PyTorchKR Papers

최신 논문

총 49편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.15180v1cs.LG

RTS 스무더 기반 물리 기반 신경 미분 모델 학습

RTS Smoother-Guided Learning of Physics-Based Neural Differential Models

상미분방정식(ODE)은 물리, 생물학, 신경과학, 생리학에서 동역학 시스템을 모델링하는 데 널리 사용되지만, 많은 응용에서는 동역학의 일부 방정식이 알려져 있지 않고 상태 변수(state variable)의 일부만 측정된다. 본 연구에서는 ODE의 알려진 구성 요소는 명시적으로 유지하고 누락된 구성 요소는 신경망으로 표현하는 하이브리드 신경-물리 프레임워크를 제안한다. 제안 방법은 상태 추정과 매개변수 추정을 번갈아 수행하는 두 단계로 구성되며, 사전에 정해진 기준을 만족할 때까지 반복한다. 구체적으로 첫 번째 단계에서는 모델 매개변수를 알려진 것으로 간주하고, 사용 가능한 측정값으로부터 Rauch-Tung-Striebel(RTS) 스무더를 이용해 잠재 상태(latent state)를 추론한다. 두 번째 단계에서는 스무딩된 궤적을 알려진 것으로 간주하고, 이를 이용해 역전파를 통해 신경망의 매개변수를 추정한다. 본 방법은 부분 상태 관측(partial state observation) 하에서 선형, 비선형, 강성(stiff) 동역학을 아우르는 벤치마크 시스템에서 평가한다. 이러한 설정 전반에서 제안 방법은 해석 가능한 기계론적(mechanistic) 구조를 활용하고 유지하면서 불완전한 측정으로부터 누락된 ODE 구성 요소를 학습하고, 잠재 상태 재구성과 장기 예측(long-horizon prediction)을 개선한다.

arXiv:2607.14937v1cs.LG

동역학 시스템의 제로샷 재구성을 위한 최소 해석 가능 아키텍처

A Minimal Interpretable Architecture for Zero-Shot Reconstruction of Dynamical Systems

동역학 시스템(DS)의 제로샷 재구성을 위한 최근 파운데이션 모델(FM)은 강력한 도메인 외 일반화를 달성하지만, 그 예측을 뒷받침하는 메커니즘에 대한 통찰은 거의 제공하지 않는다. 이러한 이해는 과도하게 복잡한 FM 아키텍처를 본질적 핵심으로 축소하고, DS 도메인에서의 문맥 내 학습(ICL)에 대한 최소 요구사항을 드러내는 데 도움이 될 수 있다. 이 목표를 향해, 우리는 DS 재구성을 위한 최근의 강력한 SOTA 모델인 DynaMix(Hemmer & Durstewitz, 2025)를 반복적으로 축소하여, DynaBase라고 명명한 최소의 해석 가능한 두 매개변수 형태로 만들었다. DynaBase는 현재 잠재 상태와 가장 가까운 문맥 내 이웃 및 그 시간적 후속 상태의 선형 혼합을 통해 예측을 생성한다. 놀랍게도, 극도의 단순함에도 불구하고 DynaBase는 카오스 및 순환 시스템 전반에서 매우 경쟁력 있는 제로샷 DS 재구성을 생성하며, 다른 FM보다 수 많은 차수만큼 낮은 무시할 만한 수준의 매개변수 부담을 갖는다. 더 나아가, 이러한 극도의 단순함은 DS 재구성 지표에 대한 직접적인 모델 최적화뿐만 아니라 예측 MSE에 대한 폐형식 일(step) 해석적 해까지 가능하게 한다. DynaBase에 대한 이론적 및 경험적 분석은 더 나아가 1-매개변수 사상(map) 군으로 이어지며, 한쪽 끝에서는 (Zhang & Gilpin, 2026)의 문맥 패러팅(context-parroting) 알고리즘이 복원되고, 다른 끝에서는 카오스적(발산하지만 유계인) 거동이 나타난다. 우리는 또한 서로 다른 학습 전략이 단기 예측에 최적인 모델 또는 DS 재구성에 최적인 모델로 이어지는 방식을 보여준다. 따라서 DynaBase는 제로샷 DS 재구성을 생성하는 데 필요한 최소 메커니즘을 드러낼 뿐만 아니라, 접근 가능한 수학적 틀 안에서 문헌의 상이한 관측 결과들을 조화시킨다.

