PyTorchKR Papers

최신 논문

총 37편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.13708v2cs.LG

정상 상태로부터 은닉 상호작용 네트워크를 복원하기 위한 변분 물리 정보 기반 안자츠

Variational Physics-Informed Ansatz for Reconstructing Hidden Interaction Networks from Steady States

과도 궤적(transient trajectories)을 사용할 수 없을 때 정상 상태(steady-state) 관측값으로부터 상호작용 구조를 추론하는 것은 핵심적인 역문제(inverse problem)입니다. 본 연구에서는 이 문제를 이종 섭동(heterogeneous perturbations)에 의해 생성된 평형 제약 조건들과 단일 상호작용 연산자 간의 동시 적합성 문제로 정식화합니다. 미지의 연산자를 학습 가능한 객체로 표현하고 여러 실험에 걸쳐 발생하는 정상 상태 잔차를 최소화하는 변분 물리 정보 기반 안자츠(variational physics-informed ansatz)를 소개합니다. 아핀 상호작용(affine-interaction) 설정에서 누적된 평형 방정식들은 명시적인 유한 표본 식별 가능성 조건을 산출하며, 고유한 복원은 실험별 게이지 자유도(gauge freedom)를 제거한 후의 적합성 행렬 순위에 의해 결정됩니다. 쌍별(pairwise), 방향성, 가중치, 경험적 위상 및 선별된 고차 시스템에 대한 합성 벤치마크는 이러한 식별 가능성 양상을 입증하며, 명시된 가정 하에 추가적인 이종 정상 상태들이 어떻게 구조적 식별력을 향상시키는지 보여줍니다. 이러한 결과는 지배 역학(governing dynamics)이 알려져 있고 노드(node) 수준의 평형이 완전히 관측될 때, 평형 관측값만으로도 은닉된 상호작용 연산자를 결정할 수 있는 구체적인 정상 상태 복원 영역을 명확히 제시합니다.

arXiv:2607.14193v2stat.ML

복소 Helmholtz 파동장을 위한 연산자 정보 가우시안 프로세스: 합성 벤치마크에서 생체 뇌 탄성영상까지

Operator-Informed Gaussian Processes for Complex Helmholtz Wavefields: From Synthetic Benchmarks to In Vivo Brain Elastography

Helmholtz 방정식은 시간-조화 파동 전파를 지배하며, 감쇠 매질에서는 복소 탄성 계수로 인해 파수의 제곱 $κ^2$가 복소수가 된다. 희소하고 노이즈가 많은 데이터로부터 이러한 장을 추론하려면 자신의 불확실성까지 정량화하는 솔버가 필요하다. 물리 정보 가우시안 프로세스(GP) 회귀는 해에 대한 사후분포를 반환함으로써 이를 제공하지만, 연산자 조건 공식화는 거의 전적으로 실수값 장에 대해서만 개발되어 왔다. 우리는 복소 연산자를 등가의 결합된 실수 블록으로 실수화(realify)함으로써 연산자 정보 GP 회귀를 복소값 Helmholtz 문제로 확장하고, 이를 통해 표준 실수값 GP 조건화로 추론을 가능하게 한다. 이 구성은 적절한(proper) 대각 사전분포부터 공영역화(coregionalized) 및 다중 스케일 변형까지 일련의 사전분포를 허용하며, PDE 잔차와 경계 trace에 조건을 건다. 1차원에서 3차원까지의 벤치마크 문제에서, 이 솔버는 훨씬 작은 내부 제약 예산(interior-constraint budget)으로 유한차분법 및 신경망 베이스라인과 경쟁력을 보인다. 그러한 확정적 베이스라인과 달리, 점 추정이 아니라 복소 파동장에 대한 사후분포를 반환한다. 생체(in vivo) 뇌 자기공명 탄성영상에 적용하면, 적절한 다중 스케일 사전분포가 전단 curl 장을 측정값과 상관계수 0.77로 재구성하여 0.75 목표를 넘는다. 이 성능 향상은 실수-허수 결합이 아니라 다중 스케일 커널에서 비롯된다. 또한 모델 불일치(model mismatch)에 의해 설정된 저주파 정확도 상한과 아직 보정되지 않은 사후 불확실성을 확인한다. 따라서 보정된 불확실성은 감쇠 매질에서 확률적 파동장 추론을 위한 핵심 다음 단계로 부상한다.

