PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09461v1q-fin.CP

1차 조건을 활용한 재귀적 효용 동적 프로그래밍을 위한 심층 학습

Deep Learning for Dynamic Programming with Recursive Utility Using First-order Conditions

본 논문은 재귀적 효용을 가진 이산 시간 동적 프로그래밍 문제를 풀기 위한 심층 학습 알고리즘인 확실성 등가 1차 학습(CEFOL) 알고리즘을 제안한다. 재귀적 효용을 가진 동적 프로그래밍은 비선형 확실성 등가가 벨만 방정식과 1차 최적성 조건에 나타나지만 평가하기 어렵기 때문에 다루기 까다롭다. 확실성 등가를 표현하기 위한 별도의 신경망을 도입함으로써, CEFOL은 벨만 조건과 모델 특화 1차 최적성 조건의 활용을 가능하게 한다. 확실성 등가 외에도, CEFOL은 모델 특화 1차 조건을 이용하여 최소화할 잔차를 구성함으로써 가치 함수, 정책 함수, 라그랑주 승수를 학습하는 데 신경망을 활용한다. 1차 잔차와 KKT 잔차를 이용하여 정책을 학습함으로써, CEFOL은 페널티 함수나 문제 특화 재정식화 없이도 간헐적 구속 제약을 포함한 제어 변수에 대한 일반적인 등식 및 부등식 제약을 직접 수용한다. 본 알고리즘을 위험 민감 및 엡스타인-진(Epstein--Zin) 소비-저축 문제, 소잡음 강건 제어 문제, 재귀적 선호와 확률적 변동성을 가진 DSGE 모델에 적용한다. 이러한 응용 전반에 걸쳐, 표본 외 벨만 진단 지표와 모델 특화 최적성 잔차(해당하는 경우 오일러 잔차 또는 1차 잔차 포함)는 관련 상태 영역에서 일반적으로 1.0e-4에서 1.0e-3 수준이며, 구속 제약 근방에서 더 큰 값을 보이고, 학습된 가치 함수 및 정책 함수는 이용 가능한 경우 VFI 벤치마크와 밀접하게 일치한다. 기대 효용은 재귀적 효용의 특수한 경우이므로, CEFOL 알고리즘은 기대 효용을 가진 동적 프로그래밍 문제에도 적용된다.

arXiv:2512.01317v3quant-ph

측정-유도 얽힘의 데이터 기반 학습 가능성 전이

Data-Driven Learnability Transition of Measurement-Induced Entanglement

측정-유도 얽힘(MIE)은 국소 측정이 장거리 양자 상관관계를 생성하고 다체 시스템에서 동역학적 상전이를 유도하는 방식을 포착한다. 그러나 MIE를 실험적으로 추정하는 것은 여전히 어려운 과제이다. 직접 평가는 측정 결과에 대한 광범위한 사후 선택을 필요로 하며, 이는 MIE가 다항식 자원만으로 접근 가능한지의 문제를 제기한다. 우리는 이 과제를 상태 준비에 대한 사전 지식을 가정하지 않는 데이터 기반 학습 문제로 재구성함으로써 해결한다. 측정 기록만을 사용하여, MIE의 불확실성 지표—평균 측정 후 이분 얽힘의 상한과 하한 사이의 간격—를 예측하도록 신경망(neural network)을 자기지도 방식으로 학습시킨다. 1차원 전체 연결 회로망을 가진 랜덤 회로에 적용한 결과, 우리의 방법은 회로 깊이가 증가함에 따라 학습 가능성 전이를 드러낸다. 임계값 이하에서는 MIE를 시스템 크기에 대해 다항식으로만 증가하는 자원으로 효과적으로 학습할 수 있는 반면, 임계값 이상에서는 필요한 자원이 지수적으로 증가한다. 이 계산적 상전이는 기저 양자 상태의 효율적인 고전 시뮬레이션의 한계와 일치한다. 또한 현재의 잡음이 있는 양자 소자에서도 이 전이의 특징을 관측한다. 이러한 결과는 MIE 학습을 위한 데이터 기반 접근법의 잠재력을 부각시키고, MIE의 고전적 학습 가능성의 실용적 한계를 규명한다.

arXiv:2503.18959v1physics.ins-det공식 코드 · Papers with Code

Seven-dimensional Trajectory Reconstruction for VAMOS++

The VAMOS++ magnetic spectrometer is characterized by a large angular and momentum acceptance and highly non-linear ion optics properties requiring the use of software ion trajectory reconstruction methods to measure the ion magnetic rigidity and the trajectory length between the beam interaction point and the focal plane of the spectrometer. Standard measurements, involving the use of a thin target and a narrow beam spot, allow the assumption of a point-like beam interaction volume for ion trajectory reconstruction. However, this represents a limitation for the case of large beam spot size or extended gaseous target volume. To overcome this restriction, a seven-dimensional reconstruction method incorporating the reaction position coordinates was developed, making use of artificial deep neural networks. The neural networks were trained on a theoretical dataset generated by standard magnetic ray-tracing code. Future application to a voluminous gas target, necessitating the explicit inclusion of the three-dimensional position of the beam interaction point within the target in the trajectory reconstruction method, is discussed. The performances of the new method are presented along with a comparison of mass resolution obtained with previously reported model for the case of thin-target experimental data.