PyTorchKR Papers

최신 논문

총 60편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2611.23875v1physics.optics

코딩 에이전트를 이용한 광학 신경망의 현장 학습

In Situ Training of Optical Neural Networks by Coding Agents

광학 신경망은 빠르고 에너지 효율적인 연산을 약속하지만, 모든 장치는 설계와 차이가 있어 하드웨어와 함께 학습되어야 한다. 현장 학습은 각 장치에 대해 전문가가 구축한 보정된 디지털 모델 또는 기울기 없는 시행착오에 의존한다. 프로그램을 작성하고 실행하는 대규모 언어 모델인 코딩 에이전트는 디지털 신경망의 가중치를 이해하고 편집하는 창발적 능력을 보여 왔다. 본 논문은 코딩 에이전트가 측정만으로 광학 신경망을 학습시키는 방법인 optics as code를 소개한다. 이는 탐침의 카메라 이미지를 반환하고 요청마다 가설을 요구하는 하니스를 통해 이루어진다. 우리는 에이전트가 광학에 대한 물리적 이해를 형성하고, 하드웨어에서 조정되는 해석 가능한 광학 요소로 네트워크를 재매개변수화함을 발견했다. 이는 분류와 이미지 인코딩에서 기울기 없는 방법을 능가하며, 보정된 모델을 통한 역전파에 근접하는 성능을 일부의 비용으로 달성한다. 장치별 보정도, 하드웨어를 통한 기울기도 필요하지 않고 더 유능한 모델로 개선되므로, optics as code는 크고 확장 가능한 광학 신경망에 이르는 실용적 경로이자 광학 실험을 보정하고 최적화하는 범용 도구를 제공한다.

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: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:2611.19841v1cs.AI

가설이 이어지는 AI 과학 탐구에서는 올바른 질문이 발견의 열쇠다

Asking the right question is key to AI discovery in a chain of hypotheses

인공지능(AI) 과학자는 일련의 가설을 세워 발견을 시도한다. 후보 모델을 기존 관측값에 맞추고, 흔히 모델 간 예측 차이가 가장 큰 곳에서 실험한다. 하지만 초기 데이터가 폭이 좁은 특징을 놓치면 관측하지 않은 구간에서 서로 비슷한 예측을 내는 단순한 곡선이 선택되기 쉽다. 그 결과 모델 간 불일치를 따르는 탐색은 새 현상이 있는 지점을 조사하지 않는다. 초기 데이터에서 좁은 봉우리 하나를 제외한 뒤 Claude Sonnet 5.5와 GPT-6.1-Sol 두 최첨단 AI 과학자로 폐루프 실험 32회를 수행했다. 두 모델 모두 무작위 탐색보다 봉우리 영역을 덜 자주 표본으로 삼았다. 모델 간 불일치를 더 충실히 따른 에이전트는 32회 모두에서 봉우리를 놓쳤다. 반면 측정하지 않은 구간을 초기에 살펴보고 이상 현상이 나타난 범위를 추가로 조사했을 때는 발견에 성공했다. 따라서 가설이 이어지는 AI 과학 탐구에서는 현재 모델의 예측이 갈리는 곳만 시험하기보다 올바른 질문을 던지는 일이 중요하다.

arXiv:2611.20301v1physics.optics

융합 실리카 위 얇은 실리콘 박막의 이중 펄스 펨토초 광열 제어를 위한 다중 출력 신경망 대리 모델

Multi-output neural network surrogate for double-pulse femtosecond optothermal control of thin silicon films on fused silica

우리는 결합된 다중 반사 모델과 2온도 모델로 학습한 다중 출력 순방향 신경망 대리 모델을 도입하여, 융합 실리카 위 결정질 실리콘 박막에 대한 이중 펄스 펨토초 레이저(1030 nm) 여기를 박막 두께(50-500 nm)와 펄스 간 지연(0-10ps)에 걸쳐 사상한다. 2000회의 물리 시뮬레이션에 대해 Levenberg-Marquardt 최적화로 학습한 이중 은닉층 네트워크([40,30] 뉴런)는 강하게 결합된 여섯 가지 광열 관측량, 즉 최대 전자 온도, 최대 격자 온도, 최대 캐리어 밀도, 최소 및 최대 흡수율, 최소 굴절률을 동시에 예측하며, 모든 목표값에서 결정계수 R2가 0.9998보다 크다. 조밀한 200×200 설계 격자를 밀리초 단위로 평가하면 뚜렷한 박막 간섭 무늬와 캐리어에 의한 굴절률 변조가 분해되며, d=156 nm, Dt=4.572 ps에서 최적의 광열 결합 영역이 확인된다. 이 통합 기계학습 워크플로는 계산 비용이 큰 다중 물리 실행 병목을 제거하여 실시간 레이저 가공 제어와 역방향 광자 박막 설계를 가능하게 한다.

