물리 정보 PDE 학습을 위한 학습 가능한 광자 측정
Trainable Photonic Measurement for Physics-Informed PDE Learning
한국어 초록
광자 양자 기계학습은 위상, 간섭, 측정으로 구성된 학습 가능한 물리적 표현으로 가는 경로를 제공한다. 그러나 과학적 기계학습에서의 역할은 대체로 탐색되지 않았다. 물리 정보 신경장(neural fields)은 미분방정식이 위상, 주파수, 도함수 구조를 보존하는 시험 공간을 요구하기 때문에 자연스러운 설정을 제공한다. 여기서 우리는 좌표가 학습 가능한 광학 위상이 되고, 다광자 Fock-space 간섭에 의해 혼합되며, 광자수 측정으로 디코딩되는 광자 양자 신경장을 제안한다. 광자 회로는 고정된 특징 맵이나 하드웨어 가속기가 아니라 신경장 표현 자체로 최적화된다. 따라서 광자 측정은 물리 정보 잔차가 최소화되는 학습 가능한 표현이다. 타원, 파동, 비선형 분산, 역 PDE 벤치마크 7개에 걸쳐 위상-복잡도 전이를 관찰한다. 고전 좌표 및 Fourier 특징 네트워크는 매끄러운 영역에서 충분하지만, 잔차 도함수가 위상 불일치를 증폭할 때 광자장이 가장 정확하다. 가장 어려운 영역에서는 고전 기준선 대비 최대 약 10배 낮은 오차를 학습 파라미터 약 1/4로 달성한다. 동결 및 셔플 제어와 노이즈 스트레스 테스트는 이 이득을 학습된 간섭과 복합 섭동 하에서 안정적인 Fock 확률 판독에 기인한 것으로 규명한다. 이러한 결과는 광자 양자 측정이 과학적 기계학습을 위한 표현 학습 원리임을 밝힌다.
원문 초록
Photonic quantum machine learning offers a route to trainable physical representations built from phase, interference and measurement. However, its role in scientific machine learning remains largely unexplored. Physics-informed neural fields provide a natural setting, because differential equations require trial spaces that preserve phase, frequency and derivative structure. Here we introduce a photonic quantum neural field in which coordinates become trainable optical phases, are mixed by multi-photon Fock-space interference and are decoded from photon-number measurements. The photonic circuit is optimized as the neural-field representation itself, not as a fixed feature map or hardware accelerator. Photonic measurement is therefore a trainable representation on which the physics-informed residual is minimized. Across seven elliptic, wave, nonlinear dispersive and inverse PDE benchmarks, we observe a phase-complexity transition: classical coordinate and Fourier-feature networks suffice in smooth regimes, whereas the photonic field is most accurate when residual derivatives amplify phase mismatch. In the hardest regimes it gives the lowest errors, with margins reaching an order of magnitude and about one quarter of the trainable parameters of classical baselines. Frozen and shuffled controls, together with noise stress tests, attribute this gain to learned interference and stable Fock-probability readout under compound perturbations. These results identify photonic quantum measurement as a representation-learning principle for scientific machine learning.
요약
물리 정보 PDE 학습을 위해 좌표를 학습 가능한 광학 위상으로 인코딩하고, 다광자 Fock-space 간섭과 광자수 측정으로 해를 디코드하는 photonic quantum neural field를 제안한다. 타원·파동·비선형 분산·역문제 등 7개 벤치마크에서 잔차 미분이 위상 불일치를 증폭하는 난이 구간에선 고전 기준선 대비 최대 약 10배 낮은 오차를 학습 파라미터 약 1/4로 달성하며, 학습된 간섭과 Fock 확률 판독의 안정성이 핵심 요인으로 확인된다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.18713v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
지문 인식을 위한 하이브리드 양자-고전 자기지도학습의 너비 일치 비교
A Width-Matched Comparison of Hybrid Quantum-Classical Self-Supervised Learning for Fingerprint Recognition
지문 인식은 널리 배포된 생체 인식 기술이지만, 지도학습(supervised training)에는 대규모의 라벨링된 등록 데이터셋이 필요합니다. 자기지도학습(SSL)은 이러한 요구 조건을 없애주며, 학습된 표현을 풍부하게 만들기 위해 하이브리드 양자-고전(hybrid quantum-classical) 모델이 제안되었습니다. 기존의 양자 SSL 연구들은 단일 대조 목적식(contrastive objective)만을 고려했기 때문에, 보고된 이점이 목적식에 따른 것인지 아니면 양자 회로에 기인한 것인지 불분명합니다. 본 연구에서는 대조 방식인 SimCLR 및 MoCo v2와 비대조 방식인 BYOL 등 세 가지 SSL 프레임워크에 QuFeX 양자 특징 추출 모듈을 삽입하고, 인코더 특징에 대한 k-최근접 이웃(k-nearest-neighbor) 식별을 사용하여 SOCOFing 지문 데이터셋 및 CIFAR-10 대조군에서 일치된 표현 너비(8 큐비트와 동일한 8개 특징)로 각 하이브리드 모델을 고전적 대응 모델과 비교합니다. 단일 실행 실험에서 하이브리드 모델은 두 대조 목적식 모두에서 분명히 더 높은 점수를 기록한 반면, BYOL의 경우 다중 시드(multi-seed) 분석에서 유의미한 차이가 나타나지 않아 어떠한 이점이든 SSL 목적식에 따라 달라짐을 시사합니다. 하드웨어 효율적인 회로(QNet)는 동일한 성능 향상을 보이지 않았습니다. 회로 아키텍처, 학습 가능한 매개변수 수, 비선형성 및 8-큐비트 회로의 고전적 시뮬레이션 가능성을 고려하여 이러한 성능 향상이 양자 회로에 기인한 것인지 검토합니다.