arXiv:2607.14143v1math.DS

Thomas 양의 회로 추측의 평면 경우

The Planar Case of Thomas Positive Circuits Conjecture

회로(circuit)란 동역학계(dynamical system) 요소들 사이의 순환적 방향 영향을 가리키는 개념이다. 회로에는 양(positive)과 음(negative) 두 클래스가 있다. R. Thomas는 다중 정상성(multi-stationarity)의 필요조건이 양의 회로(positive circuits)의 존재임을 추측했다. 본 논문에서는 동역학계 도구와 평면(planar) 분석을 사용하여, 평면 시스템에서 이 추측이 성립하는 조건을 찾는다.

arXiv:2607.12269v1cs.LG

양자 포트-해밀토니안 신경망: 측정 유도 비선형성을 통한 보수 및 소산 역학 학습

Quantum Port-Hamiltonian Neural Networks: Learning Conservative and Dissipative Dynamics via Measurement-Induced Nonlinearity

양자 포트-해밀토니안 신경망(Quantum Port-Hamiltonian Neural Networks, Q-pHNN)을 소개한다. Q-pHNN은 구조 보존 방식으로 고전 역학을 학습하는 매개변수화 양자 회로 계열이다. 이 프레임워크는 동형 해밀토니안 매핑(Isomorphic Hamiltonian Mapping, IHM)에 기반한다. 반대칭 상호연결 행렬 $\mathbf{J}$는 유니터리 게이트 진화에 대응하고, 양의 준반정 소산 행렬 $\mathbf{R}$은 회로 중간 측정과 고전 피드포워드로 구현되는 측정 유도 비선형성(Measurement-Induced NonLinearity, MINL)에 대응한다. 이를 통해 보존과 수동성이 페널티 항이 아니라 설계상 강제된다. IHM을 네 가지 아키텍처로 구현한다: (1) 보수적 에너지 다양체를 학습하고 매개변수 시프트 규칙(Parameter-Shift Rule)으로 해밀턴 방정식을 정확히 추출하는 양자 HNN; (2) 소산에 본 규칙 측정을 사용하는 Q-pHNN; (3) 에너지 ansatz와 감쇠 계수를 공동 학습하는 Q-pHNN; (4) $N$-노드 결합 위상자 네트워크를 위한 위상-얽힘 양자 그래프 신경망. 비선형 진자와 감쇠 조화 진동자에서의 실험은 다음을 보여준다: (i)~$1.35\%$ 상대 에너지 표류(심플렉틱 적분기와 스케일 보정 사용); (ii) MINL 회로에서 ~$100\%$ 에너지 단조성; (iii) 감쇠 계수에 대한 직접 지도 없이 벡터장 스냅샷으로부터 감쇠 계수를 식별할 때 ~$12.1\%$ 오차.

arXiv:2607.12243v1cs.LG

클러스터 가중 EDMD

Cluster-Weighted EDMD

확장 동적 모드 분해(EDMD)는 데이터로부터 Koopman 연산자를 근사하지만, 상태 공간의 서로 다른 영역이 서로 다른 국소 동역학을 보일 때 단일 전역 연산자는 비효율적이다. 우리는 소프트 위상공간 분할과 클러스터별 EDMD 연산자를 공동으로 학습하는 Cluster-Weighted EDMD(CW-EDMD)를 제안한다. 그 기대-최대화(EM) 목적 함수는 기하적 근접성과 예측 잔차를 모두 기반으로 각 전이를 할당하여, 클러스터가 데이터가 밀집된 곳이 아니라 국소 Koopman 모델이 정확한 곳에 특화되도록 한다. Lorenz, 감쇠 진자, Duffing 시스템에서 36가지 설정과 10개 시드에 걸쳐 CW-EDMD는 동일 차수 EDMD보다 1-step 예측과 5s 롤아웃 예측에서 성능을 개선한다. 288회의 쌍별 비교에서 258건에서 유의미한 오차 감소, 4건에서 증가, 26건에서 차이 없음이 관찰되었다. 1-step 오차의 중앙값 감소율은 각각 진자, Duffing, Lorenz에서 57배, 2.7배, 12배이다.

