PyTorchKR Papers

최신 논문

총 40편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2611.23610v1physics.optics

광학 신경망은 물리만이 아니라 기능으로 평가되어야 한다

Optical Neural Networks Should Be Evaluated by Function, Not Only Physics

광학 신경망(ONN)은 기계 학습(ML)의 대안 플랫폼으로 큰 주목을 받고 있다. ONN에서는 광학 모듈이 디지털 ML 파이프라인 내부의 계산 일부를 맡는 경우가 많다. 광학 모듈 자체는 과제의 얼마만큼을 수행하며, 처리량이나 에너지와 같이 주장되는 시스템 수준의 이점에 얼마나 기여하는가? 본 논문은 단순한 기능 중심 평가 방법론을 제안한다. 내부 물리가 어떠하든 광학 모듈은 주변 디지털 파이프라인에는 실수값 텐서 사이의 사상으로 보인다. 따라서 우리는 세 단계로 이를 평가한다. (i) 파이프라인에서 그 경계를 실수값 텐서의 입력과 출력으로 정의한다. (ii) 이를 표준 디지털 모듈로 대체하여 동일한 과제와 지표에서 광학 시스템의 성능에 부합하는 모듈을 식별한다. (iii) 속도나 에너지와 같은 시스템 수준의 주장을 성능이 일치하는 디지털 모듈에 대비하여 추론당으로 제시한다. 우리는 단계 (i)과 (ii)를 Expressivity Card로 요약하고 발표된 ONN 시스템에 이를 적용하는 방법을 보인다. 이는 물리를 이해할 필요 없이 광학 모듈의 기여를 분리해 내고, 주장된 시스템 수준 이점을 평가하기 위한 구체적인 디지털 기준을 제공한다. 우리는 가장 대표적인 예로 광학 시스템에 초점을 맞추지만, 물리 모듈이 디지털 파이프라인의 일부를 대신하는 경우라면 ML에 사용되는 어떤 물리적 아날로그 컴퓨팅 플랫폼에도 같은 접근을 적용할 수 있다.

arXiv:2610.29362v3cs.LG

다중모달 X선 및 중성자 산란 역문제를 위한 합성형 신경망

Compositional neural networks for multimodal X-ray and neutron scattering inversion

X선 및 중성자 산란은 응집물질물리학과 재료과학 전반에서 구조 분석에 없어서는 안 될 수단이다. 그러나 산란 실험은 일반적으로 위상 정보 없이 강도만을 기록하므로, 서로 다른 구조가 유사한 산란 패턴을 만들 수 있고 그에 따라 해당 역문제는 유일해를 갖지 않는다. 이러한 모호성은 상보적인 측정을 결합하여 줄일 수 있으나, 이를 기계학습 프레임워크에 통합하는 것은 여전히 어렵다. 본 논문은 사전분포 상각(prior-amortized) 플로 매칭에 기반한 확률적 다중 측정 분석용 모듈형 프레임워크를 제시한다. 단일 관측 사후분포 추정기를 개별 관측 유형 또는 물리적 프로브별로 따로 학습시키고, 추론 시점에만 합성형 샘플러를 통해 결합한다. 이러한 후기 융합 방식은 사전학습된 단일 관측 모델을 별도의 결합 재학습 없이 재사용할 수 있게 한다. 사례로 박막과 계면에 대한 깊이 분해, 나노미터 규모의 정보를 제공하는 반사율 측정을 다룬다. 단일 관측 시연은 X선, 비행시간 중성자, 편극 중성자 반사율 측정을 포괄한다. 별도의 공동 정련 연구에서, 과제에 맞춘 추정기는 여러 중성자 대조에 걸친 균질한 합성과 X선 및 중성자 측정의 이질적인 다중모달 합성을 가능하게 한다. 이러한 결과는 합성형 플로 매칭이 불확실성을 고려한 역산과 공동 정련을 위한 모듈형 접근임을 보여 주며, 여러 관측이 공통의 물리적 구조를 제약하면서 측정별 매개변수가 유지되는 다른 산란 문제에도 적용될 가능성이 있다.

arXiv:2611.20786v1cs.CV

ThermoSight: 물리 기반 신경망 재구성으로 겉모습에서 내부 열유체장 추정하기

ThermoSight: From Appearance to Internal Thermofluid Fields via Physics-Guided Neural Reconstruction

