모듈러성의 머신러닝
Machine learning modularity
동적 배치(dynamic batching) 알고리즘과 결합된 트랜스포머 기반 시퀀스-투-시퀀스(sequence-to-sequence) 아키텍처를 바탕으로, 본 연구는 $q$-$θ$ 함수 및 타원 감마 함수를 포함하여 여러 타원 감마 함수가 관여하는 복잡한 수식을 자동으로 단순화하는 머신러닝 프레임워크를 소개합니다. 모델은 대수적 항등식, 특히 $\text{SL}(2,\mathbb{Z})$ 및 $\text{SL}(3,\mathbb{Z})$ 모듈러 변환을 적용하여 복잡하게 뒤섞인 식을 표준 형식(canonical form)으로 축약하는 방법을 학습합니다. 실험 결과에 따르면 이 모델은 분포 내(in-distribution) 테스트에서 99\% 이상의 정확도를 달성하며, 더 깊은 뒤섞임 깊이와 같은 상당한 외삽(extrapolation) 조건에서도 90\%를 초과하는 정확도를 유지하며 견고한 성능을 보여줍니다. 이는 모델이 단순히 학습 패턴을 암기하기보다는 모듈러 변환의 기초 대수적 규칙을 내재화했음을 입증합니다. 본 연구는 모듈러 항등식을 활용해 기호적 단순화를 수행하는 데 머신러닝을 성공적으로 적용한 최초의 사례를 제시하며, 양자장론 및 끈 이론의 특수 함수 계산을 위한 새로운 자동화 도구를 제공합니다.