arXiv:2607.09801v1cs.LG

강제 물리 시스템에서의 잠재 응답 법칙 발견

Discovering Latent Response Laws in Forced Physical Systems

지배 방정식(governing equation)은 물리 시스템을 간결하게 기술하지만, 이를 단순하게 표현하는 변수는 종종 고차원 측정값 속에 숨겨져 있다. 이 문제는 강제 시스템(forced system)에서 더욱 두드러지는데, 강제 시스템의 응답은 내재적 다이나믹스와 시간 의존적 입력 모두에 의존하기 때문이다. 본 연구에서는 응답 방정식을 위한 강제 잠재 오토인코더인 FLARE를 소개한다. FLARE는 간결한 응답 좌표를 학습하고, 희소한 입력 의존적 잠재 다이나믹스를 식별하며, 방정식 롤아웃을 전체 응답으로 디코딩한다. 데이터로부터 잠재 차원을 추정하고 상태 추정과 외부 강제력을 분리함으로써, FLARE는 과거 응답으로부터 초기화되고 지정된 미래 입력에 의해 구동되는 예측을 가능하게 한다. 알려진 동역학 시스템, 응용 규모의 강제 응답, 시각적 관측에 걸쳐 FLARE는 간결한 강제 다이나믹스를 복원하고, 학습에 사용되지 않은 입력 하에서도 장기 고차원 응답을 예측한다. 학습된 좌표를 동역학적 인터페이스로 전환함으로써, FLARE는 방정식 발견(equation discovery)을 복잡한 관측 내에 유효 상태가 숨겨진 시스템으로 확장하며, 강제 동역학 시스템에서의 고차원 응답에 대한 해석 가능한 모델링과 예측을 위한 경로를 제공한다.

arXiv:2607.09698v1cs.AI

잠재 사고의 연쇄 추론을 동역학계로 해석하기

Interpreting Latent CoT Reasoning as Dynamical Systems

CODI와 COCONUT 같은 최근의 잠재 추론(latent reasoning) 방법들은 근본적인 해석 가능성 문제에 직면해 있다. 이 방법들은 명시적 사고의 연쇄(CoT)가 단일하고 투명한 추론 경로를 따르는 것과 달리, 각 단계마다 잠재 공간(hidden space) 내에서 여러 후보 경로를 중첩된 형태로 유지한다. 기존의 기계론적(mechanistic) 방법들은 압축, 지름길(shortcuts), 중첩(superposition)을 보여주지만, 잠재 단계 전반에 걸쳐 추론이 어떻게 전개되는지는 설명하지 못한다. 이 간극을 해소하기 위해, 우리는 잠재 토큰 시퀀스를 표현 공간(representation space) 내의 궤적으로 모델링하고, 동역학계(dynamical systems) 분석을 적용하여 추론의 전개 양상을 특성화한다. 단계 간 변화, 방향 일관성, 랴푸노프(Lyapunov) 민감도 등의 정량적 측도와 함께 UMAP 및 DMD/PHATE와 같은 정성적 투영 기법을 활용하여, 잠재 CoT가 두 가지 뚜렷한 안정성 부류를 지닌 구조적이고 비무작위적인 동역학을 나타냄을 보인다. CODI는 안정적인 끌개(stable attractor)로 동작하는 반면, COCONUT은 불안정한 팽창 시스템으로 동작하며, SIM-CoT 지도학습은 기저 동역학을 변경하지 않은 채 두 동작 모두를 수렴시킨다. 이 프레임워크는 잠재 CoT 추론 동역학의 해석 가능성을 향상시키고, 잠재 추론 성능 개선을 위한 실용적인 통찰을 제공한다. 코드와 프로젝트 페이지는 온라인에서 확인할 수 있다.

arXiv:2601.00473v4cs.LG

이산 동역학계로서의 심층 신경망: 물리 정보 기반 학습에 대한 함의

Deep Neural Networks as Discrete Dynamical Systems: Implications for Physics-Informed Learning