대부분의 신경망 재구성 기법은 장면의 겉모습을 재현하는 데 초점을 둔다. 그러나 기계가 물리적 세계를 이해하려면 시각적 관측에서 물리 상태를 추론할 수 있어야 한다. 불꽃처럼 복사하는 열유체의 내부 온도 및 그을음 분포를 복원하기는 어렵지만, 에너지 효율을 높이고 열 노출과 화재 확산을 평가하는 데 필요하다. 불꽃에서는 온도와 그을음 농도가 함께 가시광 방출을 결정하며, 그을음의 자기 흡수는 각 카메라에 도달하는 빛을 바꾼다. 시점이 제한되면 두 분포의 변화가 RGB 이미지에서 서로 상쇄될 수 있어 온도와 그을음의 영향을 분리하기 어렵다. ThermoSight는 과학 영상용 물리 기반 신경망 프레임워크다. 최적화 중 물리장의 참값을 사용하지 않고, 보정한 소수의 불꽃 이미지에서 연속적인 3차원 온도장과 그을음 부피 분율장을 함께 복원한다. 미분 가능한 분광 모델은 열복사, 자기 흡수, 보정된 카메라 응답을 통해 두 물리장을 측정 RGB 값과 연결한다. 온도에 따라 달라지는 방출 스펙트럼과 파장별 감쇠는 RGB 채널이 공유하는 물리장에 제약을 걸어 온도와 그을음 사이의 모호성을 줄인다. 색도 일관성, 관측에서 도출한 공간 제약, 그을음 정규화도 강도 적합을 보완한다. 합성 데이터의 구성 요소 비교 실험에서 파장별 감쇠를 적용하자, 3채널 근사에 비해 고온의 그을음 밀집 영역에서 온도 RMSE가 234K에서 112K로 줄었다. RGB PSNR은 65.23dB와 65.24dB로 거의 같았다. 실제 측정 데이터에서도 일관된 물리장과 경쟁력 있는 RGB 재구성을 얻었다. 물리 기반 신경장은 시각적으로 일관된 겉모습을 넘어, 해석할 수 있는 내부 물리량도 복원할 수 있음을 보여 준다.

arXiv:2611.20390v1cs.LG

결맞음 광학 신경망에서 매개변수 효율적인 유니터리 변환을 구현하기 위한 아키텍처 설계 원리

Architectural Principles for Parameter-Efficient Unitary Transformations in Coherent Optical Neural Networks

간섭계 아키텍처를 기반으로 한 결맞음 광학 신경망은 빛의 공간적, 시간적, 스펙트럼 모드 등 여러 자유도를 활용해 높은 처리량과 에너지 효율을 달성할 수 있는 유망한 접근법이다. 그러나 실제 구현에서는 제작의 복잡성, 소자가 차지하는 면적, 제어 오버헤드 때문에 조정 가능한 매개변수의 수가 제한된다. 이러한 제약 아래, 높은 표현력을 확보하는 일은 여전히 핵심 과제다. 본 연구는 높은 표현력을 유지하는 데 필요한 두 가지 아키텍처 요건을 밝힌다. 첫째는 구현된 변환의 통계적 균일성이고, 둘째는 각 매개변수가 정보를 모드 사이에 빠르고 편향 없이 재분배할 수 있도록 하는 강한 혼합 능력이다. 이 요건을 충족하기 위해 위상 변환기와 빔 분할기 한 쌍을 기본 구성 단위로 사용하는 로그 깊이의 버터플라이 토폴로지 아키텍처를 개발한다. 기존 직사각형 메시 아키텍처는 마하-젠더 간섭계를 기반으로 한다. 계산 실험 결과, 제안 아키텍처는 순방향 및 순환 신경망 모두에서 기존 메시보다 행렬 복원 오차가 낮고 분류 정확도가 높았으며, 매개변수 수가 제한될 때 그 차이가 특히 두드러졌다. 또한 그래프 이론 지표, 변환 행렬 원소의 절댓값 제곱의 기댓값, 행렬 복원 오차를 사용해 이러한 설계 원리를 정량화한다. 이 체계는 매개변수 효율적인 광학 신경망을 설계할 때 정량적이고 물리적으로 해석 가능한 근거를 제공한다.

arXiv:2611.21594v1physics.ins-det

77 K에서의 SKY130 CMOS를 위한 대리 모델 지원 컴팩트 모델 추출

Surrogate-Assisted Compact-Model Extraction for SKY130 CMOS at 77 K

극저온 회로 설계에는 측정된 저온 거동을 재현하고 표준 회로 시뮬레이터에서 실행되는 컴팩트 트랜지스터 모델이 필요하다. 우리는 NGSpice의 신경망 대리 모델을 사용하여 77 K에서 SkyWater 130 nm(SKY130) 트랜지스터의 측정된 I-V 곡선에 BSIM4 파라미터를 맞춘다. 대리 모델은 컴팩트 모델 파라미터와 소자 기하 구조를 출력 특성과 전달 특성의 전체 집합으로 사상한다. 추출은 경계가 있는 최소제곱 탐색으로 이루어진다. NGSpice 시뮬레이션 모음이 초기 후보를 제공하고, 대리 모델의 유한 차분이 국소 야코비안을 제공하며, 선택에 앞서 NGSpice가 결과 카드를 다시 시뮬레이션한다. 측정된 18개 기하 구조에서 7개 카드 파라미터에 대한 탐색과 NGSpice 민감도로 선택한 43개 파라미터에 대한 탐색을 비교한다. 기존에 공개된 카드의 NGSpice 재시뮬레이션과 비교했을 때, 두 탐색은 표본 내 평균 상대 제곱근 평균제곱 오차(RRMS)를 각각 17%와 26% 줄인다. 43개 파라미터 탐색이 전체 오차는 더 낮지만, 고바이어스 곡선에서는 7개 파라미터 탐색의 평균이 더 낮으며, 두 탐색 모두에서 일부 개별 곡선은 공개된 카드보다 오차가 더 높다.

