PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.12143v1eess.SY

심층 생성 모델링을 이용한 물리적으로 타당한 낙하산 동역학 생성

Generating Physically Plausible Parachute Dynamics with Deep Generative Modeling

행성 낙하산 및 진입체(entry vehicle) 시스템의 동역학을 정확히 모델링하는 것은 차량 분리(vehicle separation) 및 센서 활성화(sensor activation)와 같은 진입·하강·착륙(Entry, Descent, and Landing, EDL) 사건에 매우 중요하다. 이러한 동역학은 낙하산 운동이 고도로 비선형이고, 지배 방정식이 완전히 알려져 있지 않으며, 관련 시험 데이터가 희소하고 확보 비용이 크기 때문에 전통적인 계통 동정(system-identification) 방법으로는 포착하기 어렵다. 본 연구에서는 데이터로부터 낙하산 동역학을 직접 학습하는 물리 인식(physics-aware) 생성 모델링 접근법을 활용하여 이러한 난제를 우회한다. 제안 방법인 Symplectic Parachute Generative Adversarial Network(SPar-GAN)은 캐노피(canopy) 설계와 자유류(freestream) 속도를 조건으로 하고, symplectic integration을 통해 에너지 보존을 강제함으로써 Hamiltonian 생성 아키텍처를 낙하산 설정에 맞게 적용한다. SPar-GAN을 National Full-Scale Aerodynamics Complex(NFAC)에서 수행된 소규모(subscale) 낙하산 시험에 적용하고, 캐노피 축대칭(canopy axisymmetry)과 일치하는 간결한 2자유도(two-degree-of-freedom) 위상 공간(phase-space)을 복원하면서 서로 다른 낙하산 구성의 피치-요(pitch-yaw) 동역학을 정성적으로 정확하게 재현함을 보인다. 이 결과는 물리 제약 생성 모델이 다양한 운용 조건에서 낙하산 동역학을 특성화할 수 있음을 시사하며, 성능 평가에 필요한 물리적 시험의 규모를 줄이는 데 도움이 될 수 있음을 나타낸다.

arXiv:2607.07763v1cs.LG

해밀토니안 비디오 동역학 모델의 시간적 일반화 가능성 확보

Unlocking Temporal Generalization in Hamiltonian Video Dynamics Models

해밀토니안 생성 네트워크(HGN)가 소산(dissipative) 환경에서 학습 범위 밖의 스텝 크기로 롤아웃할 때 발생하는 실패 원인—제약 없는 액션-포스 맵으로 인한 잠재 표현 크기 폭발과 적분기의 전역 절단 오차 누적—을 체계적으로 분석하고, 각 메커니즘에 대한 수정 방법을 제안하여 학습 분포 밖에서도 안정적인 동역학 예측이 가능함을 입증한다.

arXiv:2510.01788v2cs.LG

장시간 시뮬레이션을 위한 신경망 기반 비정준 해밀턴 동역학

Neural non-canonical Hamiltonian dynamics for long-time simulations

데이터로부터 비정준 해밀턴 동역학(non-canonical Hamiltonian dynamics)을 학습할 때 발생하는 수치적 불안정성 문제, 특히 퇴화 변분 적분기(Degenerate Variational Integrator)의 게이지 의존성(gauge dependency)으로 인한 장시간 시뮬레이션 실패를 규명하고, 이를 해결하기 위해 벡터 필드 직접 학습과 스킴 기반 시간 이산 동역학 학습이라는 두 가지 학습 전략을 제안한다. Lotka-Volterra, 질량 없는 하전 입자, 자이로운동학적 플라즈마 물리학의 가이딩 센터(guiding center) 등 복잡한 물리 동역학에 대한 수치 실험을 통해 두 방법의 성능을 비교·검증하였다.

arXiv:2606.24945v1cs.LG

When Do Conservation Laws Survive Learned Representations? Certified Horizons for Latent World Models

