PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.03193v2cond-mat.stat-mech

원자 수준 열역학 지형의 생성형 중첩 샘플링

Generative Nested Sampling of Atomistic Thermodynamic Landscapes

중첩 샘플링(Nested sampling, NS)은 단 한 번의 시뮬레이션을 통해 원자계의 열역학적 특성을 규명할 수 있지만, 가능도(likelihood) 제약 앙상블(ensemble) 내에서 워커 간의 상관성을 해소하기 위해 필요한 마르코프 체인 업데이트로 인해 실제 적용 범위가 제한된다. 흐름 기반(flow-based) NS는 중력파(GW) 추론(inference)에서 이러한 병목 현상을 완화했으나, 이를 원자계로 확장하는 것은 단순한 응용 분야 변경 이상의 과제를 수반한다. 차원이 유사한 GW150914 계열 쌍성 블랙홀 가능도와 8개 입자 2차원 레너드-존스(LJ) 계를 비교함으로써, 본 연구는 두 지형이 근본적으로 다름을 규명한다. 즉, 원자계의 다봉성(multimodality)은 강한 충돌 벽으로 분리된 입자 치환에 의해 발생하는 이산적이고 조합론적인 형태이며 좌표 결합이 조밀하고 집단적인 반면, GW 사후확률은 매끄러운 축퇴와 국소화된 매개변수(parameter) 결합을 보인다. 이러한 진단을 바탕으로 본 연구는 NS 에너지 경계를 조건으로 취하고 최근 라이브 셋의 슬라이딩 윈도우에서 학습(training)되는 단일 조건부 정규화 흐름(normalizing flow)인 NS-Flows를 제안한다. 이는 중요도 가중 기각 리샘플링으로 보정된 직접 병렬 샘플 추출을 통해 MCMC를 대체한다. 라이브 셋이 데이터를 자체 일관적으로 공급하므로, 구조화된 사전분포나 기존 데이터셋(dataset) 없이도 흐름 모델을 학습할 수 있다. 주기적 경계 조건을 갖는 LJ 디스크 시스템에서 본 알고리즘은 에너지 계산 횟수를 두 자릿수(100배)가량 절감하고 실제 실행 시간(wall-clock time)을 약 30% 단축하며, 포텐셜 계산 비용이 커질수록 이러한 이점은 더욱 두드러진다. 나아가 흐름 모델의 생성 효율은 물리적 진단 지표로도 기능한다. 어닐링 궤적을 따라 비단조적으로 변하고 밀집된 무질서 영역에서 가장 낮게 나타나며, 학습 윈도우에 걸친 타깃 이동 및 제약 앙상블 내부의 모드 복잡도와 함께 정량적으로 포착된다. 이는 사전분포-타깃 간 분리가 아닌 액체 유사 앙상블이 현행 흐름 아키텍처의 주된 난제임을 보여준다.

arXiv:2606.17916v1stat.CO

중첩 표본추출: 비판적이고 포괄적인 이론적 가이드

Nested Sampling: A Critical and Comprehensive Theoretical Guide

중첩 표본추출(NS) 기법은 고가능도 영역을 효율적으로 탐색하는 능력 덕분에, 특히 우주론과 천문학 분야에서 널리 주목받아 왔습니다. 이는 암시적 가능도 최적화와 유사한 특징으로서, NS의 성공을 뒷받침합니다. NS의 전체 이론적 유도는 복잡하며 여러 근사를 포함하지만, 핵심적인 과제는 성능에 결정적인 가능도 제약 사전분포(likelihood-constrained priors)로부터의 표본추출에 있습니다. 본 연구는 NS 유도에 대한 포괄적이고 상세한 설명을 제공하여, 이론적 기초와 실제적 과제를 모두 명확히 합니다. 우리는 NS 절차에 대한 철저한 설명을 제공하며, 장점과 잠재적 한계를 모두 강조합니다. 이를 통해 본 연구는 해당 방법에 대한 이해를 심화하고, 다양한 과학적 응용 분야에 걸쳐 향후 개선, 새로운 변형, 그리고 더 효율적인 구현의 개발을 촉진하는 것을 목표로 합니다. 따라서 본 연구의 주요 기여는 두 가지입니다. 해당 분야의 입문자를 위한 튜토리얼 역할과 숙련된 실무자를 위한 비판적 리뷰 역할을 수행한다는 점입니다.