arXiv:2607.21548v1hep-ph

Landau 게이지에서 결합된 ghost와 gluon Dyson-Schwinger 방정식의 신경망 해법

Neural solutions of coupled ghost and gluon Dyson--Schwinger equations in Landau gauge

4차원 Landau 게이지 Yang-Mills(YM) 이론의 결합된 ghost와 gluon Dyson-Schwinger 방정식(DSE)을 재정규화된 방정식 잔차만으로 학습한 신경망 표현으로 풉니다. 신경망 해법과 고정점 해법은 백분율 수준에서 일치하며, 초기화, 네트워크 크기, 적분 격자, 적외선 경계 조건의 변화에도 안정적으로 유지됩니다. 3-gluon 정점 모델의 변형은 신경망 오차보다 훨씬 더 큰 영향을 줍니다. MiniMOM 자외선 running과 gluon Schwinger 함수의 부호 변화도 truncation의 한계 내에서 재현됩니다.

arXiv:2607.20541v1cs.LG

HypNO: 쌍곡 보존 법칙을 위한 물리 정보 메시지 패싱 기반 그래프 신경 연산자

HypNO: A Graph-Based Neural Operator with Physics-Informed Message Passing for Hyperbolic Conservation Laws

우리는 스칼라 쌍곡 보존 법칙을 위한 그래프 기반 신경 연산자(neural operator) HypNO를 제안한다. HypNO는 유한체적(finite-volume) 셀의 시공간 그래프 위에서 직접 동작하며, 인접성 분해(adjacency-factored) 기반의 물리 정보 메시지 패싱을 통해 충격(shock) 근처에서 상류(upwinding)와 엔트로피 허용성(entropy admissibility)을 준수한다. 우리는 이 아키텍처를 Lighthill-Whitham-Richards(LWR) 및 Aw-Rascle-Zhang(ARZ) 교통 흐름 모델에 대해 벤치마크한다. 이 모델들은 동시에 전역 수송(global transport)과 충격 형성이 일어나기 때문에 연산자 학습(operator learning) 방법에 대한 스트레스 테스트 역할을 한다. HypNO는 다양한 초기 조건에 걸쳐 해 스냅샷(solution snapshot)을 정확하게 예측하면서, 해의 충격과 불연속성(discontinuity)을 포착한다.

arXiv:2607.20136v1physics.med-ph

PRIME-SVR: 태아 T2 매핑을 위한 물리 정보 기반 암시적 다중 에코 슬라이스-볼륨 재구성

PRIME-SVR: Physics-infoRmed Implicit Multi-Echo Slice-to-Volume Reconstruction for Fetal T2 mapping

슬라이스-볼륨 재구성(SVR)은 여러 방향으로 획득된 움직임으로 손상된 2D MRI 슬라이스 스택으로부터 고해상도(HR) 3D 태아 뇌 볼륨을 얻는 표준 방법이다. 기존 SVR 방법은 임상 범위의 에코 시간(TE)에 대해서만 최적화 및 검증되어, 비임상 TE에서의 사용을 제한하고, 다중 TE에 걸친 HR 재구성을 요구하는 태아 뇌 성숙의 프로토콜 및 센터 독립적 바이오마커인 정량적 T2 매핑과 호환되지 않게 한다. 우리는 다중 에코 MRI로부터의 공동 HR 재구성을 위한 최초의 암시적 신경 표현(INR) 프레임워크인 PRIME-SVR을 제안한다. 단일 완전 연결 네트워크는 공간 좌표에서 TE에 걸친 신호 강도로의 연속 함수를 모델링하고, 두 번째 네트워크는 슬라이스별 획득 열화를 추정한다. TE 간 일관성은 예상 T2 감쇠로부터의 편차에 페널티를 부과하는 Bloch 방정식 유도 정규화를 통해 강제되며, 열화된 스택에 대해 결합을 강화하는 적응적 가중치를 사용한다. 이 방법은 완전 자기지도(self-supervised) 방식이다. 우리는 두 센터, 두 벤더, 두 자기장 강도(1.5 T 및 0.55 T)에서 39건의 in vivo 태아 획득(13명의 대상자 x 3 TE)에 대해 PRIME-SVR을 검증한다. 최신 SVR과 비교하여 PRIME-SVR은 재구성 선명도를 47%, 해부학적 정확도를 30%, TE 간 구조적 일관성을 14% 향상시킨다. 이는 이전에 SVR로 접근할 수 없었던 후기 TE에서의 재구성을 가능하게 하여, 0.55 T에서 최초의 0.8 mm 등방성 T2 맵과 INR 기반 SVR에서 파생된 최초의 T2 맵을 산출한다. PRIME-SVR은 또한 다중 TE 재구성에 필요한 데이터를 줄여 정량 영상을 가속하며, 획득 시간을 15분에서 10분으로 단축하면서 백질 및 깊은 회백질에서 T2 정확도를 1.7% 이내로 유지하거나, 고품질 획득의 경우 5분으로 단축하면서 평균 T2 오차 2.3%를 달성한다.