잠재 세계 모델(latent world model)에서 표현학습 후에도 물리 보존 법칙(conservation law)이 사전에 인증될 수 있는지를 묻고, latent state를 디코딩해 알려진 물리 불변량을 평가하는 decoded physical invariant를 인증 대상으로 고정한 shell-horizon 인증서를 제안한다. 보존 인증은 학습 표현에서도 유지될 수 있으나 hard symplectic 구조는 알려진 위상 좌표에서는 긴 horizon을 주지만 학습 chart로는 옮겨지지 않고, controlled-Lipschitz로 정렬된 soft invariant가 학습 표현 설정에서 더 견고하며 pixel 관측에서는 readout-stable sub-tube에서 인증이 회복되고 Kepler 문제는 기하학적 경계를 드러낸다.

arXiv:2606.23219v1cs.AI

SPADE: 구조 사전정보 적응형 결정 추정

SPADE: Structure-Prior Adaptive Decision Estimation

보존 법칙, Hamiltonian 형식, 대칭과 같은 물리 구조 사전정보(prior)는 올바를 때 과학적 기계학습(scientific machine learning)을 개선할 수 있지만, 잘못 명시되면 예측을 악화시킬 수 있다. 기존 방법은 보통 선택된 구조를 강제하거나 부드러운 페널티를 조정하지만, 사전정보를 부과할지 여부, 얼마나 강하게 부과할지, 어떤 사전정보를 사용할지, 후보 법칙의 어떤 부분집합이 성립하는지를 결정하는 보정된 규칙 없이 수행한다. 우리는 이 문제를 비제약 추정량(unconstrained estimator)의 구조 위반 블록에 대한 수축(shrinkage)으로 다루는 폐형식(closed-form) 프레임워크인 SPADE(Structure-Prior Adaptive Decision Estimation)를 제안한다. SPADE는 하나의 정확한 명세 검정(specification test)과 하나의 추정량(estimand)을 사용한다. 검정은 데이터가 사전정보를 뒷받침하는지 결정하고, Stein-불편 James-Stein 수축은 $O(σ^2/n)$ 오라클 보장으로 강제 강도를 설정하며, 게이트(gate)는 검정이 이를 인증할 때만 하드 사전정보에 확정(commit)한다. 동일한 검정은 비중첩 제약 패밀리에서 부분집합 발견을 위한 일관된 중첩 구조 선택과 Benjamini-Hochberg 통제를 제공한다. 선형 부분공간 사전정보, 저수지 보존 법칙, Duffing 역학에 대한 비선형 Hamiltonian 사전정보에 걸쳐 SPADE는 오라클을 추적하고, 신경망 기준선(baseline)을 능가하며, 올바른 사전정보 regret을 $10.3\%$에서 $2.6\%$로 줄이고, 풀이 횟수의 $1/71$로 교차 검증(cross-validation)과 일치하며, 정확한 구조를 $100\%$ 정확도로 선택하고, 통제된 false relaxation으로 부분 법칙을 복원한다.

arXiv:2606.17260v1math.OC

결정론적 적분 시간을 갖는 해밀토니안 역학을 통한 가속화된 볼록 최적화

Accelerated Convex Optimization via Hamiltonian Dynamics with Deterministic Integration Time

우리는 가속화된 수렴 속도를 달성하는 매끄러운 볼록 최적화를 위한 해밀토니안 역학 기반 알고리즘을 개발합니다. 궤적 끝점에서의 수축을 요구하는 대신 평균화된 해밀토니안 흐름 궤적의 수축을 활용하여, 우리는 해밀토니안 역학 기반 최적화 방법들이 이차 목적 함수로 제한되거나 기대값으로만 성립하는 이전 연구를 확장하여 결정론적이고 가속화된 수렴 보장을 제공함을 보여줍니다. 우리는 이상적인 연속 시간 알고리즘을 분석하고 최적의 1차 복잡도를 갖는 실용적인 이산 시간 구현을 도출하여, 해밀토니안 역학을 결정론적 가속화 볼록 최적화를 위한 유용한 알고리즘적 프리미티브로 확립합니다.