arXiv:2611.17561v1physics.app-ph

대규모 비선형 아날로그 회로에서의 대조적 국소 학습

Contrastive local learning in large nonlinear analog circuits

물리적 하드웨어에서의 기계학습은 연산, 메모리, 적응을 소자 물리 내부에 함께 배치함으로써 학습 비용을 줄일 수 있을 것으로 기대된다. 대조적 국소 학습 네트워크(contrastive local learning networks, CLLN)는 유력한 접근법이다. 전기 회로가 자유 상태와 약하게 고정된(weakly clamped) 상태에서 평형으로 이완하며, 각 적응 소자는 역전파된 오차 신호가 아니라 국소 전압 대조로부터 갱신된다. 그러나 비선형 트랜지스터 구현이 개념 증명 수준의 회로를 넘어 확장될 수 있는지, 그리고 그 확장을 좌우하는 설계 원리가 무엇인지는 알려지지 않았다. 본 연구에서는 대조적 국소 규칙으로 학습된 비선형 아날로그 회로가 더 큰 기계학습 과제를 학습할 수 있으며 하드웨어 비이상성 하에서도 견고함을 보인다. 소자 수준 회로 시뮬레이션을 사용하여 초기화, 동작 영역, 손실에 따른 고정 방식, 학습 매개변수를 체계적으로 탐색하고, CLLN을 1만 개가 넘는 적응 간선 규모로 확장한다. 동일한 국소 규칙으로 Ionosphere 및 손글씨 숫자 벤치마크에서 기존 디지털 방법의 정확도 수준에 도달하는 분류기를 학습시켰으며, 122개 토큰 어휘에 대해 자기회귀적으로 언어를 생성하는 네트워크도 학습시켰다. 이러한 결과는 대규모 비선형 아날로그 회로에서 국소 학습이 실현 가능함을 입증한다.

arXiv:2611.14777v1cs.SE

Mach2: 결정론적 실행 제약을 갖춘 과학적 발견 플랫폼

Mach2: Scientific Discovery Platform with Deterministic Execution Constraints

언어 모델 에이전트는 워크플로를 구성하고 전문 도구를 호출할 수 있지만, 자연어로 된 운영 규칙의 준수는 프롬프트만으로는 보장되지 않는다. Mach2는 Eigen 오케스트레이션을 도구 요청, 소스 변경, 수용 테스트, 산출물 계약에 대한 결정론적이며 린트와 유사한 검사에 결합하여 이 한계를 해결한다. 도메인 요구 사항은 실행 가능한 술어로 표현되며, 필수 실패는 검사 대상 작업의 진행을 막고 진단적 발견 사항은 수정이나 검토를 위해 보존된다. 사용자가 지정한 테스트 주도 개발(TDD), CodeGrapher의 추상 구문 트리 분석, 이력 기반 진화 탐색은 상호 보완적인 검증 및 최적화 메커니즘을 제공한다. 또한 Mach2는 독립적으로 선택된 엔드포인트에서 실행할 수 있도록 과업별 에이전트 패키지를 생성한다. 원 하네스는 원격 실행에 대한 지속적인 감독을 가정하지 않고, 반환된 산출물을 선언된 인터페이스와 증거 요건에 비추어 검증한다. 모델 내부 지식(MIK) 의존성은 소스에 근거한 발견 및 테스트로 뒷받침되는 발견과 별도로 기록된다. 본 논문은 규칙 게이트 실행 모델과 에이전트 패키지 수명 주기를 형식화하고, 규칙 준수, 공학적 타당성, 엔드포인트 간 과업 연속성을 평가하기 위한 측정 가능한 기준을 제안한다.

arXiv:2611.12010v1cs.LG

모아레 패턴의 효율적 탐색을 위한 확장 가능한 베이지안 최적화

Scalable Bayesian Optimization for Efficient Exploration of Moire Patterns

방대한 소재 설계 공간에는 시행착오식 탐색이나 단순한 대표 표본 기반 기계학습(ML) 샘플링으로는 찾기 어려운, 드물게 존재하는 고성능 구성이 포함되는 경우가 많다. 본 연구에서는 계산 비용이 큰 소재 설계 문제에서 최적 구성의 발견을 가속하기 위한 유연한 베이지안 최적화 프레임워크 FruBO를 제시한다. 사례 연구로서 여섯 개의 회전된 육각 격자의 중첩으로 생성되는 다층 모아레 패턴을 조사하며, 여기서 목표는 Jain 공정성 지수로 정량화한 기공 크기 균일성을 최대화하는 회전 형태를 찾는 것이다. 이 벤치마크는 고유한 구성 600,000개를 포함하며 목적 함수 분포가 크게 치우쳐 있어, 무작위 샘플링으로 전역 최적해를 찾기 어렵다. 우리는 무작위 탐색, 가우시안 프로세스 기반 베이지안 최적화, 그리고 위원회 기반 불확실성 추정을 갖춘 경량 CatBoost 대리 모델을 사용하는 베이지안 최적화를 비교한다. 무작위 샘플링은 533,012회 평가 후에야 전역 최적해를 찾으며 약 31시간이 소요되는 반면, 가우시안 프로세스 기반 BO는 290개의 샘플을 획득한 뒤 GPU 메모리 고갈로 실행이 불가능해진다. 이에 비해 CatBoost를 사용한 FruBO는 1,470개의 샘플을 획득하고 약 1.15시간이 지난 후 전역 최적해를 찾는다. 이러한 결과는 확장 가능한 대리 모델이 대규모 나노소재 설계 공간에서 BO의 실현 가능성과 효율성을 크게 향상시킬 수 있음을 보여 준다.

arXiv:2611.11563v1physics.geo-ph

HydroTuring: 수문 모델의 질량, 에너지, 운동량 보존을 시험하는 물리 프로브 벤치마크

HydroTuring: A physics probe benchmark testing mass, energy, and momentum conservation in hydrologic models