arXiv:2601.20496v2stat.ML

희소 측정으로부터 반신경망 공간 재구성을 위한 미분 가능한 PDE 솔버 활용

Leveraging Differentiable PDE Solvers for Semi-Neural Spatial Reconstruction From Sparse Measurements

희소 측정으로부터 밀집 물리장을 생성하는 것은 샘플링, 신호 처리 및 다양한 응용 분야에서 근본적인 과제이다. 이 문제에 대한 최신 접근법들은 지배하는 물리를 무시하는 공간 통계에 의존하거나, 물리를 다목적 최적화 과정에 통합하거나, 학습 중 완전히 해상된 시뮬레이션 상태의 예시를 요구하는데, 이는 합성 벤치마크 외부에서는 흔히 이용 불가능하다. 여기서 우리는 수치 시뮬레이터와 데이터 기반 모델의 통합에 대한 최근 발전을 활용하는 새로운 대안을 제시한다. 구체적으로, Radial Basis Function(RBF) 재구성과 신경망(NN) 보정 및 편미분방정식(PDE) 솔버를 결합한 하이브리드 모델링 파이프라인을 제안하여, 수치 시뮬레이터 자체가 학습된 구성요소의 학습 루프에 직접 내장되도록 한다. 특히, NN은 완전히 해상된 시뮬레이션 상태의 예시가 이용 가능하다고 가정하지 않고 학습된다. 이는 PDE 솔버를 종단간(end-to-end) 미분 가능하도록 구현하여, 학습 중 시뮬레이션 단계를 통해 기울기를 역전파할 수 있게 함으로써 가능해진다. 이 그레이박스(grey-box) 방법론은 유체 역학의 세 가지 표준 벤치마크에서 평가되며, 통계 및 머신러닝 기반 재구성 방법들보다 우수한 결과를 달성한다.

arXiv:2607.14001v1cs.LG

물리 정보 기반 밀집 보상으로서의 리야푸노프 지수: 카피츠 진자를 넘어선 안정화의 강화학습 발견

Lyapunov Exponent as Physics-Informed Dense Reward: RL Discovery of Stabilization Beyond the Kapitza Pendulum

우리는 수직 운동이 가해진 역진자 안정화 강화학습 문제에서 리야푸노프 특성 지수(Lyapunov characteristic exponent, LCE)를 밀집 보상 신호로 사용할 것을 제안한다. LCE를 사용하면 에이전트는 카피츠 진자(Kapitza pendulum)로 알려진 진동 운동을 성공적으로 찾았을 뿐만 아니라, 진자의 선회를 감쇠시켜 엄격히 수직인 위치에 놓아두었다.