arXiv:2611.05355v4quant-ph

이유를 읽다: 빛과 큐비트 위에서 정확한 단어 근거를 제공하는 Born 측정 어텐션

Reading Why: Born-Measured Attention with Exact Word Evidence on Light and Qubits

언어 모델이 답을 내놓을 때, 우리는 보통 그 이유를 추정할 수 있을 뿐이다. 본 연구에서는 모든 비선형성이 2차 검출(간섭, 균형 판독 또는 카메라)이며 출력이 Born 확률인 트랜스포머를 구축한다. 어텐션은 Born 규칙의 형태인 |<q|k>|^2를 행 단위로 정규화한 것이고, 피드포워드 비선형성에는 측정된 곱을 사용하며, 출력에는 Born 판독을 사용한다. 검출 사이에서는 고전적 제어가 값을 재조정하고 재인코딩한다. 분모를 입력에 고정하면 각 클래스 확률은 단어 진폭의 다항식이 되므로, 그 적분 기울기(integrated-gradient) 근거는 구적 오차 없이 유한 구적법으로 계산된다. 단어들의 기여도 합은 정보 없음 몫을 넘는 클래스 확률과 10^-13 이내로 일치한다. e-SNLI 자연어 추론에서 이 모델은 77.45 +- 0.91 %의 정확도를 달성하여, 동일 크기의 softmax 트랜스포머(76.62 +- 0.36 %) 및 순서를 무시하는 임베딩 가방(77.79 %)과 대등하다. 정확성이 보장하는 것은 합이지 최선의 순위가 아니다. 근거 순위가 가장 높은 단어를 삭제하면, 어떤 삭제든 답이 바뀌는 쌍 53 % 중 44 %에서 답이 바뀌며, softmax 모델의 적분 기울기에서는 31-32 %이다. 이 모델 자체의 gradient x input도 비슷한 수준(43 %)이고, 임베딩 가방의 경우도 마찬가지(43 %, 시드 0)이며, leave-one-out은 더 우수하다. 분모를 고정하면 하위 순위에서 이점이 있다. 순위가 가장 낮은 다섯 단어를 삭제했을 때 답이 바뀌는 비율은 1 %로, 분모를 고정하지 않은 경우의 6 %보다 낮다. 동일한 가중치는 시뮬레이션된 광전자 장치로 정확하게 컴파일되며, 그 어텐션은 큐비트로 컴파일된다. ibm_kingston에서 어텐션만 읽었을 때, 장치는 세 번의 Hadamard 검정 실행(가장 짧은 두 쌍과 결정적 단어가 없는 쌍 하나) 전부와 두 번의 compute-uncompute 실행(겹침마다 회로 하나) 전부에서 모델과 같은 답을 내놓았으며, 균일 어텐션은 세 입력 중 두 입력에서 다른 답을 낸다. 장치의 행 합을 사용했을 때 근거는 정확한 근거와 Hadamard 검정에서 0.997 및 0.962, compute-uncompute에서 0.971 및 0.48의 상관을 보였다.

arXiv:2611.16522v1physics.optics

PISim: 하드웨어 인지 계층 간 설계 공간 탐색을 위한 통합 포토닉 추론 시뮬레이터

PISim: A Unified Photonic Inference Simulator for Hardware-Aware Cross-Layer Design-Space Exploration

포토닉 신경 가속기는 초저지연 선형대수 연산을 제공하지만, 사용 가능한 수치 정밀도, 지속 가능한 처리량, 응용 정확도는 주변의 전기-광학 인터페이스와 물리적 비이상성에 의해 여전히 엄격히 제한된다. 제작 전 설계 공간 탐색(DSE)에는 동일한 신경망 워크로드와 물리적 가정 하에서 서로 다른 광학 토폴로지를 평가할 수 있는 계층 간 전자 설계 자동화(EDA) 프레임워크가 필요하다. 우리는 사전 학습된 심층 신경망 실행을 여섯 가지 가속기 아키텍처 계열, 여섯 가지 전기광학 변조기 기술, 네 가지 광원 구성, 직접 또는 코히어런트 판독 방식에 대한 물리 기반 모델과 결합한 통합 포토닉 추론 시뮬레이터 \textbf{PISim}을 제시한다. PISim은 제어 및 아날로그-디지털 양자화, 유한 소광비, 샷 잡음, 상관된 상대 세기 잡음(RIN), 열 드리프트, 전파 손실, 채널 누화를 포괄하는 단계별 손상 연산자를 해석적 사이클 수준 인터페이스 타이밍 모델과 함께 내장하여 전자-광학 병목을 드러낸다. 시뮬레이션된 MNIST 다층 퍼셉트론(MLP) 벤치마크를 사용하여, PISim이 다중 손상 스트레스 하에서 최적 정밀도 동작점(마하-젠더 및 마이크로링 변조기에서 6비트에서 정점)을 식별하고, 모델링된 조건에서 전력 분할과 상관된 광원 잡음으로 인해 발생하는 VCSEL 어레이와 병렬 팬아웃 레이저 아키텍처 간 52.5퍼센트포인트의 정확도 차이를 정량화하며, 32개에서 128개 채널에 이르는 방출기 어레이 폭에 걸친 인터페이스 제한 처리량 확장을 모델링하는 방법을 보인다. 이 포괄적인 프레임워크는 포토닉 테이프아웃 이전에 정확도 제약 파레토 최적화를 위한 확장 가능하고 재현 가능한 기반을 마련한다.