현재 운영 홍수 예보에 투입되고 있는 딥러닝 시스템을 포함한 수문 모델은 주로 모의 수문곡선이 관측 유량과 얼마나 가깝게 일치하는지로 평가된다. 그러나 높은 수문곡선 성능이 물리적 일관성을 보장하지는 않는다. 합성 보정 실험에서 물 입력의 15%를 보고되지 않은 싱크로 잃는 개념적 모델도 Nash-Sutcliffe 효율 0.93에 도달하며, 모델이 기본 보존 법칙을 따르는지를 시험하는 공유 벤치마크는 없다. 여기서 우리는 수문 모델의 질량(24개 프로브), 에너지(7개), 운동량(6개) 보존을 시험하는 37개 물리 프로브로 구성된 블랙박스 벤치마크인 HydroTuring(v0.1.0)을 소개한다. 각 프로브는 기록된 시드로부터 실행 시점에 생성한 강제력 자료에 대해 통제된 실험을 수행하며, 물리적으로 정확한 18개 및 의도적으로 훼손한 59개 참조 모델에 대해 검증된 이진 통과/실패 기준을 적용한다. 평가된 32개 모델(정확한 참조 3개, AI 기반 7개, 과정 기반 22개) 전반에서, 5개 이상의 프로브로 점수가 매겨진 28개 모델 중 모든 프로브를 통과한 것은 정확한 참조 3개뿐이다. 과정 기반 모델과 AI 기반 모델은 점수가 매겨진 프로브의 유사한 비율(각각 76%, 74%)을 통과하며, 사전학습된 홍수 예보 LSTM은 점수를 매길 수 있는 11개의 유출량 전용 프로브 중 6개에서 실패한다. 더 나아가 전체 1,184개 모델-프로브 쌍의 49%는 모델이 필요한 상태 또는 플럭스 변수를 생략하여 점수가 매겨지지 않은 채로 남으며, 점수가 매겨진 실패는 장기 물수지 폐합이 아니라 섭동 응답과 상태 경계에서 발생한다. HydroTuring은 개방형 커뮤니티 프로토콜 하에서 모델 개발, 동료 심사, 운영 배포를 위한 재현 가능한 스모크 테스트를 제공한다.

arXiv:2607.28200v2physics.app-ph

Vibe-FDTR: 재현 가능한 주파수 영역 열반사율 데이터 분석을 위한 에이전트 지향 프레임워크

Vibe-FDTR: An agent-oriented framework for reproducible frequency-domain thermoreflectance data analysis

주파수 영역 열반사율(FDTR)은 마이크로 및 나노 스케일에서 열적 특성을 측정하는 데 널리 쓰이는 레이저 펌프-프로브 기법이지만, 상당한 도메인 전문 지식을 요구하고 사소한 인적 오류에 취약한 복잡한 데이터 분석 절차에 의존한다. 본 논문에서는 대규모 언어 모델(LLM) 에이전트가 자연어 요청만으로 신뢰할 수 있고 재현 가능한 FDTR 분석을 수행할 수 있게 하는 에이전트 지향 프레임워크 Vibe-FDTR를 제시한다. 이 프레임워크는 물리적·파라미터적 일관성을 강제하는 설정 기반 FDTR 코드 패키지와, 사용자의 의도를 체계적이고 검증 가능한 분석 단계로 변환하는 절차적 에이전트 스킬을 결합한다. 우리는 합성 단일 단계 과제와 금이 코팅된 흑연 시료의 측정에 기반한 실제 데이터 다단계 과제의 두 수준으로 구성된 통제된 벤치마크로 Vibe-FDTR를 평가한다. 두 수준에서 Vibe-FDTR를 사용하는 에이전트의 성공률은 각각 100%와 98.9%이다. 이와 대조적으로 스킬을 제거하면(Code-agent) 성능은 91.4%와 36.7%로 떨어지고, 도메인 패키지까지 제외하면(Agent-only) 38.6%와 0%로 더욱 떨어진다. 성공률 외에도 Vibe-FDTR는 Code-agent 변형 대비 계산 비용을 87.7% 줄이고 실행 시간을 60% 이상 단축한다. 마지막으로 선택적 전문가 모드는 자율적인 민감도 및 불확실성 평가를 통해 실험 계획을 지원하며, 명세가 불충분한 과제에 대해 물리적 근거에 기반한 권고를 제시한다. 이러한 결과는 도메인 코드와 전문가 지식을 에이전트 스킬로 캡슐화하는 것이 진입 장벽이 낮고 자율적이며 신뢰할 수 있는 열 계측으로 나아가는 유망한 경로임을 보여준다.

