반 전통적 및 생성형 Mori-Zwanzig 축소 모델

Physics-informed traditional and generative Mori-Zwanzig-reduced models for multiscale systems

Mori-Zwanzig(MZ) 형식론을 통한 모델 축소는 푸리에 함수와 같은 표준 기저 함수로 구성된 조대화 표현에 대해서는 잘 이해되어 있다. 본 연구는 동일한 형식론을 물리 정보 기반 기계 학습으로 발견된 기저에서 축소 차수 모델을 구축하는 데 사용할 수 있음을 보인다. 학습된 기저의 전개 계수에 대한 결과적인 비마르코프 진화 방정식을 닫기 위해 요동-소산 정리(FDT)를 사용한다. 또한 이를 보완하는 생성형 폐쇄 모델을 도입한다. 마르코프 동역학만 사용한 경우와 비교하여, MZ 폐쇄와 생성형 폐쇄 모두 필터링된 상태의 예측을 크게 향상시킨다.

arXiv:2607.25494v4math.NA

딥러닝 연산자의 자동화된 수치 안정성 분석

Automated Numerical Stability Analysis of Deep Learning Operators

유한 정밀도 연산은 불가피하게 수치적 근사 오차를 유발한다. 수치 계산은 불충분한 정밀도나 부적절한 수식화를 사용할 수 있으며, 이는 수치적 불안정성으로 이어진다. 본 논문에서는 딥러닝 연산자의 확률적 수치 검증을 위한 통합 소프트웨어 도구를 소개한다. 이 도구는 지원되는 노출된 연산에서는 CESTAC을 따르고, GEMM과 유사한 커널에는 연산자 수준의 데이터 섭동 근사를 사용한다. 우리가 개발한 소프트웨어는 단일 계산 패스로 수치 검증을 가능하게 할 뿐만 아니라, 수치적 불안정성의 원인을 탐지하고 딥러닝 학습 및 추론 중 수치 안정성 모니터링을 제공한다. 우리는 다양한 과제에서 수치적 불안정성을 주입한 오염된 연산자를 탐지하는 데 이 도구가 효과적임을 검증하였다. 우리는 개발한 방법과 도구가 수치적으로 안정적이고 효율적인 딥러닝 학습 및 추론에 특히 중요한, 수치적으로 안정적인 계산 커널을 개발하는 데 유용한 통찰을 제공한다고 믿는다.

arXiv:2601.22307v3cs.LG

잔차 신경망을 위한 정확한 가우시안 모멘트 매칭: 2차 방법

Exact Gaussian Moment Matching for Residual Networks: a Second-Order Method

우리는 계층별 모멘트 매칭을 사용하여 일반적인 다변량 가우시안 분포의 평균과 공분산을 심층(잔차) 신경망에 통과시켜 전파하는 문제를 연구한다. 우리는 피드포워드 계층과 일반화된 잔차 계층 모두에 대해 probit, GeLU, ReLU(GeLU의 극한으로서), Heaviside(probit의 극한으로서), 사인 활성화 함수에 대한 정확한 모멘트 매칭을 유도함으로써 오랜 공백을 메운다. 분산이 큰 무작위 신경망에서 일반적인 기준선 대비 KL 발산의 중앙값 개선은 수십 배에서 수천 배에 이른다. 변분 베이즈 신경망에서는 우리의 방법이 최첨단 결정론적 추론 방법을 몬테카를로 기준값 대비 KL 발산 기준으로 한 자릿수 크기만큼 능가함을 보인다. 또한 정칙성 가정 하에서 모멘트 매칭이 저분산의 선도 오차를 제거하고 신경망의 계층을 거치며 고차 국소 정확도를 전파함을 보여주는 매끄러운 거리 오차 한계를 제시한다.

arXiv:2503.01036v3stat.ML

미분 방정식과 그 해 연산자를 학습하기 위한 데이터 효율적 커널 방법: 알고리즘과 오차 분석

Data-Efficient Kernel Methods for Learning Differential Equations and Their Solution Operators: Algorithms and Error Analysis