arXiv:2611.12686v1cs.CV

미분 가능 역렌더링을 통한 혈관내 광간섭 단층촬영의 고유 특성 복원

Differentiable Inverse Rendering Recovers Intrinsic Properties from Intravascular Optical Coherence Tomography

의료 영상은 질병 진행을 나타내는 조직의 고유 특성을 담고 있으나, 이러한 특성은 영상 형성의 시스템 의존적 물리 과정과 얽혀 있다. 미분 가능 역렌더링은 사후 보정이 아니라 영상 시스템의 순방향 물리 과정을 역으로 계산하여 이러한 특성을 복원할 수 있는지를 묻는다. 본 연구는 이를 광간섭 단층촬영(OCT)에서 다루며, 병변과 세포 구성을 나타내는 화소 단위 지표인 광 감쇠 계수에 초점을 둔다. 기존의 복원 방법은 단순화된 빛-조직 모델에 한정된 닫힌 형태의 역변환에 의존하거나, 특정 영상 구성에 결합된 학습 기반 방법에 의존한다. 이에 비해 우리는 미분 가능한 물리 기반 순방향 모델을 통한 경사 하강법으로 단일 OCT 영상에서 화소 단위 감쇠를 복원한다. 해석解와 비교하여 방법을 검증하였고, 5개의 시험관 내 팬텀에서 타당성을 확인하였으며, 128명의 환자에게서 얻은 29{,}269개의 임상 혈관내 OCT 영상에 수정 없이 적용하였다. 이 역변환은 학습 데이터나 분할 정보가 필요 없으며 플랫폼과 후향적 아카이브 전반에서 이식 가능하다. 순방향 모델을 교체하거나 다른 광학 매개변수를 복원하더라도 최적화 절차는 그대로 유지된다. 경사 정보가 이 고차원 문제로 확장되는 반면 경사 비사용 방법은 다루기 어려워지므로, 화소 단위 복원이 실현 가능함을 보인다. 본 연구는 OCT 영상에서의 정량적 조직 특성 분석을 뒷받침하며, 다양한 영상 방식과 장기 계통으로 확장할 수 있는 틀을 제공한다.

arXiv:2609.05808v2physics.optics

현장 확률적 수반 학습을 위한 물리적 정책 경사 정리

Physical policy gradient theorem for in situ stochastic-adjoint training

현장(in situ) 수반(adjoint) 학습은 측정으로부터 직접 매개변수 기울기를 추출하지만, 지금까지는 상호적(reciprocal)이거나 제한된 시스템에 국한되어 왔다. 우리는 정책 경사 정리의 물리적 대응물을 제시한다. 이는 상호성을 비퇴화 확산(nondegenerate diffusion)과 맞바꿈으로써 이러한 제약을 해소하는 확률적 수반 기울기 추정기이다. 검증으로서, 자체 동역학이 정책을 제공하는 비선형 공진기 네트워크를 적대적인 시간 변조에 맞서 학습시키며, 유한 차분이나 별도의 수반 실험 없이 측정된 확률적 궤적만으로 얻은 기울기를 사용한다.