기하학과 물리학의 결합: 비정형 신경망 편미분방정식 솔버를 위한 데이터 효율적 사전학습
Geometry Meets Physics: Data-Efficient Pre-Training for Unstructured Neural PDE Solvers
비정형 3D 기하 구조에서의 편미분방정식(PDE)을 위한 신경망 대리 모델(Neural surrogate models)은 흔히 미흡한 일반화 성능과 대규모 학습(training) 데이터셋 생성의 높은 비용으로 인해 한계를 겪습니다. 이에 따라, 관련 PDE 역학의 대규모 데이터셋을 활용한 사전학습(pre-training)이 이러한 모델의 강건성과 확장성을 향상하기 위한 중요한 대안으로 떠올랐습니다. 그러나 이 전략은 생성 비용이 매우 높은 대규모 사전 계산 데이터에 의존하므로 연산 효율적이지도 데이터 효율적이지도 않습니다. 본 연구에서는 정상 상태(steady-state)와 과도(transient) 상태 영역 모두에 맞춘 디스크 데이터가 필요 없는(disk-data-free) 사전학습 프레임워크를 소개합니다. 정상 상태 문제의 경우, 복잡한 3D 도메인의 표현을 학습하기 위해 내재적 형상 기술자(intrinsic shape descriptors)를 활용하는 기하학 중심 전략을 제안합니다. 과도 상태 문제에 대해서는 합성 PDE 데이터의 온라인 생성을 기반으로 하는 물리학 중심 접근법을 도입하여, 고비용 데이터셋에 의존하지 않고도 확장 가능한 사전학습을 가능하게 합니다. 다수의 실험 전반에서 본 접근법은 특히 현실적인 저데이터 환경의 미세조정(fine-tuning) 과정에서 더 빠른 수렴(convergence), 더 높은 데이터 효율성, 그리고 향상된 정확도를 달성합니다. 이 방법론은 대규모 시뮬레이션을 위한 데이터 효율적인 신경망 에뮬레이터를 향한 실용적인 경로를 제공합니다.
PISCES: 우주 날씨 이상 탐지 및 조기 경보를 위한 물리 정보 기반 태양풍 합성곱 오토인코더
PISCES: Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather Anomaly Detection and Early Warning
우주 날씨 조기 경보는 태양풍 과도현상(transients)이 지구에 도달하기 전 제1 태양-지구 라그랑주 점(L1)의 현장(in-situ) 측정치에서 이를 감지하는 데 의존합니다. 고정된 임계값은 복합적인 자기장 및 플라즈마 구조를 놓칠 수 있으며, 많은 학습 방법은 단일 이상 점수만을 제공합니다. 본 논문에서는 물리적 제약 조건 하에서 카탈로그 레이블 없이 OMNI 태양풍 측정 데이터를 학습한 합성곱 오토인코더인 PISCES(Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather)를 제시합니다. 본 모델의 손실(loss)에는 자기장 일관성, 온도와 속도 간의 경험적 관계, 파커 스파이럴(Parker spiral) 각도, 그리고 재구성 결과로부터 계산된 유도 물리량들에서 연속된 1분 단위 샘플 간의 변화에 대한 페널티가 포함됩니다. 추론(inference) 시 PISCES는 이상 점수를 자기장 및 플라즈마 재구성 오차, 물리적 관계, 잔차 보정값으로 분리하여 각 기여도의 크기를 보고합니다. 검증(validation) 데이터를 통해 선택된 스킵 연결(skip connection)의 감쇠는 학습된 모델의 평균 정밀도(precision)를 향상시키는 반면, 학습되지 않은 점수는 거의 동일하게 유지됩니다. 또한 학습된 모델은 이러한 물리적 기여도 간의 보다 일관된 순위를 제공합니다. 후행 중앙값(trailing median)으로 스무딩을 거친 후 경보는 양의 급변 임펄스(positive sudden impulses)를 포함하여 독립적으로 관측된 급성 시작(sudden commencements)보다 앞서 발생할 수 있습니다.