우리는 미분 방정식과 그 해 사상을 학습하기 위한 새로운 커널 기반 프레임워크를 소개한다. 이 프레임워크는 관측된 상태의 수와 상태당 이용 가능한 데이터의 양 측면에서 데이터 요구량이 효율적이다. 또한 우리의 정식화는 학습 절차의 정확도와 속도를 높이기 위해 효율적인 가우스-뉴턴 유형의 최적화 알고리즘을 사용할 수 있게 한다. 아울러 학습된 방정식에 대한 정량적 최악 경우 오차 한계의 형태로 엄밀한 이론적 보장을 알고리즘에 제공하며, 이는 매끄러움 가정 하에서 후속 해 연산자로 확장될 수 있다. 수치 벤치마크는 일부 최신 알고리즘과 비교하여 계산 복잡도와 견고성이 크게 개선되고 정확도 면에서 1~2 자릿수의 향상을 달성함을 보여 준다.

arXiv:2406.14936v2cs.LG

근사 ReLU 신경망의 매개변수 증가에 관하여

On the growth of the parameters of approximating ReLU neural networks

본 연구는 완전 연결 순방향 ReLU 신경망이 주어진 매끄러운 함수를 근사할 때의 특성을 분석하는 데 초점을 둔다. 네트워크의 너비나 깊이 등 구조를 증가시키는 조건에서 통상적으로 연구되는 보편 근사 성질과 달리, 우리는 근사 네트워크 매개변수의 점근적 증가에 관심을 둔다. 이러한 결과는 예를 들어 신경망 학습의 오차 분석이나 일관성 결과에 유용하다. 본 연구의 주요 결과는, 최첨단 근사 오차를 갖는 ReLU 구조에서 이를 실현하는 매개변수가 많아야 다항식 수준으로 증가한다는 것이다. 정규화된 네트워크 크기에 대해 얻은 증가율은 기존 결과와 비교되며, 특히 고차원 입력에서 대부분의 경우 더 우수함을 보인다.

arXiv:2611.03461v1cs.LG

위장한 펼침 그래디언트: 안정적인 신경 동역학을 위한 보간 기반 정칙화와 야코비안 정칙화의 연결

Unrolled gradients in disguise: bridging interpolation-based and Jacobian regularization for stable neural dynamics

하이브리드 모델과 신경 미분방정식(NDE)은 물리 시스템 모델링에서 점점 더 중요해지고 있으나, 장기 적분 시 안정성과 정확도 문제를 자주 겪는다. 펼친(unrolled) 궤적에 대한 학습은 이러한 발산을 억제하는 것으로 알려져 있지만, 반복 과정에 대해 그래디언트를 계산해야 하므로 계산 비용이 빠르게 과도해져 대규모 물리 시스템(예: 기상 및 기후 예측)에는 비현실적이다. 학습된 동역학의 안정성을 높이기 위한 두 가지 대표적인 패러다임은 보간된 샘플 또는 잡음이 섞인 샘플로 학습하는 것과 학습된 표현의 야코비안을 정칙화하는 것이다. 본 연구에서는 이 두 패러다임이 공통된 관점에서 이해될 수 있으며, 둘 다 펼침 학습 전략에서 얻는 그래디언트의 근사에 해당함을 보인다. 이러한 이해를 바탕으로 원리에 입각한 완전한 정칙화 학습 접근법을 유도하고, 이것이 학습된 동역학계의 안정성에 미치는 영향을 입증한다.

arXiv:2611.02337v1math.NA

맥스웰 고유값 문제를 위한 Eig-PIELM에 de Rham 복합체 구조 내장

Embedding a de Rham Complex Structure into Eig-PIELM for Maxwell Eigenvalue Problems