arXiv:2611.01993v3quant-ph

이유 보기: 양자 및 광학 이미지 분류기를 위한 정확한 증거 지도

Seeing Why: Exact Evidence Maps for Quantum and Optical Image Classifiers

이미지 분류기가 판단을 내릴 때 우리는 대개 그 이유를 추정할 수 있을 뿐이다. 측정을 제외하면 진폭 인코딩된 이미지에 선형으로 작용하며 앞뒤에 학습된 고전 신경망이 없는 양자 및 전광학 분류기에서는, 각 클래스의 Born 확률에서 무정보 몫을 뺀 값 $P_g - b_g$가 인코딩된 진폭들의 기여로 정확히 분해되며, 이를 Born 증거 지도(BEM)로 나타낸다. 이 분해 자체는 이차 형식에 관한 기존 결과에서 따라온다. 투과된 빛을 고정하면 이는 영 기준선에서의 Integrated Gradients와 Shapley 값이 주는 결과와 같다. 우리가 더한 것은 분류를 수행하는 하드웨어에서 이를 측정하는 방법으로, 양자 칩에서는 클래스 확률로부터, 시뮬레이션에서는 렌즈 벤치의 카메라 프레임으로부터 측정하며 그래디언트 회로나 역방향 빛 전송이 필요 없다. $g\times g$ 지도는 $1 + 2g^2$번의 실행이 필요하다. 증거가 가장 높은 픽셀 5%를 삭제하면 정확도가 73%에서 9%로 떨어지며(시드 하나), 이는 가림(occlusion)과 gradient $\times$ input에서도 마찬가지인 반면 일반 그래디언트는 훨씬 적게 제거한다. 분류기들은 하나의 구조를 공유하며, 푸리에 평면 마스크 뒤에 큐비트상의 브릭월 회로 또는 렌즈 벤치상의 위상판이 이어지고, 학습된 파라미터가 없는 고정된 Born headroom 판독으로 읽는다. 각 이미지를 자신의 평균으로 중심화하면 어두운 특징이 밝은 특징만큼 반영된다. 시뮬레이션에서 단일 파장의 위상판 네 장은 Caltech-10 컬러 사진에서 72.3%에 도달한다. IBM의 ibm_kingston에서 근사적 로딩 이전에 마스크를 고전적으로 계산한 경우, 테스트 이미지 300장은 우연 확률 10% 대비 37.7%로 분류되었으며(정확한 시뮬레이션에서는 56.3%), 사전에 무작위로 추출한 테스트 이미지 30장의 필터링된 입력에 대한 $2\times2$ 지도를 칩에서 측정한 결과는 정확한 지도와 일치했다($r = 0.88$; 표준 추정기 0.82). 이 지도는 데이터 속 지름길도 드러냈으며, 이를 제거한 트리밍이 테스트 이미지에서 선택되었으므로 Caltech-10 결과는 탐색적이다.

arXiv:2611.04780v1physics.optics

LIPS-PC: 단일 픽셀 분류를 위한 조명 패턴 학습

LIPS-PC: Learning Illumination Patterns for Single-Pixel Classification

단일 픽셀(고스트) 이미징에서는 알려진 조명 패턴이 대상을 탐사하고, 공간 분해능이 없는 검출기가 패턴마다 하나의 수치를 반환한다. 각 측정은 획득 시간과 광자를 소모하며, 이온화 탐사 방식의 경우 전달되는 선량에도 기여한다. 클래스 레이블만으로 충분한 자동 방사선 결함 선별을 동기로 하여, 단일 픽셀 분류를 위한 조명 패턴 학습(LIPS-PC)을 제안한다. 패턴은 종단간으로 학습되며, 측정 연산자는 모든 입력에 동일한 하나의 고정 선형 행렬로 유지된다. 이를 2차원 이산 코사인 변환(2D-DCT)에 대한 잔차 보정 $D=D_{\mathrm{base}}+\Delta$로 매개변수화하고, 재구성 목적 함수 없이 교차 엔트로피를 사용하여 보정항과 소형 분류기를 함께 학습한다. 이는 최적화를 통해 과제 주도형 선형 임베딩을 만들어 낸다. LIPS-PC를 통제된 프로토콜에서 MNIST와 Fashion-MNIST에 대해 수치적으로 평가한 뒤, 실제 산업용 X선 용접 방사선 사진 데이터셋인 RIAWELC에서 평가한다. 1% 미만에서 12.5%에 이르는 샘플링 비율에 해당하는 다섯 가지 예산 $M\in{8,16,32,64,128}$ 전반에서, 학습된 연산자는 세 데이터셋 모두에서 $M=8$일 때 시험한 최고의 고정 변환보다 9-15 퍼센트포인트 높은 성능을 보인다. 8회 측정에서의 정확도를 최고의 고정 변환으로 얻으려면 대략 16-32회의 측정이 필요하며, 이는 비슷한 정확도에서 $2\times$에서 $4\times$의 절감을 나타낸다. 이러한 이점은 $M$이 증가함에 따라 대체로 줄어들며, RIAWELC에서는 더 높은 예산에서 약간의 역전이 나타난다. 이러한 결과는 무엇을 측정할지 학습하는 것이 측정이 부족할 때 특히 가치 있음을 보여 준다.