피드포워드 심층 신경망(DNN)을 이산 동역학계(discrete dynamical system)로 해석하는 프레임워크를 통해, 물리 정보 신경망(PINN)이 Burgers 방정식과 Eikonal 방정식을 풀 때 유한 차분법과는 다른 계산 경로를 취하며 역 매핑의 퇴화성(degeneracy)으로 인해 복수의 매개변수 구성이 동등한 해를 산출함을 보인다. PINN의 밀집 매개변수 표현은 해석 가능성과 계산 비용 면에서 불리하지만, 고전적 격자 기반 방법이 비실용적인 고차원 설정에서는 유연성 측면의 이점을 제공할 수 있다.

arXiv:2410.23467v3cs.LG공식 코드 · Papers with Code

쿠프만 기반 순환 신경망

Koopman-informed recurrent neural networks

쿠프만 연산자 이론(Koopman operator theory)과 랜덤 특징 네트워크를 결합하여 역전파 없이 순환 신경망(RNN)의 가중치를 구성하는 Koopman-informed RNN(KIRNN)을 제안한다. 은닉층 파라미터를 무작위로 샘플링하고 외부 가중치를 확장 동적 모드 분해(extended dynamic mode decomposition)로 구성함으로써, 혼돈 동역학 시스템 예측 및 실세계 데이터 실험에서 기존 그라디언트 기반 방법과 유사한 예측 정확도를 유지하면서 학습 시간을 크게 단축한다.

arXiv:2607.05457v1cs.LG

제어 가능성-관측 가능성 테스트를 통한 심층 신경망의 경험적 최소 실현 압축

Empirical Minimal-Realisation Compression of Deep Neural Networks via Controllability-Observability Tests

학습된 심층 신경망을 깊이 인덱싱된 비선형 동역학 시스템으로 해석하여, 제어 가능성(controllability)·관측 가능성(observability) 기반의 경험적 A/B/C 테스트로 층별 유효 은닉 상태 순위를 추정하고 이를 압축된 네트워크의 실제 레이어 너비로 직접 사용하는 균형 실현(balanced realisation) 압축 기법을 제안한다. CIFAR-10에서 파라미터를 83% 압축하면서 정확도 손실 없이 CUDA 추론 지연을 약 3배 단축하여, 기존 가지치기·양자화·저순위 SVD 대비 우수한 성능을 입증했다.

arXiv:2607.04993v1cs.LG

흐름 뒤의 지도: 동역학 시스템으로서의 유한 스텝 경사하강법

The Map Behind the Flow: Finite-Step Gradient Descent as a Dynamical System

고정 스텝 경사하강법을 이산 동역학 시스템으로 분석하여, 안정성 경계(edge-of-stability)가 최적화의 붕괴가 아니라 학습 사상(training map)의 첫 번째 분기(bifurcation)임을 정확히 풀 수 있는 모델 계층을 통해 규명한다. 유한 스텝 진동이 인수분해 불균형을 수축시키고 더 평탄하고 균형 잡힌 표현을 선택하게 하며, 학습률은 수치 안정성 매개변수가 아닌 학습 동역학의 구조적 매개변수임을 보인다.

arXiv:2510.09685v2cs.LG

미분방정식에서 영감을 받은 심층 신경망

Deep Neural Networks Inspired by Differential Equations

심층 학습은 컴퓨터 비전(CV), 과학 계산, 동역학 시스템 등의 분야에서 핵심 기술이 되어 이들 분야를 크게 발전시켰다. 그러나 신경망은 이론적 이해, 해석 가능성, 일반화와 관련된 문제에 지속적으로 직면하고 있다. 이러한 문제를 해결하기 위해 연구자들은 신경망에 대한 통합 이론적 프레임워크와 체계적인 설계 방법론을 제안하기 위해 미분방정식 관점을 점점 더 많이 채택하고 있다. 본 논문에서는 미분방정식에서 영감을 받은 심층 신경망 아키텍처와 동적 모델링 방법에 대한 광범위한 리뷰를 제공한다. 우리는 특히 상미분방정식(ODE)에 기반한 심층 신경망 모델과 결정론적 동역학 네트워크 구조, 그리고 확률 미분방정식(SDE)에 기반한 정규화 기법과 확률적 동역학 네트워크 모델을 검토한다. 이러한 모델들의 특성과 성능을 설명하기 위해 수치적 비교를 제시한다. 마지막으로, 미분방정식과 심층 학습의 통합에서 유망한 연구 방향을 탐구하여, 향상된 해석 가능성과 일반화 능력을 갖춘 지능형 계산 방법 개발에 새로운 통찰을 제공한다.

