PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.29135v3cs.LG

자율 현미경에서 강건한 구조-물성 학습을 위한 가우스 과정을 통한 품질 제어 능동 학습

Quality-Controlled Active Learning via Gaussian Processes for Robust Structure-Property Learning in Autonomous Microscopy

과학적 발견을 가속화하기 위해 재료 연구에서 자율 실험 시스템의 활용이 점차 증가하고 있으나, 그 성능은 저품질의 노이즈 데이터로 인해 제한되는 경우가 많습니다. 이러한 문제는 표준 능동 학습(active learning) 전략이 품질이 낮은 측정을 잘못 우선시할 수 있는 영상-스펙트럼(Im2Spec) 및 스펙트럼-영상(Spec2Im) 변환과 같은 데이터 집약적 구조-물성 학습 태스크에서 특히 두드러집니다. 본 연구에서는 호기심 기반 샘플링(curiosity-driven sampling)과 단순 조화 진동자(Simple Harmonic Oscillator) 모델 적합에 기반한 물리 정보 기반 품질 제어 필터를 결합한 게이트 능동 학습 프레임워크를 도입하여, 수집 과정에서 시스템이 충실도가 낮은 데이터를 자동으로 배제할 수 있도록 합니다. 공간적으로 국소화된 노이즈가 존재하는 PbTiO3 박막의 사전 수집된 밴드 여기 압전 반응 분광법(BEPS) 데이터셋에 대한 평가 결과, 제안된 방법이 무작위 샘플링, 표준 능동 학습 및 멀티태스크 학습 전략보다 우수한 성능을 보임을 확인했습니다. 나아가 이질적인 도메인 구조를 가진 별도의 PbTiO3 박막 샘플에 대한 실시간 실험에 이 프레임워크를 적용하여 자율 현미경 실험에서의 유효성을 입증했습니다. 전반적으로 본 연구는 보다 신뢰할 수 있는 과학적 발견을 위해 물리 정보 기반 품질 평가와 능동적 의사결정이 함께 작동하는 자율 주행 연구실(self-driving labs)의 하이브리드 자율성을 뒷받침합니다.

arXiv:2607.09582v1physics.flu-dyn

화학 반응 속도론 모델링을 위한 잔차 데이터 증강을 활용한 엔트로피 제약 머신러닝

Entropy-Constrained Machine Learning with Residual Data Augmentation for Modeling Chemical Kinetics

우리는 난류 반응 유동의 직접 수치 시뮬레이션(DNS, direct numerical simulation) 가속화를 위한 물리 제약 머신러닝 프레임워크를 제시한다. 이 모델은 상세 화학 소스 항의 직접 계산을 대체하여, 축소된 열화학 상태로부터 반응 속도를 예측하는 대리 모델(surrogate)을 활용한다. 물리적 일관성을 향상시키기 위해, 비음 엔트로피 생성을 강제하는 방식으로 열역학 제2법칙을 학습 제약 조건으로 통합하며, 이를 통해 열화학 상태의 진화를 물리적으로 허용 가능한 방향으로 제한하고 시간 적분 과정의 안정성을 향상시킨다. 이 접근법은 난류 유동장과 상호작용하는 2차원 평면 희박 예혼합 메탄-공기 화염의 DNS에 적용하여 검증하였다. 이 모델은 상세 화학 계산 결과를 높은 충실도로 재현하면서도 계산 비용을 한 자릿수 이상 절감한다. 나아가, 잔차 기반 합성 데이터 증강 전략을 통해 원본 데이터셋으로부터 새로운 학습 데이터를 구성하여 파라메트릭 탐험(parametric exploration)을 가능하게 하며, 추가적인 상세 화학 CFD 계산 없이도 새로운 입구 조건에서 정확한 시뮬레이션을 수행할 수 있다. 이러한 결과는 열역학적 제약 머신러닝이 고충실도 연소 시뮬레이션에서 상세 화학을 위한 신뢰성 있고 계산 효율적인 대리 모델을 제공할 수 있음을 보여준다.

arXiv:2607.07863v1cs.LG

소규모 데이터 제약 하의 물리 정보 기반 머신러닝: 연마재 워터젯 밀링으로부터의 교훈

Physics-Informed Machine Learning Under Small-Data Constraints: Lessons from Abrasive Waterjet Milling