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:2611.00620v1quant-ph

에이전트 AI를 이용한 실험 양자 시스템의 모델 발견

Discovering Models for Experimental Quantum Systems with Agentic AI

색 중심 공동 양자전기역학(cavity-QED) 기반 양자 기술을 구현하는 데 있어 핵심 장애물은 개별 방출체 간의 불균일성, 즉 무질서이다. 방출체 수가 늘어날수록 실험 데이터의 복잡도도 증가하여, 존재하는 무질서의 물리적 메커니즘을 정량화하기 어렵다. 본 논문에서는 도구와 구조화된 워크플로를 갖춘 대규모 언어 모델(LLM) 기반 에이전트가 후보 해밀토니안 및 린드블라디안 모델을 제안하고, 계산 도구를 생성하며, 경쟁하는 물리적 가설을 정량적으로 평가하는 인공지능 기반 모델 발견 프레임워크를 소개한다. 이 워크플로를 다이아몬드와 탄화규소의 색 중심에서 수집되어 이전에 발표된 세 가지 cavity-QED 실험 데이터셋에 적용한다. 모든 실험에서 에이전트는 시스템의 물리 모델을 성공적으로 식별하고 무질서를 규명한다. 재현성을 평가한 결과, 실행 간 변동성은 주로 연구 계획 생성 단계에 집중되어 있으며 계산 분석 자체는 훨씬 더 일관적임을 확인한다. 이 결과는 구조화된 LLM 에이전트 워크플로가 양자 광학 실험 데이터로부터의 모델 발견을 지원하는 동시에 인간 전문가의 감독과 협업도 가능하게 함을 시사한다.

arXiv:2611.00428v1cs.LG

멀티모달 모델은 동등한 광학 스펙트럼에 대해 일관되게 판단하는가?

Do Multimodal Models Decide Consistently on Equivalent Optical Spectra?

스펙트럼은 나노미터 단위의 표 또는 광자 에너지 단위의 그래프로 모델에 제공될 수 있으며, 판단은 모델이 어느 쪽을 보는지에 좌우되어서는 안 된다. 답에 필요한 데이터가 없을 때 모델은 그 사실을 말해야 한다. 우리는 실리콘 메타표면(MOCLIP)과 금 나노입자의 측정된 광학 스펙트럼에서 표현 불변성과 응답 보류(abstention)를 시험하며, 레이블은 데이터로부터 계산한다. 각 스펙트럼은 네 가지 표(nm, $\mu$m, 과학적 표기법, eV)와 두 가지 그래프(nm, eV)로 제시되며, 부분 스펙트럼은 질의 범위의 안쪽 또는 바깥쪽 데이터를 제거한다. 우리는 판단 모델 d3-nano와 Jev 1.13, 세 가지 GPT-6 Luna 구성, 그리고 Qwen3.5-2B 기반 모델을 평가한다. 표현만 바꾸어도 한 모델 안에서 정확도가 최대 41%p까지 달라지며, 대부분 광자 에너지 표와 그래프에서 나타난다. 동일한 근거에서 파장 대신 광자 에너지로 질문하면 일부 모델-뷰 조합에서는 16-50포인트 도움이 되고 다른 조합에서는 최대 25포인트 해가 된다. 관련 극값이 제거되면 적응되지 않은 모델은 "결정할 수 없음"이라고 답하는 경우가 드물다. d3-nano의 LoRA 미세 조정은 학습된 표 형식에서의 비교 성능을 향상시키지만, 답할 수 없는 질문에서의 이득 중 상당 부분은 입력이 잘려 있으면 항상 응답을 보류하는 지름길에서 비롯된다. 답할 수 있는 절단 사례로 학습하면 여섯 개의 시드 모두에서 이 지름길을 피하며, 보류하지 않은 구조에서 안쪽 절단과 바깥쪽 절단 이후의 응답 보류 사이에 90-100포인트의 격차가 나타난다. 동일한 양의 추가 원래 과제 데이터를 사용하면 여섯 시드 중 다섯에서 지름길이 유지된다. 금 스펙트럼에서는 두 학습 세트의 성능이 비슷하다. 과학적 판단에 사용되는 멀티모달 언어 모델은 평균 정확도뿐 아니라 동등한 표현과 누락된 근거에 대해서도 시험되어야 한다. 우리는 과제, 응답별 결과 및 분석 코드를 공개한다.