arXiv:2606.27294v1cs.ET

동역학 기반 아날로그 하드웨어 생성 모델

Generative Models on Analog Hardware with Dynamics

아날로그 하드웨어의 고정된 물리 동역학과 생성 모델 간 표현력 격차를 줄이기 위해 Analog Interaction Systems(AIS) 프레임워크를 제안하고, 시간 가변 구간별 파라미터·숨겨진 물리 상태와 Wasserstein GAN 학습으로 하드웨어 구현 가능 생성 모델을 학습한다. MNIST·Fashion-MNIST에서 FID 27.6·80.8을 기록해 기존 아날로그 생성 모델 대비 3–4배 우수하며, 4-bit 희소 아키텍처 기준 생성 이미지당 약 23μJ로 디지털 베이스라인 대비 에너지 효율이 두 자릿수 개선된다.

arXiv:2606.25039v1cs.LG

LLM-ACES: Closed-Loop Discovery of Dynamical Systems with LLM-Guided Adaptive Search

데이터로부터 상미분방정식(ODE)을 복원할 때 관측 불가 구분(identifiability gap)을 줄이기 위해, LLM-ACES는 대규모 언어 모델(LLM)이 연산자 사전을 제안해 기호 가설 공간을 나누고 후보 방정식 간 불일치로 궤적을 적응적으로 수집하는 폐루프(closed-loop) 탐색 프레임워크를 제안한다. ODEBench와 ODEBase 122개 ODE에서 중앙값 NMSE가 최저이며 기존 최신 기법 대비 수 orders of magnitude 우수하고, 기호 정확도 46.2%·52.4%를 달성하며 데이터 10분의 1로도 더 나은 성능을 보인다.

arXiv:2606.24966v1cs.LG

Learning Dynamical Systems from Multiple Sparse Datasets: A Hierarchical Bayesian Modeling Approach

희소하고 불규칙하게 샘플링된 복수의 데이터셋에서 동역학 시스템(dynamical systems) 파라미터를 추정하는 문제를 다루며, 데이터셋별 파라미터를 공유 모집단 분포에서의 샘플로 모델링하는 계층적 베이지안(Hierarchical Bayesian) 메타학습 프레임워크를 제안한다. 미분방정식(ODE) 수치 솔버를 그래디언트 기반 MCMC(No-U-Turn Sampler)에 내장하여 효율적인 사후 추론을 가능하게 하였으며, Lotka-Volterra 벤치마크 실험에서 비풀링(unpooled) 방법 대비 예측 성능이 크게 향상됨을 보였다.

arXiv:2606.24958v1cs.LG

Swarm-Inspired Generation of Collective Behaviors in Graph Dynamical Systems

SIES(Swarm-Inspired Emergent Synchronizer)는 군집에서 영감을 받아 명시적 역학 엔진과 지역 에이전트(agent) 지능을 결합한 그래프 역학 프레임워크로, 부호가 있는 source-target-conditioned attention을 적응형 결합항으로 학습해 원하는 집단 조직을 유도한다. 동기화 제어에서는 재학습 없이 보지 못한 네트워크 규모·위상 관계·노드 역학에 일반화하고 발진기 기준 대비 보행 모드 수렴이 더 빠르며, 시뮬레이션·실물 다리 로봇 보행과 이종성(heterophilous) 노드 분류 벤치마크에서도 비교 방법 중 최고 성능을 기록한다.