arXiv:2603.12676v5cs.LG

매개변수화 PDE 풀이를 위한 분리 잠재 역학 매니폴드 융합

Disentangled Latent Dynamics Manifold Fusion for Solving Parameterized PDEs

서로 다른 PDE 매개변수에 걸쳐 신경 대리 모델을 일반화하는 것은 PDE 계수의 변화가 종종 학습을 더 어렵게 하고 최적화를 덜 안정적으로 만들기 때문에 여전히 어렵다. 모델이 학습 시간 범위를 넘어서도 예측해야 할 때 문제는 더욱 심각해진다. 기존 방법은 보통 매개변수 일반화와 시간 외삽을 동시에 처리할 수 없다. 표준 매개변수화 모델은 시간을 단순히 또 다른 입력으로 취급하므로 고유 역학을 포착하지 못하고, 최근의 연속 시간 잠재 방법은 종종 각 인스턴스마다 비용이 큰 테스트 시점 auto-decoding에 의존하여 비효율적이며 매개변수화된 해 공간 전반에 걸친 연속성을 깨뜨릴 수 있다. 이를 해결하기 위해, 공간, 시간, 매개변수를 명시적으로 분리하는 물리 정보 기반 프레임워크인 Disentangled Latent Dynamics Manifold Fusion(DLDMF)을 제안한다. 불안정한 auto-decoding 대신, DLDMF는 순전파 신경망을 통해 PDE 매개변수를 연속 잠재 임베딩으로 직접 매핑한다. 이 임베딩은 매개변수 조건 Neural ODE에 의해 진화가 지배되는 잠재 상태를 초기화하고 조건화한다. 또한 공간 좌표, 매개변수 임베딩, 시간에 따라 진화하는 잠재 상태를 결합하여 해당 시공간 해를 재구성하는 공유 디코더를 사용하는 동적 매니폴드 융합 메커니즘을 도입한다. 예측을 정적 좌표 적합이 아닌 잠재 동역학 진화로 모델링함으로써, DLDMF는 매개변수 변화와 시간적 진화 사이의 간섭을 줄이면서 매끄럽고 일관된 해 매니폴드를 유지한다. 그 결과, 보지 못한 매개변수 설정과 장기 시간 외삽에서도 잘 수행한다. 여러 벤치마크 문제에 대한 실험은 DLDMF가 정확도, 매개변수 일반화, 외삽 견고성에서 최신 베이스라인을 일관되게 능가함을 보여준다.

arXiv:2607.12909v1q-bio.NC

저전력 에지 플랫폼을 위한 비전 기반 실시간 낙상 감지

Real-time fall detection based on vision for low-power edge platforms

낙상 감지는 노인 돌봄과 지능형 감시에 필수적이지만, 기존 비전 기반 접근법은 대부분 이를 정적 자세 분류 또는 이산적 시간적 패턴 매칭으로 다루어, 인간 지지 체계의 불안정 역학을 근본적으로 간과한다. 본 논문은 낙상을 결합 동역학 시스템에서의 안정성 상실 사건으로 재정식화하는 물리 정보 기반 낙상 감지 프레임워크를 제안한다. 우리는 질량 중심(CoM) 하위 시스템과 지지 기반(BoS) 하위 시스템으로 구성된 새로운 이중 LTC 아키텍처를 도입하며, 두 하위 시스템 모두 Liquid Time-Constant(LTC) 신경망으로 구현되어 적응적 시간 상수를 통해 관성 궤적 진화와 지면 접촉 조정을 연속적으로 모델링하고 낙상 운동의 물리적 해석 가능성을 제공한다. 학습 가능한 결합 모듈은 두 하위 시스템 간의 물리적 상호작용을 모사하고, Stability Manifold 분류기는 결합 잠재 공간에서 Lyapunov 영감 안정성 지표를 통해 경계 교차를 감지한다. 보완적으로 반사실적 궤적 투영과 충돌까지의 시간(TTC) 추정은 비가역성 평가와 조기 경보를 추가로 가능하게 한다. 이 아키텍처는 3상태 예측 패러다임(정상, 낙상 중, 낙상 완료)을 지원하도록 설계되었으며, 본 예비 연구에서는 2클래스 데이터셋(정상 대 낙상)에서 핵심 안정성 판별 능력을 검증하고, 전체 3상태 시간적 전이는 향후 연구로 남긴다. 기존 CNN-RNN 파이프라인과 달리, 제안된 공식화는 연속 시간 기계적 관성을 인코딩하여 5만 미만 매개변수의 네트워크로 자원 제약 에지 장치에서 실시간 추론이 가능하다. 광범위한 실험은 우수한 물리적 해석 가능성과 함께 경쟁력 있는 정확도를 보여 주며, 저연산 시각적 낙상 감지에 대한 효과를 입증한다.

arXiv:2607.10366v1cs.AI

Co4ICF: 관성 봉쇄 핵융합을 위한 물리 정보 기반 서로게이트와 강화학습 기반 펄스 옵티마이저의 공동 진화

Co4ICF: Co-evolving Physics-Informed Surrogate and RL-based Pulse Optimizer for Inertial Confinement Fusion