scTrilemma: 단일 세포 표현 학습에서 정체성, 불변성, 충실도의 균형 잡기
scTrilemma: Balancing Identity, Invariance, and Fidelity in Single-Cell Representation Learning
단일 세포 RNA 시퀀싱(single-cell RNA-seq) 표현 학습은 근본적으로 레이블이 없습니다(label-free). 즉, 세포 정체성(cell identity), 상태(state), 맥락(context)이 고정된 학습(training) 목표가 아니므로, 무엇이 신호(signal)이고 방해 요인(nuisance)인지는 분석 목적에 따라 달라집니다. 따라서 단일 표현은 생물학적 정체성과 상태를 보존하고, 방해 요인이 되는 맥락에 강건해야 하며, 유전자 발현 분석에 필요한 유전자 수준의 변이를 유지해야 합니다. 본 연구에서는 이 세 가지 요구 사항을 '표현 트릴레마(representation trilemma)'라고 부릅니다. 이 문제를 해결하기 위해, 모든 발현 기반 변이를 하나의 임베딩(embedding)으로 강제 통과시키는 대신 임베딩, 디코더, 사전 분포(prior)로 라우팅하는 잠재 병목 VAE인 scTrilemma를 소개합니다. scTrilemma는 단일 재구성 목표 아래에서 대상 어노테이션이나 보조 표현 손실 없이, 발현량에 따라 유전자 토큰을 게이팅하고, 세포 표현을 디코더로 라우팅하며, 레이블이 지정되지 않은 유사 벌크(pseudo-bulk) 맥락에 따라 사전 분포를 조건화합니다. 연속적인 CZ CELLxGENE Census 릴리스에 대한 릴리스 기반 제로샷(zero-shot) 평가에서, scTrilemma는 세 가지 요구 사항을 동시에 모두 선도하며 여러 질병 환경 전반에 걸쳐 생물학적 상태, 차등 발현(differential-expression) 및 경로(pathway) 구조를 보존합니다. 잠재 변수 개입(latent intervention) 실험은 다른 요구 사항에 거의 영향을 주지 않고 맥락을 제거할 수 있음을 추가로 보여주며, 정체성과 충실도 간의 관계만이 상충 관계(tension)로 남음을 입증합니다. 코드는 https://github.com/yunhak0/scTrilemma 에서 공개적으로 이용 가능합니다.
삭제가 아닌 은닉: 네트워크가 얽힌 특징을 억제하는 방식
Hidden not Deleted: How Networks Suppress Entangled Features
유사한 예측 적합도와 상이한 잠재 동역학: 뇌 질환 맞춤형 모델에서 학습된 동역학적 구조 특성화
Similar Predictive Fit but Different Latent Dynamics: Characterizing Learned Dynamical Structure in Personalized Models of Brain Disorders
AI 모델이 임상 의사결정 및 맞춤형 치료로 나아감에 따라, 모델이 무엇을 학습하는지 이해하는 것은 단순한 예측 정확도를 넘어 매우 중요합니다. 본 연구에서는 예측 적합도가 유사하더라도 개인화된 잠재 동역학(latent dynamics)이 임상적으로 연관된 차이를 드러내는지 조사합니다. Temple University EEG Corpus(TUEG)로 사전학습된 경량 CNN-트랜스포머(Transformer) 뇌파(EEG) 파운데이션 모델을 사용하여 세그먼트 수준의 표현을 추출합니다. Temple University Epilepsy Corpus(TUEP)를 활용하여 표현들을 공유 잠재 상태 공간으로 매핑하고, 각 피험자에게 독립적으로 희소 다항 로지스틱 전이 분포(mLTD)를 적합하여 개인화된 전이 의존성 그래프 $W_n$을 얻습니다. 분석 대상은 $n{=}198$명의 피험자(뇌전증 99명 / 비뇌전증 99명)입니다. $k{=}4$에서 뇌전증 피험자는 훨씬 더 조밀한 학습된 의존성 구조를 나타내며($p{=}1.1\times10^{-7}$), $k{=}6$에서도 동일한 패턴을 보입니다(19.90 대 13.46; $p{=}5.2\times10^{-5}$). 그래프 유래 특징들은 5-겹 피험자별 교차 검증(cross-validation) 하에서 중간 수준의 집단 구별 능력을 제공합니다($k{=}4$에서 AUROC 0.68; $k{=}6$에서 0.65). 대조적으로, 홀드아웃 로그 가능도(log-likelihood)는 $k{=}4$에서 두 집단 간에 거의 동일하며($-0.992$ 대 $-0.991$; $p{=}0.95$), 다음 상태 예측 역시 유사하게 일치합니다(AUROC 0.855 대 0.861; $p{=}0.54$). 따라서 유사한 예측 적합도가 유사한 학습 동역학을 의미하지는 않습니다. 즉, 개인화된 모델이 학습한 내부 동역학 구조에는 상당한 차이가 있더라도, 두 집단은 대등한 수준으로 예측 가능할 수 있습니다. 이러한 차이는 개인화된 임상 모델에서 예측 성능과 함께 학습된 구조를 평가해야 할 필요성을 시사합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.