arXiv:2610.11500v2physics.optics

유전체 푸리에 공간에서 메타표면 패밀리 전반의 qBIC 공진 학습

Learning qBIC Resonances across Metasurface Families in Dielectric Fourier Space

연속체 속 속박 상태(BIC) 메타표면은 일반적으로 기하 구조에 특화된 매개변수로 기술되므로 기하 구조 간 비교가 어렵고, 극히 좁은 준-BIC(qBIC) 특징은 전체 스펙트럼 학습에서 쉽게 희석된다. 본 연구에서는 일곱 가지 유전체 메타표면 계열의 2,015개 샘플을 공통 역격자 격자 위에 사상한다. 고정된 두 개의 저차 푸리에 기술자는 분기 내 공진 이동을 평균 $R^2$ 값 0.871-0.999로 포착한다. 두 대표 분기에 대한 장(field) 수준 분석은 이러한 이동이 맥스웰-푸리에 섭동 관점과 일치함을 보여 준다. 5채널 푸리에 공간 백본은 광대역 스펙트럼을 모델링한다. 국소 공진 전문가 모델은 복소 푸리에 계수를 사용하여 미분 가능한 Fano 층을 통해 qBIC 공진을 매개변수화한다. 이 전문가 모델은 기하 구조로 구분한 시험 집합에서 공진 위치의 평균 절대 오차(MAE)를 3.2 nm에서 0.95 nm로 줄이고, 최소 투과율의 MAE를 14배 줄인다. 동일한 좌표계는 스펙트럼에서 구조로의 복원 또한 지원한다.

arXiv:2610.41887v1cs.CE

과학적 기계학습을 통한 대규모 이종 메타물질의 비국소 상호작용 학습

Learning Nonlocal Interactions in Large-Scale Heterogeneous Metamaterials through Scientific Machine Learning

다중 스케일 시스템에서 공간적으로 분포한 구성 요소들 사이의 비국소 상호작용은 개별 구성 요소의 응답으로 환원될 수 없는 집단적이고 잠재적으로 창발적인 거동을 이끌어낼 수 있다. 특성 분석을 넘어, 다중 스케일 시스템의 비국소성은 파괴 역학, 파동 물리학, 무질서계 전반에서 점차 설계 요소로 인식되고 있다. 기존의 비국소성 이론은 엄밀한 기술과 메커니즘에 대한 통찰을 제공하지만, 종종 해석적 형태, 범위, 대칭성 또는 주기성이 미리 지정되어야 한다. 기계학습은 상호작용을 학습하는 데이터 기반 경로를 제공하지만, 신경망 설계를 물리 이론과 연결하는 원리적 접근은 아직 초기 단계에 있다. 본 연구에서는 선형 장 방정식으로 지배되는 이종 시스템에서 장(field) 데이터만으로 구성에 의존하는 상호작용을 학습하는 영역 분해 어텐션 신경 연산자(domain-decomposition attention neural operator, DANO)를 제시한다. 대규모 광학 메타표면에 대한 사례 연구를 통해, 기하학적 이질성 및 다양한 구동 조건 하에서의 전체 장 예측, 소규모에서 대규모 영역으로의 전이, 다기능 역설계에서 DANO의 성능을 입증하며, 학습된 상호작용은 물리 기반 검증을 통해 확인한다. AI-for-Science 도구로서 DANO는 가상현실 광학을 포함한 비국소 다중 스케일 시스템의 상호작용 발견과 확장 가능하고 맞춤화된 설계를 지원한다.

arXiv:2610.08346v2cs.CV

PolarScale: 방사 측정학적으로 일관된 RGB-스톡스 추정을 위한 물리 기반 벤치마크

PolarScale: A Physics-Grounded Benchmark for Radiometrically Consistent RGB-to-Stokes Estimation

편광 이미징은 강도 이미징을 넘어서는 물리적 단서를 제공하지만, 일반적으로 특수 하드웨어가 필요합니다. 최근 방식들은 RGB 형태의 입력으로부터 편광을 추론하지만, 정규화된 스톡스(Stokes) 성분이나 상대적 기술자만을 예측하므로 완전한 스톡스 재구성에 필요한 방사 측정 스케일(radiometric scale)이 제거되어 있습니다. 본 논문에서는 이 스케일을 명시적인 예측 및 평가 대상으로 삼는 벤치마크인 PolarScale을 소개합니다. 기존 3색 풀 스톡스 측정값을 기반으로 구축된 PolarScale은 장면별 정규화된 총 강도 이미지 $s_0$(소비자용 sRGB 사진이 아닌 장면 참조 선형 이미지)를 입력으로 받아 정규화된 스톡스 성분, AoLP/DoLP/DoCP, 그리고 장면별 스케일을 예측하도록 모델에 요구합니다. 스케일이 입력에서 나누어져 제거되었기 때문에 물리적으로 식별할 수 없습니다. 따라서 PolarScale은 각도, 자기 일관성, 물리적 경계 지표와 함께 상수 스케일 대조군과 비교하여 데이터셋 조건부 의미론적 스케일 추정을 평가합니다. 7개의 복원 기반 및 생성형 백본과 3가지 예측 전략에 걸쳐, 가장 성능이 뛰어난 복원 모델은 상수 대조군의 5.7% 대비 3.6-4.3%의 평균 상대 오차로 스케일을 추정하고 0.25% 미만의 픽셀에서만 물리적 경계를 위반한 반면, 2개의 생성형 베이스라인은 0에 가까운 스케일로 축퇴되었습니다. 또한 명시적인 기술자 감독은 기술자 정확도를 향상시켰습니다(MAE의 경우 23.66 vs. 18.88 dB PSNR). 예측된 풀 스톡스 표현은 확산/거울 반사 분리, 재질 분할, 눈부심 분류를 개선하지만, 확산/거울 반사 분리에서는 학습된 스케일이 상수 대조군과 비슷한 수준의 성능만을 보였습니다.