관성 봉쇄 핵융합(ICF)을 위해 오프라인 학습된 서로게이트들은, 반복적 옵티마이저가 입력을 분포 외(OOD) 영역으로 유도하여 예측이 신뢰할 수 없게 되는 잘 알려진 실패 양상을 겪는다. 본 논문에서는 물리 정보 기반 서로게이트와 PPO 기반 펄스 옵티마이저를 결합한 공동 진화 프레임워크인 Co4ICF를 제시한다. 서로게이트는 정책이 유도한 궤적 데이터로 반복적으로 미세조정되어 옵티마이저가 입력 분포를 이동시킴에 따라 발생하는 외삽 오류를 교정하며, 옵티마이저는 이 진화하는 서로게이트를 빠른 환경으로 쿼리한다. 1D MULTI 환경에서 Co4ICF는 현재 레이저 설계 기준선 대비 146.1%의 정규화 수율을 달성하였으며, 사후 교차 충실도 검증으로 최적화된 펄스는 어떠한 2D 학습이나 미세조정 없이 2D-MULTI에서 직접 평가 시 246.9%의 정규화 수율을 추가로 달성하였다. 예산 일치 절제 실험은 이러한 성능 향상이 추가적인 시뮬레이션 데이터만으로는 설명되지 않으며 공동 진화 메커니즘이 핵심 역할을 한다는 것과 일치함을 뒷받침한다. 향후 벤치마킹을 지원하기 위해 대규모 MULTI-IFE 시뮬레이션 데이터셋을 공개한다.

arXiv:2607.09382v1cs.LG

기하학으로부터 선형 탄성 변위장의 물리 정보 기반 서로게이트 모델 학습

Learning Physics-Informed Surrogate Model of Linear Elastic Displacement Fields from Geometry

이 연구는 파단된 탄성 도메인의 실시간 구조 건전성 모니터링을 위한 빠르고 물리적으로 일관된 서로게이트 모델을 개발하는 것을 목표로 한다. 우리는 경계 조건과 균열 기하학 모두로부터 변위장을 예측하는 물리 정보 기반 DeepONet 프레임워크를 제안하며, 후자에 대한 전용 인코딩 전략을 사용하고 유한 요소법으로 생성된 학습 데이터에 의존하지 않는다. 균열 경계에서의 무인력(traction-free) 조건은 국소화된 패널티 항을 통해 약식으로 부과된다. 제시된 수치 예제는 하나의 대표적인 균열 기하학에 초점을 맞추어 정식화의 실현 가능성을 입증하고, 다양한 균열 기하학에 걸친 서로게이트 모델링으로의 확장을 위한 기반을 마련한다.

arXiv:2607.03198v2cs.LG

축소 차원 모델: 월드 모델의 어머니

Reduced-Order Models: The Mother of World Models

모델 차원 축소(MOR) 및 제어 분야에서 수십 년 전 독립적으로 개발된 고유 직교 분해(POD) 기반 축소 차수 모델이 현대 월드 모델(world model)과 인코더-잠재 상태-행동 조건화 동역학-디코더로 구성된 동일한 구조적 해부학을 공유함을 세 커뮤니티의 사례를 통해 규명한다. 전력·열·공정 제어 등 실패가 허용되지 않는 시스템에 월드 모델을 배포하는 핵심 장애물은 예측 정확도가 아닌 검증 가능성(verifiability)임을 주장하며, MOR의 물리적 그라운딩과 오차 경계 보증 능력을 자기지도 학습 기반 월드 모델의 비선형 표현력 및 전이 가능성과 통합하는 연구 의제를 제시한다.

arXiv:2506.11936v2physics.flu-dyn

초고 변형률 속도에서의 실험 역학을 위한 트랜스포머 기반 역 마이크로유변학

Transformer-Based Inverse Microrheology for Experimental Mechanics at Ultra-High Strain Rates