arXiv:2611.01675v1physics.optics

단일 픽셀 정량 위상 영상을 위한 학습 기반 광학 압축

Learned optical compression for single-pixel quantitative phase imaging

정량 위상 영상(QPI)은 투명한 물체의 광경로 길이 변화를 드러내지만, 일반적으로 공간 분해 강도 측정에 의존한다. 본 연구에서는 단일 픽셀 QPI를 위한 학습 기반 광학 압축을 수치적·실험적으로 시연한다. 이를 위해 회절 인코더와 디지털 신경망 디코더를 공동으로 최적화하여 복원에 관련된 위상 정보를 간결한 측정 벡터로 집중시킨다. 재구성 가능한 단일 위상 변조 평면이 입력 물체와 무관한 학습된 인코딩 패턴을 순차적으로 표시하며, 각 패턴은 하나의 스칼라 강도 측정값을 제공한다. 가시광 파장에서 동작하는 실험 시스템은 복원 픽셀 수 대비 2.55%의 강도 측정만으로 약 40배의 차원 압축을 달성하여 미지 물체의 정량 위상 영상을 복원한다. 손글씨 숫자와 격자형 위상 물체에 대한 실험적 블라인드 테스트에서 평균 피어슨 상관계수는 각각 0.945와 0.848을 기록한다. 동일한 측정 예산 하에서의 벤치마크는 다른 인코딩 전략보다 복원 충실도가 현저히 높음을 보여 주며, 학습 기반 광학 압축의 이점을 강조한다. 광학 인코더를 고정한 채 디코더만 신경망으로 적응시키면 이전에 보지 못한 데이터 분포로 실험적 전이가 가능하여, 학습된 측정 표현의 활용성이 확장된다. 이러한 결과는 학습 기반 광학 압축이 위상 정보 압축을 단일 픽셀 강도 측정에 통합하면서 새로운 데이터에 대한 적응성도 유지하는, 측정 효율적이고 재사용 가능한 QPI 프레임워크임을 입증한다. 이 접근법은 낮은 데이터율의 위상 영상 및 센싱의 길을 열며, 고품질 검출기 어레이가 고가이거나 이용할 수 없는 스펙트럼 영역으로 QPI를 확장할 가능성이 있다.

arXiv:2611.00527v1cs.CV

자동화된 초음파 레이저 스캔을 위한 3D 신경 렌더링

3D Neural Rendering for Automated Ultrasonic Laser Scans

레이저 도플러 진동계(LDV) 스캔은 제조된 부품을 배치하기 전에 결함과 균열을 탐지하는 데 사용될 수 있다. 본 연구는 자동화된 로봇 조작과 신경 렌더링을 결합하여 3차원 부품의 정상 상태 표면 파동장을 재구성하는 방법을 제시한다. 압전 변환기가 내장된 6자유도(6-DOF) 로봇 매니퓰레이터(UFactory xArm6)가 음향적으로 가진된 시험체를 일련의 알려진 방향으로 고정된 LDV에 제시하여, 이미지 기반 자세 추정이 아니라 로봇 팔 기구학으로부터 해석적으로 도출한 자세를 가진 복소수 값 2D 스캔 집합을 얻었다. 이 스캔들은 표준 3채널 RGB 출력 헤드를 2채널 출력으로 대체한 수정된 Neural Radiance Field(NeRF) 파이프라인인 새로운 complex-nerfacto 모델을 학습하는 데 사용되었다. Complex-nerfacto는 파동장의 실수 및 허수 속도 성분을 표현하여 양자화 없이 복소수 측정값을 보존한다. 용접된 알루미늄 원통과 용접된 T자형 브래킷의 재구성 결과를 Z-정규화 상호상관(ZNCC)을 사용해 측정 스캔과 비교 평가했다. 복소수 값 파이프라인은 홀드아웃 시점 각도에서 평균 ZNCC 0.60을 달성했으며, 동일 데이터의 렌더링 이미지로 학습한 기준 RGB nerfacto 모델은 0.28이었다. 그 결과로 얻은 표면 파동장 재구성은 복잡한 부품에서 결함 탐지와 특성화를 뒷받침했다. 우리는 희소한 LDV 스캔으로부터의 기하 구조 재구성이 실용적 배포를 위한 남은 장애물임을 확인한다.

arXiv:2611.03485v1physics.comp-ph

정확한 경계 및 초기 제약 조건하에서 물리 기반 신경망을 이용한 전단 압전 계수 식별

Identifying the Shear Piezoelectric Coefficient using Physics-Informed Neural Networks under Exact Boundary and Initial Constraints

전단 압전 계수 $e_{15}$는 압전 미세가공 초음파 변환기(PMUT)와 표면 탄성파(SAW) 소자의 전단 모드 전기기계 결합을 좌우하지만, 이를 측정하려면 보통 전용 시편에 대한 파괴적 공진 시험이 필요하다. 시뮬레이션 데이터에서는 제약 조건을 둔 물리 기반 신경망(PINN)을 이용하여 희소하고 잡음이 있는 표면 하부 파동장 관측값으로부터 $e_{15}$를 비파괴적으로 복원할 수 있다. 정확한 공간 거리 함수와 시간 승수를 신경망 출력에 직접 내장함으로써 고정·접지 경계와 정지 초기 상태가 자동으로 만족되며, 손실에는 결합 전기-탄성동역학의 내부 방정식과 데이터 불일치만 남는다. 무차원 스케일링으로 모든 지배 계수가 O(1)의 한 자릿수 범위 안에 들어오며, 이 설정은 소프트 제약 방법에서 조정해야 하는 경계 및 초기 조건 페널티 가중치를 없앤다. 6가지 방식의 비교(평면 변형률 PZT-5H, 제조된 파동장, 30 dB 잡음)에서, 적응형 가중치를 사용하는 소프트 페널티 기준 모델은 다섯 번 중 네 번 잘못된 $e_{15}$로 수렴했고(평균 오차 51.7%), 고정 페널티는 2차 최적화 단계를 거친 뒤에야 0.85%의 오차에 도달했다. 제약 조건을 둔 정식화들은 평균 $e_{15}$ 오차 0.15%~0.51%를 달성했고 보류된 변위 오차는 1% 미만이었다. 이 변형들 중 공간 승수는 빠른 1차 수렴을 제공하며, 2차 시간 승수는 1차 시간 승수에 비해 초기 시간의 정전기 잔차를 6.8배 낮춘다. 한 표면 하부 선을 따른 유한요소 데이터에서 전체 정식화는 30 dB에서 평균 오차 1.19%로 $e_{15}$를 복원하며, 40 dB에서 0 dB까지의 잡음 스윕 전반에서 오차를 0.65%~2.71% 사이로 유지한다. 마지막으로 변위만으로 학습해도 유한요소 데이터에서 평균 오차 0.45%, 제조된 데이터에서 1.64%로 $e_{15}$를 복원한다.