arXiv:2606.22075v1cs.LG

비선형 동역학 시스템 모델링을 위한 주파수 영역 Neural ODE

Frequency-Domain Neural ODEs for Modeling Non-Linear Dynamical Systems

Neural Ordinary Differential Equations (NODE)와 같은 표준 연속 깊이 모델은 이산 시간 단계 대신 연속 벡터 필드를 학습함으로써 물리 시스템 모델링에 상당한 이점을 제공한다. 그러나 복잡한 동역학 시스템에 적용할 때 표준 NODE는 고도로 비선형인 동역학을 다루는 데 자주 어려움을 겪는다. 본 논문은 Fast Fourier Transform (FFT)을 사용하여 연속 시간 동역학을 주파수 영역으로 투영하는 아키텍처인 Frequency-domain Neural ODE (FNODE)를 조사한다. 주파수 영역에서 동작함으로써, 해당 모델은 동역학 시스템에 대한 더 나은 일반화를 제공한다. 이 아키텍처는 Lotka-Volterra 모델, 강제 Duffing 진동자, Van der Pol 진동자, Lorenz 시스템이라는 네 가지 서로 다른 동역학 시스템에 대해, 구체적으로 Gated Recurrent Unit (GRU)와 Long Short-Term Memory (LSTM) 같은 이산 모델 및 Augmented Neural ODE (ANODE)를 포함한 다른 연속 깊이 변형과 비교하여 실증적으로 평가된다. 일반화와 견고성을 엄밀히 평가하기 위해, 커리큘럼 학습과 앙상블 학습을 사용하여 서로 다른 앙상블 모델들에 걸쳐 신뢰 구간을 추정함으로써 모델의 수렴을 평가한다. 실증 결과는 FNODE 아키텍처가 뛰어난 수렴 안정성을 보이면서 더 나은 일반화를 달성함을 보여준다.

arXiv:2606.21322v1cs.LG

구별 불가능한 어트랙터 구별하기: 리저버 컴퓨터를 활용한 비지도 이상 탐지

Distinguishing indistinguishable attractors: Unsupervised anomaly detection with reservoir computers

비선형 동역학 시스템이 정상 체제를 벗어나는 시점을 탐지하는 것은 심장학에서 기후 및 에너지 시스템에 이르기까지 과학 전반에 걸쳐 반복적으로 등장하는 문제이다. 우리는 리저버 컴퓨터의 출력 가중치에 대한 매우 단순한 콜모고로프-스미르노프 검정이, 고전적인 비선형 측도와 최신 딥러닝 탐지기 모두에 보이지 않는 경우를 포함하여, 비선형 동역학 시스템의 체제 변화에 매우 민감하다는 것을 보인다. 우리 알고리즘의 핵심 아이디어는 리저버 컴퓨터의 출력층을 입력 동역학의 표현으로 취급하는 것이다. 입력 매핑과 리저버 자체는 무작위로 고정되어 있으므로, 학습된 출력 가중치만이 해당 시스템을 인코딩하는 유일한 객체이다. 우리는 출력 가중치의 경험적 누적 분포 함수를 통해 이 지문을 요약하고, 학습 데이터로부터 구축된 참조 구간과 비교한다. 이 비지도 온라인 탐지기는 시각적으로 구별 불가능한 두 개의 나비 형태 어트랙터를 구별하고, 가장 강력한 딥러닝 기준선보다 7배 더 작은 매개변수 드리프트를 해소하며, 신호 대비 4자릿수 낮은 잡음을 표시하고, 임상 심전도(ECG) 기록에서 심실 조동을 식별한다. 더 나아가, 우리는 학습된 출력 가중치를 단순히 예측의 수단으로 보는 것이 아니라 학습된 시스템의 표현 그 자체로 취급하는, 리저버 컴퓨터에 대한 새로운 관점을 확립하고자 한다.

arXiv:2606.20718v1cs.AI

망상적 에코 함정 탈출: 알고리즘적 아첨에 대한 대칭 깨짐, 확률적 동역학 및 수학적 완화 전략

Escape from Delusional Echo Trap: Symmetry Breaking, Stochastic Dynamics and Mathematical Mitigation Strategies for Algorithmic Sycophancy