전통적인 유변학 도구들은 시공간 해상도, 하중 속도, 침습성의 제약으로 인해 초고 변형률 속도 하중 조건(> 1000 s^-1)에서 연성 재료를 특성화하는 데 한계가 있는 경우가 많다. 최근, 레이저 유도 관성 공동화(LIC)를 활용하여 주변 재료를 동적으로 변형시키는 관성 마이크로공동화 유변계측법(IMR)이 극한 하중 조건에서 비선형 점탄성 특성을 탐구하기 위한 강력한 실험 역학 기법으로 부상하였다. 그러나 기존의 IMR은 계산 비용이 높은 반복적 역 피팅 절차에 의존하여 확장성과 실시간 적용 가능성이 제한된다. 본 연구에서는 물리 기반 공동화 시뮬레이션과 트랜스포머 신경망 아키텍처를 결합하여 실험적으로 측정된 기포 동역학으로부터 연성 재료의 점탄성을 신속하게 역 특성화하는 새로운 AI 강화 실험 역학 프레임워크인 Bubble Dynamics Transformer(BDT)를 소개한다. 제안된 프레임워크는 반복 최적화 없이 시간 분해 기포 반경 변화 곡선으로부터 점탄성 재료 매개변수를 직접 예측한다. BDT는 물리 기반 Keller-Miksis 공동화 시뮬레이션으로부터 생성된 합성 데이터셋을 사용하여 학습되었으며, 하이드로겔과 점성 폴리머 용액에서 획득한 실험적 레이저 유도 공동화 데이터를 통해 검증되었다. 제안된 AI 기반 프레임워크는 구성 매개변수 추론을 크게 가속화하면서 기존 IMR과 우수한 일치도를 보인다. 추가적인 실험 검증을 통해, 점성 액체부터 다양한 점탄성 하이드로겔에 이르는 광범위한 연성 재료에 대해 초고 변형률 속도에서의 속도 의존적 재료 거동을 특성화하는 프레임워크의 능력이 확인되었다.

arXiv:2607.08079v1cs.AI

PARA-PV: 고정된 기반 모델과 분포 이동 보정 기반의 물리 인식 검색-증강 태양광 발전 예측

PARA-PV: Physics-Aware Retrieval-Augmented PV Prediction Based on Frozen Foundation Model and Distribution Shift Correction

PARA-PV는 태양광(PV) 발전 예측의 정확도를 높이기 위해 물리적 지식을 예측 전 과정에 내재화한 검색-증강(retrieval-augmented) 프레임워크로, 물리 인식 검색 학습기, 고정된 Chronos 기반 모델 기반의 시간적 사전(prior) 보정, 분포 이동 보정 모듈, 그리고 피크·램핑·야간 등 레짐별 적응적 손실 함수를 결합한다. 두 개의 지리적으로 상이한 PV 발전소 실험에서 7개의 베이스라인 대비 일관되게 우수한 포인트 및 확률적 예측 성능을 1M 미만의 학습 가능 파라미터로 달성하였다.

arXiv:2607.06287v1math.NA

Kernel-based Operator Learning: Error Analysis, Budget Allocation, and a Physics-Informed Extension

커널 기반 연산자 학습(operator learning)을 위한 2단계 샘플링 프레임워크에서 학습 쌍의 수 N, 입력 관측 수 n, 출력 해상도 m 사이의 명시적 예산 배분(budget allocation) 조건을 이론적으로 도출하고, 수렴을 보장하는 정량적 스케일링 법칙을 제시한다. 또한 재학습 없이 평가 시점에 PDE 잔차를 콜로케이션 포인트에서 페널티로 부과하는 물리 정보 기반(physics-informed) 온라인 재구성 확장 방법을 도입하여 그 효과를 수치 실험으로 검증한다.

arXiv:2607.06132v1cs.LG

Self-Supervised Implicit CEST Reconstruction via Physics-Informed Lorentz Encoding

Multi-Pool Chemical Exchange Saturation Transfer (CEST) MRI provides valuable metabolic information but is clinically limited by long acquisition times. Although sparse sampling reduces scanning time, reconstructing high-resolution Z-spectra from limited data remains an ill-posed inverse problem. Conventional interpolation and generic Implicit Neural Rep-resentations (INRs) often lack physical constraints, leading to spectral artifacts and physically invalid signals. To address this, we propose Lorentz Encoding (LE), a physics-informed framework that formulates CEST reconstruction as a self-supervised reconstruction task via implicit continuous coordinate learning. Unlike generic positional encodings, LE regularizes the continuous spectral mapping by projecting sparse coordinates into a physically constrained space governed by a combination of parametric Lorentzian profiles with learnable basis functions. This mechanism effectively reduces noise and enforces consistency with physical models. Experiments on in vivo human brain data demonstrate that LE significantly outperforms state-of-the-art methods. Specifically, under a 39-point sampling strategy, LE achieves a PSNR of 57.58 dB and an SSIM of 0.9994. Furthermore, the learned physics-informed encodings form a continuous, geometrically ordered trajectory in the latent space, ensuring accurate quantitative metabo-lite mapping (APT, NOE, MT).