arXiv:2512.02217v2cs.LG

시간적 스페클을 이용한 확률적 가중치 구현과 불확실성 인식 포토닉 인공지능

Temporal speckle enables probabilistic weights for uncertainty-aware photonic AI

인공지능은 안전이 중요한 환경에서 의사결정을 점점 더 많이 지원하고 있으나, 신경망은 모호한 관측이나 낯선 입력에 직면했을 때 과신하는 경향을 보일 수 있다. 베이지안 신경망은 모든 가중치를 확률분포로 대체하여 이러한 불확실성을 정량화하지만, 예측 시점에 다수의 분포를 샘플링하는 일은 결정론적 디지털 하드웨어에 과도한 부담을 준다. 본 연구에서는 광대역 광의 시간적 스페클이 확률적 가중치를 나타내는 고유한 물리적 표현을 제공함을 보인다. 진폭과 대역폭을 개별적으로 프로그래밍한 스펙트럼 채널들의 주파수 성분 간 무작위 비팅을 통해 각 채널의 평균과 분산을 독립적으로 광학 인코딩할 수 있다. 이를 통해 하나의 광대역 광원이 다수의 확률적 가중치를 병렬로 저장하고, 계산 비용이 큰 난수 생성 없이도 서로 상관되지 않은 샘플을 제공한다. 우리는 이 메커니즘을 37.5 ps마다 하나의 확률적 합성곱을 계산하는 초고속 포토닉 프로세서에 활용하며, 이를 통해 하이브리드 베이지안 신경망에서 분류와 분포 외 데이터 탐지를 동시에 수행할 수 있다. 본 시스템은 혈액 세포 이미지를 분류하는 동시에 학습에서 제외한 세포 유형을 낯선 것으로 인식하며, 표준 불확실성 벤치마크에서 인식적 새로움과 우연적 모호성을 구분한다. 확률분포를 빛의 요동에 프로그래밍함으로써 베이지안 추론의 샘플링 병목이 제거되며, 고속의 불확실성 인식 포토닉 인공지능으로 가는 길이 열린다.

arXiv:2610.10037v1cs.LG

상관 노이즈 신호의 필터링 및 예측을 위한 신호, 노이즈, 하드웨어 타임스케일 매칭

Matching of signal, noise and hardware timescales for filtering and forecasting of correlated noise signals

물리적 저수지 컴퓨팅(Physical reservoir computing)은 물리적 시스템의 비선형 동역학을 활용하여 기존 머신러닝 접근 방식보다 더 높은 에너지 효율로 시계열 데이터를 처리합니다. 그러나 물리적 저수지(physical reservoir)는 고유한 반응 타임스케일이 고정되어 있는 반면, 실제 신호는 여러 타임스케일에 걸쳐 결정론적 구성 요소와 확률론적 구성 요소가 결합되어 있습니다. 본 논문에서는 나노다공성 산화니오븀 저수지, 합성 노이즈 신호, 암호화폐 가격 변동성을 사용하여 노이즈 상관 시간, 저수지 메모리, 예측 지평(forecast horizon) 간의 관계가 상관 노이즈를 필터링할지 또는 예측할지를 결정함을 보여줍니다. 관련된 저수지 메모리 및 예측 지평보다 빠르게 변하는 노이즈는 저수지에 의해 평균화되는 반면, 더 느리게 변하는 노이즈의 시간적 구조는 알고리즘 기반 예측에 충분합니다. 저자들은 이러한 동작 영역을 구분하기 위해 저수지 메모리 지평(reservoir memory horizon)과 예측 체제 지수(forecasting regime index)를 도입합니다. 이러한 연구 결과는 타임스케일 매칭이 입력 시계열의 인코딩과 서로 다른 시간 척도에서 확률적 신호 구성 요소를 필터링, 분석 및 예측하는 물리적 저수지 아키텍처 개발을 안내할 수 있음을 입증합니다.