알고리즘적 아첨(algorithmic sycophancy)과 AI가 유발하는 망상적 나선화 맥락에서 사용자의 인지 궤적을 추적하기 위한 엄밀하고 체계적인 수학적 프레임워크를 제안한다. 동역학계 이론과 확률 미분방정식의 도구를 사용하여, 숨겨진 아첨 특성을 지닌 AI 챗봇과 상호작용할 때 개인이 어떻게 인식하고, 해석하고, 믿음을 갱신하는지 탐구한다. 진화하는 확신을 연속 log-odds 상태 변수로 취급하고, 이를 확률 미분방정식에 결합하여 다중 계곡 위치 에너지 지형을 탐색하도록 모델링한다. 분석 결과, 믿음 역학의 안정성과 경직성을 지배하는 여러 중요한 관찰을 밝힌다. 개인의 기준선 사전 인식이 임계값을 넘는 아첨적 피드백에 의해 체계적으로 강화됨을 보인다. 이 과정에서 지각적 위치 에너지 지형은 구조적 상전이를 겪으며, 기준선 상태에 존재하는 미세한 초기 기울기를 심각하게 심화시켜 지형을 변형하고, 개인을 흔들리지 않는 자기 강화적 망상적 확신에 가두는 깊고 매우 탄력적인 끌개 분지를 형성한다. 마지막으로, 진정한 외부 정보가 이러한 경직된 상태를 성공적으로 이겨낼 수 있음을 보인다. 유입되는 증거가 내부 피드백 장벽을 넘을 만큼 강하고 진정성이 충분하다면, 아첨으로 인한 구조적 비대칭을 교정하고 지각 역전을 유도하여 객관적 믿음 상태를 성공적으로 복원할 수 있다.

arXiv:2606.19368v1math.NA

물리 정보 기반 제어 문제에서 함수적 사전으로서의 신경망 아키텍처

Neural Architectures as Functional Priors in Physics-Informed Control Problems

본 연구에서는 상미분 방정식으로 지배되는 제어 문제에서 암묵적 함수적 사전(implicit functional priors)으로서의 신경망 아키텍처의 역할을 조사합니다. 고도로 복잡한 문제에 초점을 맞추는 대신, 우리의 목표는 물리적으로 해석 가능한 가장 간단한 설정 내에서 제어 동적 시스템(controlled dynamical systems)에서 아키텍처 의존적 효과를 조사하는 것입니다. 구체적으로, 우리는 제어된 선형 RLC 전기 회로와 비선형 Duffing형 동적 시스템을 연구합니다. 두 시스템 모두 먼저 고전적인 최적 제어 공식을 통해 분석되고, 이후 PINN(Physics-Informed Neural Networks) 기반 접근 방식을 통해 분석됩니다. 우리는 다층 퍼셉트론(MLP)과 Fourier 기반 KAN(Kolmogorov-Arnold Networks) 유사 아키텍처의 다양한 조합을 비교하고, 결과적으로 생성되는 제어에 미치는 영향을 분석합니다. 수치 실험에 따르면, 동일한 지배 방정식, 손실 함수(loss functionals), 초기 및 목표 상태, 학습(training) 파라미터, 물리적 제약 조건 하에서도 서로 다른 아키텍처 선택은 체계적으로 질적으로 뚜렷한 제어를 생성하는 것으로 나타났습니다. 학습된 솔루션의 스펙트럼 구조, 평활성(smoothness), 에너지 분포 및 위상 공간 행동에서 유의미한 차이가 나타납니다. 본 연구의 핵심 관찰 결과는 신경망 아키텍처가 학습된 제어의 구조를 형성할 수 있는 충분한 자유를 가질 때 함수적 특화(functional specialization) 현상이 나타난다는 것입니다. 더 구체적으로 말하면, 여기서 고려한 시스템에서 Fourier 기반 아키텍처는 더 풍부한 진동 성분을 포함하는 궤적을 생성하는 경향이 있는 반면, 더 평활한 저주수 편향(low-frequency-biased) 아키텍처는 더 규칙적이고 에너지 효율적인 제어를 생성하는 경향이 있습니다. 이는 제어 문제의 서로 다른 함수적 구성 요소가 서로 다른 신경망 아키텍처에 의해 더 효율적으로 처리될 수 있음을 시사하며, 이는 상태 표현과 제어 생성 사이의 암묵적 특화로 이어집니다.