소규모(n=155) 연마재 워터젯 밀링 데이터셋을 활용해 소데이터 환경에서의 물리 정보 기계학습(physics-informed ML) 방법론을 분석하며, 데이터 큐레이션을 묵시적 전처리가 아닌 경쟁하는 모델링 가설로 취급해야 함을 제안한다. 단일 분할 평가의 불안정성을 확인하고, 가우시안 프로세스(GP)에 대한 잔차 학습이 낮은 분산과 해석 가능한 분해를 제공하는 반면 트리 기반 모델에서는 성능을 저하시킴을 보인다.

arXiv:2506.15199v4cs.LG

공간 물리 학습을 위한 해석 가능성 및 일반화 한계

Interpretability and Generalization Bounds for Learning Spatial Physics

수치 해석 기법을 활용해 선형 미분 방정식에 적용된 ML 모델들의 정확도, 수렴 속도, 일반화 한계를 엄밀히 분석하고, 훈련 데이터의 함수 공간(function space)이 분포 외(OOD) 일반화에 결정적임을 이론 및 실험으로 규명한다. DeepONet, Fourier Neural Operator, PINNs 등 주요 물리 특화 모델들도 동일한 일반화 실패를 보임을 확인하고, 블랙박스 모델 가중치에서 Green's function 표현을 추출하는 새로운 기계적 해석 가능성(mechanistic interpretability) 기법과 물리 시스템 일반화 측정을 위한 교차 검증(cross-validation) 벤치마크를 제안한다.

arXiv:2606.20299v2stat.ML

학습 및 일반화의 통계적 특성

Statistical Properties of Training & Generalization

심층 학습은 고전 통계학의 수많은 직관을 벗어나 다양한 실제 작업에서 전례 없는 성능을 달성했습니다. 이 기사에서 우리는 물리학적 관점에서 심층 학습의 주요 특징과 놀라운 점을 조사하며, 심층 학습 모델 구축에 내재된 다양한 선택 사항들을 가능한 한 지적하고 정당화합니다. 특히, 우리는 신경망 스케일링 법칙 현상을 검토하고, 물리학 문제에 기계 학습을 적용할 때 존재할 수 있는 제약 조건 및 귀납적 편향과의 상호작용에 대해 논의합니다.

arXiv:2606.17180v1cs.LG

복잡한 지질 구조에서 CO₂ 이전 예측을 위한 빠른 GNN 대리 모델

Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations

이 장에서는 데이터 기반 머신러닝 접근법이 복잡한 지질 구조에서의 다상(multiphase) 유동 물리 거동의 핵심 측면을 어떻게 재현할 수 있는지 논의한다. 우리는 지질 저장소에서 CO₂ plume 이전 예측에 맞춘 end-to-end 그래프 신경 대리 모델을 제안한다. 해당 방법은 CO₂ 저장 시나리오 평가를 위해 설계된 잘 알려진 산업 테스트 케이스인 SPE11A 벤치마크에서 평가되며, 이 벤치마크는 날카로운 기-수 계면, 강한 이류(advective) 수송, fingering 발생과 함께 이르는 급격한 대류(convective) 혼합이 특징이다. 벤치마크는 노드가 계산 셀을 나타내고 간선이 기하학적 속성으로 보강된 투과율(transmissibility) 기반 상호작용을 인코딩하는 그래프로 재구성된다. 격자 기하학, 투과율 대비, 지질 이질성에서 비롯되는 방향성 수송은, 상호작용 가중치가 기하학 조건(edge) 임베딩을 통해 계산되고 메시지 집계를 물리적으로 관련 있는 수송 방향으로 편향시키는 이방성(anisotropic) 메시지 전달(message-passing) 메커니즘을 통해 포착된다. 시간적 진화는 다단계(multi-step) 지도 학습으로 학습된 자기회귀(autoregressive) 잔차(residual) 표현을 사용하여 잠재 공간(latent space)에서 모델링된다. 제안된 모델은 CO₂ 저장 모니터링의 핵심 지표인 기체 포화도(gas saturation)와 액상(liquid-phase) 밀도에 대해 경쟁력 있는 예측을 생성하며, 누적 오차는 장기 예측 구간(extended forecasting horizons)에서도 적당한 수준을 유지한다.