arXiv:2610.02013v1cs.LG

BranchIP: 원자 간 포텐셜을 위한 적응형 동변 연산 학습

BranchIP: Learning Adaptive Equivariant Computation for Interatomic Potentials

동변 기계학습 원자 간 포텐셜(MLIP)은 원자 모델링에 혁신을 가져왔으나, 복잡한 재료 및 분자 시스템을 정확하게 다루려면 비용이 많이 드는 모델이 요구됩니다. 이는 텐서 곱(tensor product)이 핵심적인 연산 병목으로 작용하면서 시뮬레이션의 공간적 및 시간적 스케일을 제한합니다. 최근 파운데이션 규모 MLIP의 등장은 이러한 과제를 더욱 악화시키고 있습니다. 본 논문에서는 새로운 증류 손실(distillation loss)로 학습되어 적응형 텐서 곱 연산을 학습하는 단일 모델 프레임워크인 Branch Interatomic Potential(BranchIP)을 제시합니다. 물리적으로 중요한 두 가지 시스템인 불균일 촉매 시스템과 양성자 전도성 고체 산 전해질에 대한 실험에서, BranchIP는 물리적 정확도를 유지하면서 모델 크기 전반에 걸쳐 MLIP 속도를 최대 2.4배 가속하고 메모리 사용량을 최대 2.6배 절감합니다. 나아가, 학습된 적응형 연산은 어떤 상호작용이 더 깊은 연산을 요구하는지 밝히고 연산 깊이가 화학적 복잡성 및 동역학과 어떻게 연관되는지 보여줌으로써 모델 해석 가능성을 제공합니다.

arXiv:2610.00465v1cs.IT

AIR-LLM: RF 컴퓨팅을 통해 메모리 없이 엣지 LLM 추론을 수행하기 위한 무선 AI 가중치 브로드캐스팅

AIR-LLM: Broadcasting AI Weights over Radio for Memory-Free Edge LLM Inference via RF Computing

차세대 대규모 언어 모델(LLM)이 클라우드에서 유비쿼터스 엣지 기기로 확장되고 있습니다. 그러나 엣지 기기는 일반적으로 점점 커지는 LLM 가중치(weight)를 저장할 메모리가 부족하거나, 메모리가 충분하더라도 가중치를 로드하는 데 감당하기 어려운 에너지를 소모합니다. 이에 따라 엣지 기기가 가중치를 저장하거나 로드하지 않고, 무선으로 수신하여 즉시 소비하면서 LLM을 실행할 수 있을까라는 질문을 던지게 됩니다. 무선 브로드캐스팅에서 영감을 받아, 본 논문에서는 (i) LLM 가중치를 공중으로 브로드캐스트하는 중앙 무선국(예: 5G 기지국)과 (ii) 가중치를 수신하여 RF 믹서를 사용해 무선 주파수(RF) 영역에서 직접 LLM 추론의 일반 행렬-벡터 곱셈(GEMV)을 완료하는 엣지 사용자로 구성된 엣지 기기용 LLM 추론 아키텍처인 AIR-LLM을 제시합니다. 무선 전송 시간(airtime)을 더욱 단축하기 위해, AIR-LLM은 MIMO 공간 다중화를 활용하고 엣지에서 자체 무선 채널을 보정하는 에너지 효율적인 프리코더-포스트코더 쌍을 제안합니다. 중앙 무선국은 개별 사용자를 인지하지 않으므로(user-unaware), AIR-LLM은 사용자 확장성을 갖추어 한 번의 브로드캐스트로 서비스 범위 내 무제한의 사용자에게 서비스를 제공할 수 있습니다. 본 연구에서는 두 가지 실제 도시 환경의 NVIDIA Sionna 광선 추적(ray-traced) 채널과 실제 RF 믹서의 프로파일링(profiling)을 바탕으로 AIR-LLM을 구현합니다. LLaMA-3.1-8B에서 WikiText-2 퍼플렉시티(perplexity) 저하가 4.0%에 불과한 상황에서, AIR-LLM은 FP16 및 가중치 전용 양자화(quantization) 베이스라인 대비 에너지를 각각 157.7배/40.4배 절감하며, 사용자 수가 20명일 때 무선 전송 시간을 각각 104.1배/26.0배 단축합니다.

arXiv:2609.39792v2cs.LG

TopTimeNet: 위상학적으로 보조된 시계열 분류 모델

TopTimeNet: Topologically-assisted time-series classification model

시계열에서 주기적 역학과 혼돈 역학을 구별하는 것은 물리학과 공학 모두에서 근본적인 과제입니다. 그러나 엔드투엔드(end-to-end) 학습 기반 아키텍처는 상당한 비용을 들여 데이터로부터 표현과 결정 경계를 모두 찾아내야 합니다. 본 연구에서는 이러한 작업을 분리하는 TopTimeNet을 소개합니다. 고정된 비학습 단계에서 타켄스 지연 임베딩(Takens delay embeddings) 및 지속성 호몰로지(persistent homology)를 통해 $42$차원의 기하학적·위상수학적 기술자를 추출하고, 경량 학습 가능 단계에서 분류를 수행합니다. $49$개의 비선형 동역학계로 구성된 벤치마크에서, $1{,}638$개의 매개변수를 갖는 구성은 $33$배 더 많은 학습 가능한 매개변수를 갖는 구성의 평균 정확도와 일치합니다. 또한, 이 접근법은 세 자리에서 네 자리 수(orders of magnitude)만큼 더 적은 학습 가능 매개변수를 요구하면서도 합성곱 신경망(CNN)에 필적하는 평균 정확도를 제공하고 수렴된 트랜스포머 모델의 평균 성능을 능가합니다. 견고성 또한 노이즈가 유입되는 위치에 크게 좌우됩니다. TopTimeNet은 사전 계산된 특징에 대한 섭동에는 완만하게 저하되지만, 원시 신호에 노이즈가 유입되어 전체 특징 추출 파이프라인이 재계산될 때는 급격히 저하되므로, 사전 계산된 특징의 섭동에 대한 견고성이 원시 신호부터 예측까지 이어지는 전체 파이프라인의 견고성을 의미하지는 않음을 보여줍니다. 이러한 결과는 고정된 기하학적 및 위상수학적 특징 구성을 경량 판별 단계와 분리함으로써 실질적으로 훨씬 적은 학습 가능 매개변수로도 대등한 분류 정확도를 달성할 수 있음을 보여줍니다.