arXiv:2610.08213v1cs.CV

RACE-FPP: 프린지 투영 프로파일로메트리를 위한 강건한 AI 보조 특성화 향상 기법

RACE-FPP: A Robust AI-assisted Characterisation Enhancement for Fringe Projection Profilometry

프린지 투영 프로파일로메트리(Fringe Projection Profilometry, FPP)는 신뢰할 수 있는 3차원(3D) 재구성을 달성하기 위해 정밀한 시스템 특성화(characterisation)를 필요로 합니다. 그러나 특성화 정확도는 렌즈 흐림이나 특성화 타깃의 방향과 같은 까다로운 이미징 조건에서 저하될 수 있는 강건한 체커보드 특징(feature) 위치 추정에 크게 좌우됩니다. 기존의 심층 학습(deep learning) 기반 코너 검출기들은 대개 검출 지표와 카메라 재투영 오차만으로 평가되며, 프로젝터 특성화, 카메라-프로젝터 스테레오 특성화 일관성, 혹은 전반적인 측정 정확도에 미치는 광범위한 영향은 고려하지 않습니다. 본 연구에서는 표준 카메라 특성화 워크플로우에 심층 학습 기반 코너 검출을 통합한 완전한 FPP 특성화 파이프라인을 소개합니다. 또한 특성화 타깃의 흰색 사각형 중심에서 위상 값을 샘플링하여 프로젝터를 특성화합니다. 제안된 프레임워크는 코너 검출을 독립적인 작업으로 다루는 대신, 위치 추정 오차가 전체 FPP 특성화 체인 전반에 어떻게 전파되는지 명시적으로 분석합니다. 성능은 검출 지표(예: 정밀도 및 재현율), 카메라와 프로젝터의 재투영 오차, 그리고 카메라와 프로젝터의 스테레오 특성화를 통해 평가됩니다. 깨끗한 이미지와 열화된 이미지가 혼합된 데이터셋(dataset)에서 카메라 재투영 오차는 1.237픽셀에서 0.259픽셀로 감소하며, 프로젝터 재투영 오차는 약 50% 감소합니다. 재구성된 아티팩트의 치수 평가는 기존 파이프라인의 결과에 비해 향상된 기하학적 정확도를 보여줍니다. 종합적으로, 이러한 결과는 까다로운 이미징 조건에서도 시스템 수준 특성화의 강건성이 향상되어 보다 신뢰할 수 있는 산업용 FPP 측정이 가능해짐을 나타냅니다.

arXiv:2610.07529v1cs.LG

표적 탐색을 통해 무작위 소자 테스트가 시뮬레이션된 파동 기반 신경 연산자의 최악 오류를 과소평가함을 입증

Targeted search shows that random-device testing underestimates worst-case error in a simulated wave-based neural operator