arXiv:2607.05758v1cond-mat.mtrl-sci

From Closed-Loop Optimization to Open Decision Making: Coupled Digital Twins for Predictive and Autonomous Microscopy

Automated experimentation is moving from closed-loop optimization toward open decision-making, where human or AI planners must forecast the consequences of candidate actions before executing them. Such forecasts require a model of both sides of the experiment: how the sample is likely to respond and what the instrument is likely to detect. We therefore introduce a coupled digital-twin framework that separates these roles and then links them. In this framework, the sample twin encodes material state inferred from prior knowledge and measurements till the moment. The instrument twin captures signal formation, feedback dynamics, and operating constraints based on prior knowledge. When coupled, the two twins estimate expected outcomes, uncertainty, and risk for candidate microscope operations. For amplitude-modulation scanning probe microscopy, we realize this framework with a physics-informed encoder of force-distance curves, a deterministic scanner model of cantilever and feedback dynamics, and sparse learned residual corrections. The encoder first recovers scanner-driving descriptors with sub-nanometer accuracy. The calibrated scanner then reproduces typical traces within a few nanometers and identifies operating-point noise amplification as the main source of mismatch. Supplementary phase analysis localizes residual error to the phase channel, which clarifies where added physics is needed. Together, these results establish coupled sample and instrument twins as a practical foundation for predictive microscope operation and autonomous experimental planning.

arXiv:2607.03692v2cs.LG

PIEFS: 학습 가능한 스케일링을 갖춘 물리 정보 기반 고유함수 특징

PIEFS: Physics-Informed Eigenfunction Features with Learnable Scaling

고정된 커널이나 그래프 라플라시안에 의존하는 기존 스펙트럴 방법의 한계를 극복하기 위해, PIEFS는 학습 가능한 메트릭 $A(x)=\Lambda(x)U(x)$로 변환된 수정 디리클레 에너지(Dirichlet energy)를 기반으로 태스크 적응형 직교 좌표 맵을 순차적으로 학습하는 지도 학습 신경 표현 학습 프레임워크를 제안한다. 합성·표 형식·이미지 벤치마크 실험에서 PIEFS는 NeuralEF 등 고전적 기준선과 비교해 간결한 스펙트럴 표현 방법으로서의 유효성을 보였으며, 최적화 안정성과 더 풍부한 메트릭 매개변수화가 향후 과제로 제시되었다.

arXiv:2607.05025v1cs.LG

물리 정보 기반 변분 오토인코더를 통한 단경간 교량의 불확실성 인식 손상 식별

Uncertainty-aware damage identification in short-span bridges via physics-informed variational autoencoder

구조 건전성 모니터링(SHM)에서 진동 기반 손상 식별의 불량 조건 역문제를 해결하기 위해, 미분 가능한 수치 고유값 솔버를 VAE 아키텍처에 직접 임베딩하고 잠재 변수 간 공간 교차 상관관계를 포착하는 가우시안 코퓰라를 적용한 물리 정보 기반 과학적 머신러닝(SciML) 프레임워크 PI-GCVAE를 제안한다. 단순 지지 교량의 합성 데이터셋 실험에서 PI-GCVAE는 77.2%의 커버리지로 실제 사후 분포를 정확히 복원하며, 기존 순수 데이터 기반 VAE 대비 우수한 불확실성 정량화 성능을 보였다.

arXiv:2607.04188v1cs.LG

고장 진단에서 오픈셋 도메인 일반화를 위한 불확실성 인식 물리 정보 기반 그래프 학습

Physics-Informed Graph Learning with Uncertainty Awareness for Open-Set Domain Generalization in Fault Diagnosis

회전 기계의 오픈셋 도메인 일반화(OSDG) 고장 진단 문제를 해결하기 위해, 물리 정보 기반 스펙트럴 어텐션 네트워크(PISA-Net)와 가우시안 분포 기반 불확실성 인식 적응형 그래프 학습을 결합한 PGU-OD 프레임워크를 제안한다. 특징 추출부터 의사결정까지 단계별 불확실성 전파를 체계적으로 억제하는 이중 기준 오픈셋 추론 전략을 통해, 두 공개 회전 기계 데이터셋에서 기지 고장 분류와 미지 고장 기각 모두 최신 기법을 능가하는 성능을 달성했다.