arXiv:2609.10643v1cs.LG

제로샷 리브 설계: 학습이 필요 없는 생성형 사전분포와 위상 최적화의 결합

Zero-shot rib design: merging training-free generative prior with topology optimization

나뭇잎 잎맥, 해면골, 거미줄과 같은 자연적인 하중 지지 패턴은 단위 질량당 높은 강성을 달성하지만, 고전적인 위상 최적화기는 이러한 형상에 도달하는 경우가 드물며 엔지니어가 자연어로 구조적 설계 의도를 표현할 수 있도록 지원하는 경우도 거의 없습니다. 본 연구는 동결된(frozen) 텍스트-투-이미지 디퓨전 모델을 학습(training)이 필요 없는 설계 지식의 원천으로 다루며, 점수 증류 샘플링(SDS)을 통해 이를 밀도 기반 위상 최적화의 물리 루프에 증류(distillation)함으로써 텍스트 프롬프트(prompt)가 엔지니어의 의도를 기계가 해석 가능한 명시적 표현이 되도록 합니다. 프롬프트 유도 생성 그래디언트(gradient)와 유한요소 민감도는 매 반복(iteration)마다 결합되어, 프롬프트로 유도된 어떤 특징이 살아남을지를 물리가 결정하도록 합니다. 4개의 기하학적 도메인과 2개의 물리 체계에 걸친 245회의 기본 SDS 실행에서, 49개 프롬프트-도메인 조합 중 38개가 통계적으로 유의미한 컴플라이언스 감소(기계적 최대 $-31.5\%$, 열탄성 최대 $-23.0\%$)를 달성하여 그래디언트 기반 베이스라인을 능가했습니다. 도메인 간 형태학적 분석은 성능 향상의 반복적인 구조적 특징을 규명합니다. 즉, 대부분의 도메인에서 생성형 사전분포(generative prior)는 리브 골격의 막다른 분기를 억제하며, 끝점과 컴플라이언스 간 상관관계는 $r = +0.56$에서 $+0.99$에 달했습니다. $\beta$-연속을 적용한 헤비사이드 투영은 이러한 디퓨전-물리 결합에서 두드러진 중간 밀도 경향을 해결하고($42.6\%$에서 $<3\%$로 감소), 자동화된 골격 기반 파이프라인은 최적화된 밀도장을 컴퓨터 지원 설계(CAD)에 바로 사용할 수 있는 후보 형상으로 변환합니다. 새로운 각 문제의 물리 설정이 개별적으로 지정된 상태에서 텍스트 프롬프트 변경을 통해 도메인, 하중 조건 및 물리적 목적함수 전반에 걸쳐 생성형 사전분포의 타겟을 재설정함으로써, 본 프레임워크는 사전학습된 생성 모델(generative model)을 엔지니어링 설계를 위한 재사용 가능하고 학습이 필요 없는 사전분포로 활용합니다.

arXiv:2608.29907v1cs.LG

스마트 전자기 환경 조성을 위한 유전체 공진기 메타표면의 확산 모델 기반 역설계

Diffusion-Based Inverse Design of Dielectric Resonator Metasurfaces for Shaping Smart Electromagnetic Environments

미래의 무선 시스템은 주변 공간을 수동적 전파 매체에서, 가공된 표면이 전파 전파를 제어하고 무선 센싱을 지원하며 프로그래밍 가능한 전자기 핑거프린트를 생성하는 스마트 전자기 환경으로 변화시킬 것으로 기대된다. 이러한 비전을 실현하는 데 있어 핵심 과제는 맞춤형 전자기 전파를 위한 메타표면의 역설계(inverse design)이다. 순방향 해석이 알려진 기하학적 형상의 응답을 평가하는 반면, 역설계 과제는 규정된 산란 특성에서 시작하여 이를 생성하는 물리적으로 구현 가능한 구조를 탐색한다. 이 역설계 과제는 본질적으로 비선형적이며 종종 고차원적인 반면, 후보 해는 고유하지 않을 수 있고 실제 구현 가능성에 대한 직접적인 지표를 제공하지 않는다. 본 연구에서는 목표 각도 산란 패턴으로부터 유전체 공진기 메타표면을 역설계하기 위한 조건부 확산(conditional diffusion) 프레임워크를 소개한다. T-행렬로 시뮬레이션된 형상-응답 쌍을 바탕으로 학습된 이 모델은 결정론적 매핑 대신 기하학적 형상의 조건부 분포를 학습하여, 불량조건 역문제(ill-posed inverse problem)에 대해 여러 후보 설계를 가능하게 한다. 생성된 최적의 메타표면은 1.39%의 평균 백분율 오차를 달성하여 CMA-ES 최적화(10시간 후 4.1%)를 능가하는 동시에, 학습 후 추론에는 약 1분만을 필요로 한다. 또한 이 모델은 분포 외(out-of-distribution) 스펙트럼에 대해 결정론적 신경망 베이스라인보다 더 낮은 오차 분포를 생성하여, 효율적인 메타표면 설계를 위한 확산 모델의 잠재력을 강조한다.