파동 기반 프로세서는 신경 연산자(neural operator)를 위한 빠르고 에너지 효율적인 푸리에 계층을 제공할 수 있을 것으로 기대됩니다. 이러한 프로세서는 일반적으로 무작위로 샘플링된 소자들을 대상으로 검증되지만, 실제 활용을 위해서는 제작 및 정렬 편차 하에서 오류가 얼마나 커질 수 있는지 파악해야 합니다. 정형화된 수치 사례 연구에서, 하이브리드 푸리에 신경 연산자는 보정된 값보다는 대표적인 반치폭(half-width)을 갖는 32개의 허용 공차 노브(toleranced knob)가 장착된 시뮬레이션된 코히런트 4f 프로세서에서 4개의 스펙트럼 계층을 실행합니다. 120개 모델(4개 태스크, 6개 학습(training) 방법, 5개 시드)에 대해, 규격 내 N개 무작위 소자 중 최악의 경우와 탐색된 소자를 비교했습니다. 무작위 정적 오류의 1회 고정 추출을 적용한 결정론적 시뮬레이터에서, 탐색된 소자의 홀드아웃 오류는 200개 몬테카를로 소자의 최댓값 대비 1.08-3.10배, 1,000개 소자의 최댓값 대비 1.06-2.71배에 달했습니다. 20회의 새로운 정적 추출 조건에서도 120개 모델 중 116개에서 여전히 200개 무작위 소자의 최댓값을 초과했습니다. 균등 샘플링 하에서 이러한 소자가 추출될 확률은 모델당 최대 0.37%(양측 95% Clopper-Pearson)에 불과하며, 이는 오류의 크기가 얼마나 되는지에 대해서는 아무것도 알려주지 못합니다. 이러한 격차는 탐색 예산 수준의 균등 또는 소볼(Sobol') 샘플링, 공유 노브, 두 번째 누화(crosstalk) 모델, 0.25-2의 박스 스케일, 그리고 픽셀 수준 소자 모델에서도 지속되었습니다. 무작위 정적 오류만으로 학습된 모델은 탐색된 소자에서 공칭 오류의 3.7-39.9배에 달했으며, 무작위 및 그래디언트(gradient) 탐색 소자에서 미세조정(fine-tuning)을 수행했을 때 20개 태스크-시드 쌍 전체에서 6가지 방법 중 가장 낮은 탐색 오류를 나타냈습니다. 두 가지 열교환기 물리량의 경우, 각각을 대상으로 한 표적 탐색 오류가 39개 모델 전체에서 1,000개 무작위 소자의 최악 오류를 초과하였고, 따라서 윌크스(Wilks) 95/95 한계(59개 중 최악) 또한 초과했습니다. 11개 모델의 평균 압력에 대해서는 1% 오류 임계값을 초과한 무작위 소자가 전무했으나, 탐색된 소자는 이를 초과했습니다. 무작위 테스트는 오류가 특정 임계값을 얼마나 자주 초과하는지 추정하지만, 최악 소자 탐색은 오류가 얼마나 커질 수 있는지에 대한 하한을 제시합니다.

arXiv:2610.00318v1eess.IV

LensBridge: 렌즈 수차 보정 및 베일링 글레어 제거를 위한 주파수 유도 복합 열화 적응

LensBridge: Frequency-Guided Compound Degradation Adaptation for Lens Aberration Correction and Veiling Glare Removal

단순화된 광학 시스템은 종종 잔여 렌즈 수차와 베일링 글레어(Veiling Glare, VG)를 나타내어 공간적으로 변하는 블러와 대비 감소를 초래합니다. 대규모 렌즈 라이브러리(LensLib)는 다양한 점 확산 함수(Point Spread Function, PSF)를 포괄하여 재사용 가능한 수차 보정 모델을 가능하게 하지만, 수차만을 대상으로 하는 학습(training) 분포에는 타깃 시스템 고유의 베일링 글레어가 포함되지 않습니다. 실제 타깃 시스템의 복합 열화 쌍(pair)을 얻기 어렵기 때문에 이러한 기반을 복합 열화로 확장하는 것은 도전적인 과제입니다. 이 문제를 해결하기 위해, 먼저 재사용 가능한 수차 보정 기반을 구축한 후 몇 개의 비쌍형(unpaired) 타깃 관측치만을 사용하여 복합 광학 열화에 적응시키는 2단계 프레임워크인 LensBridge를 제안합니다. 1단계에서는 LensLib PSF로부터 이산 열화 사전 확률(prior)을 구성하고 수차 이미지에서 이를 직접 검색하도록 학습함으로써, 추론(inference) 시 명시적인 PSF 없이도 PSF 인식 보정을 가능하게 하는 PSF 인식 1단계 확산 기반을 구축합니다. 2단계에서는 주파수 도메인 유도를 통해 이 기반을 복합 열화에 적응시킵니다. 데이터 레벨에서는 주파수 유도 열화 완성(Frequency-guided Degradation Completion, FDC)이 수차 구조를 보존하면서 타깃의 저주파 특성을 LensLib 수차 이미지로 전명하여 복합 학습 쌍을 합성합니다. 모델 레벨에서는 주파수 유도 의사 분해(Frequency-guided Pseudo Decomposition, FPD)가 수차 및 VG가 지배적인 의사 관측치를 형성하여 별도의 적응 브랜치를 조건화합니다. 여러 광학 시스템에 걸친 광범위한 실험을 통해, LensBridge가 타깃 시스템의 쌍형 지도(paired supervision) 없이도 재사용 가능한 수차 보정 기반을 수차 보정 및 베일링 글레어 동시 제거로 효과적으로 확장함을 입증합니다. 모든 코드는 https://github.com/XiaolongQian/LensBridge 에서 공개될 예정입니다.