완전 전기 도체(PEC) 경계 조건만으로는 맥스웰 curl-curl 연산자의 기울기 영공간이 제거되지 않는다. 따라서 물리 정보 기반 극한 학습 기계(PIELM)의 고유값 확장인 Eig-PIELM의 경계 조건만 사용하는 맥스웰 구현은 축소된 시도 공간에 표현된 기울기 모드를 유지할 수 있으며, 그 결과 기울기에 오염된 비물리적 모드가 생성된다. 우리는 Eig-PIELM의 선형 계수, 경계 영공간, 단발(one-shot) 다중 모드 구조를 유지하는 유한 차원 구조 보존 확장인 dR-Eig-PIELM을 개발한다. 이 방법은 적합한 텐서곱 grad–curl 시도 공간과 제약된 영공간 구성을 결합하여, 고유값 계산 이전에 표집된 PEC 공간을 표현된 기울기 상(image)의 질량 직교 여공간으로 제한한다. 대칭 약형식 Gram 조립은 명시된 표집 및 물질 양수성 가정 아래에서 고유값 절단 없이 대칭 정부호 축소 고유문제를 제공한다. 직사각형과 직육면체에 대해서는 PEC 벡터장 공간에서의 고정 차수 정확성을 증명하고 rank 및 차원 항등식을 유도한다. 수치 실험은 dR-Eig-PIELM이 경계 조건만 사용하는 기준 방법에서 관찰된, 유의미한 기울기 성분을 가진 가짜 고유모드를 배제함을 보여 준다. 이 방법은 다항식 차수가 증가함에 따라 빠른 수렴을 보이며, 시험한 구성에서 경쟁력 있는 작업량–정밀도 성능을 나타낸다. 공변 사상(covariantly mapped) 도파관 예제는 계산된 차단 주파수와 그 민감도에 의해 구동되는 제약된 국소 기하 갱신을 통해, dR-Eig-PIELM을 설계 최적화 워크플로에 통합할 가능성을 보여 준다. 본 연구는 Eig-PIELM 내에서 표현된 기울기 모드를 물리적 맥스웰 고유모드로부터 분리하기 위한 수학적·계산적 틀을 제공하며, 도파관 스펙트럼 분석과 기하 설계에서의 활용을 뒷받침한다.

arXiv:2611.02084v1gr-qc

물리 정보 신경망을 이용한 블랙홀 러브 수

Black Hole Love Numbers with Physics-Informed Neural Networks

우리는 블랙홀의 섭동 방정식으로부터 조석 러브 수(tidal Love number)를 직접 계산하기 위한 물리 정보 신경망(PINN) 프레임워크를 개발하고 검증한다. 우리는 커(Kerr) 블랙홀의 정적 섭동을 고려하는데, 이 경우 정확한 초기하함수 해가 존재하여 수치 풀이기와 물리적 응답 추출 모두에 대한 통제된 기준을 제공한다. 이 프레임워크는 지평선 경계 조건의 정확한 강제와, 미분 방정식 잔차의 도함수를 포함하는 $H^2$-소볼레프 손실을 결합한다. 이후 해석적 연결 공식을 사용하지 않고, 학습된 해의 점근 계수를 추출하여 러브 수를 얻는다. 시험한 스칼라, 벡터, 텐서 섭동 전반에서 이 방법은 유한한 소산 응답을 $10^{-5}$ 미만의 상대 오차로 복원한다. 통제된 비교 결과, 고차 도함수 손실 항은 해의 정확도를 여러 자릿수만큼 향상시키며, 추출 절차에 대한 독립적인 시험은 풀이기의 오차와 응답 계수 복원 과정의 오차를 구별해 준다. 해석적으로 0이 되는 보존적 응답은 수치 오차 하한에 의해 제약된다. 이러한 결과는 PINN이 블랙홀의 조석 응답을 정확하게 계산할 수 있음을 보여 주며, 향후 주파수 의존 및 비분리형 섭동 문제로 확장하기 위한 검증된 프레임워크를 확립한다.

arXiv:2611.01432v1physics.comp-ph

미시적 법칙으로부터 에너지 안정적인 거시적 유동 방정식의 변분 학습

Variational learning of energy-stable macroscopic flow equations from microscopic laws

우리는 미시적 물리 법칙으로부터 에너지 안정적인 거시적 편미분방정식(PDE)을 직접 구성하는 일반화된 변분 접근법을 제시한다. 거시적 궤적으로부터 지정된 변수의 PDE 발전을 적합하는 대신, 보조 변수를 덧붙여 확장된 상태 공간에서 자율적인 축소 동역학을 찾도록 확장 가능한 변분 구조를 구성한다. 이러한 변수를 명시적인 미시적 대응물을 가진 미시-거시 인코더로 정의함으로써, 학습 문제를 시간 이산 데이터로부터 축소 상태 표현과 변분 요소를 표본 단위로 공동 식별하는 문제로 설정하며, 이를 통해 스케일 간 법칙 수준의 체계적인 전이가 가능해진다. 결과로 얻는 PDE는 구성상 틀 무차별성, 물리적 제약, 에너지 안정성을 보존하며, 요동-소산 일관성을 갖춘 확률적 확장을 허용한다. 고분자 유체의 비뉴턴 유체역학에 대한 수치 결과는 학습된 모델이 경험적 닫힘 관계를 넘어 비선형적이고 불균질한 분자 상호작용이 유발하는 점탄성 응답을 포착함을 보여 준다.