위상 정렬 전송을 통한 양자 순수 상태 다양체 위의 내재적 플로우 매칭
Intrinsic Flow Matching on Quantum Pure-State Manifolds with Phase-Aligned Transport
한국어 초록
양자 순수 상태 앙상블은 복소 사영 공간(complex projective space) 위에 존재하므로, 평탄한 유클리드 생성 모델링과 기하학적으로 불일치한다. 본 연구에서는 내재적 플로우 매칭(Intrinsic Flow Matching, IFM)을 소개한다. IFM은 $\mathbb{CP}^{d-1}$ 위의 결정론적 전송 프레임워크로, Pancharatnam 위상 정렬 조건부 경로를 이용하여 접선 속도장(tangent velocity field)을 학습한다. IFM은 로컬 스코어 교사와 역시간 확률적 샘플링을 다양체 확률 흐름으로 대체하며, 수평 매개변수화(horizontal parameterization)를 통해 잉여 주변 방향을 제거한다. IFM 목적함수가 유도된 주변 전송장(marginal transport field)을 복원하고, 결정론적 사영 앙상블 흐름을 표현하며, 종점 및 안정성 보장을 제공함을 이론적으로 증명한다. 실험적으로, IFM은 고큐비트, 다중모달, 스핀 결맞음(spin-coherent), 물리학 영감, 진폭 인코딩 MNIST 이미지-벡터 벤치마크 전반에 걸쳐 주변 유클리드 플로우 매칭 대비 성능이 향상되는 경우가 많으며, 고차원 및 결맞음 민감 작업에서 가장 두드러진 향상을 보이나 모든 지표에서 일관되게 향상되지는 않는다.
원문 초록
Quantum pure-state ensembles live on complex projective space, making flat Euclidean generative modeling geometrically mismatched. We introduce Intrinsic Flow Matching (IFM), a deterministic transport framework on $\mathbb{CP}^{d-1}$ that learns tangent velocity fields using Pancharatnam phase-aligned conditional paths. IFM replaces local score teachers and reverse-time stochastic sampling with manifold probability flow, while horizontal parameterization removes redundant ambient directions. We show that the IFM objective recovers the induced marginal transport field, represents deterministic projective ensemble flows, and yields endpoint and stability guarantees. Empirically, IFM often improves over ambient Euclidean flow matching across higher-qubit, multimodal, spin-coherent, physics-inspired, and amplitude-encoded MNIST image-vector benchmarks, with strongest gains on high-dimensional and coherence-sensitive tasks but not uniformly across every metric.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.21256v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
확장 가능한 가능도 흐름 맵을 통한 소수 단계 볼츠만 생성기
Few-Step Boltzmann Generators via Scalable Likelihood Flow Maps
흐름 기반 생성 모델링(flow-based generative modeling)의 최근 발전으로 소수의 함수 평가만으로 고품질 샘플을 출력하는 모델들이 등장했다. 그러나 현재 모델 가능도(likelihood) 추정에 있어서는 유사한 발전이 부족한 실정이다. 특히, 기존 방법들의 대부분은 정확한 계산을 가능하게 하는 제한적인 아키텍처에 의존하거나, 상당한 분산을 초래하는 허친슨 추적 추정기(Hutchinson's trace estimator)와 같은 확률적 근사법을 사용한다. 본 연구에서는 흐름 맵의 확장 가능한 가능도 증류(SCAlable LikeLihood distillation of flOw maPs, SCALLOP)를 소개한다. SCALLOP은 최근 제안된 F2D2를 기반으로 하며, F2D2는 소수의 함수 평가로 샘플과 그 밀도를 생성할 수 있는 가능도 흐름 맵 모델이다. F2D2가 학습 중 허친슨 추정기를 사용하는 반면, 본 연구에서는 허친슨 추정기 없이 벡터화된 공식을 허용하는, 보다 확장 가능한 대안적 가능도 증류 목적 함수를 도입한다. 실험적으로, 분자 과학에서 볼츠만 생성기(Boltzmann generator)로서 SCALLOP의 효과를 입증하고, 이미지 데이터셋에서도 그 이점을 추가로 검증한다. SCALLOP은 F2D2 대비 학습 분산과 학습 시간을 모두 크게 줄이면서 성능을 일관되게 향상시키며, 가장 빠른 기준선 대비 최대 10배의 추론 속도 향상을 달성하면서 최신 기술 수준과 경쟁력 있는 성능을 보인다.
MintFlow: 제약 조건 기반 플로우 매칭을 위한 최소 궤적 개입
MintFlow: Minimal Trajectory Intervention for Constrained Flow Matching
플로우 매칭(Flow matching) 모델은 생성 모델링에서 뛰어난 성능을 보이며, 수많은 다운스트림 응용 분야에서는 생성된 샘플이 관측된 측정값이나 물리 법칙과 같은 규정된 제약 조건을 만족하도록 요구합니다. 그러나 기존의 제약 조건 기반 샘플러는 흔히 상충 관계(trade-off)에 직면합니다. 즉, 제약 조건을 강제하면 사전학습된 데이터 분포로부터 샘플이 크게 벗어날 수 있습니다. 이러한 상충 관계를 해결하기 위해, 본 논문에서는 사전학습된 플로우 궤적에 대한 최소한의 개입으로 제약 조건 강제를 공식화하는 학습 불필요(training-free) 제약 조건 기반 샘플링 프레임워크인 MintFlow를 제안합니다. MintFlow는 사전학습된 플로우 필드 하에서 이후의 상태 변화가 목표 제약 조건을 만족하도록 중간 플로우 상태의 최소 섭동(perturbation)을 탐색합니다. 사전학습된 플로우 필드를 변경하지 않고 유지하면서 플로우 상태를 최소한으로 섭동시킴으로써, MintFlow는 사전학습된 분포로부터의 불필요한 이탈을 최소화하면서 제약 조건을 강제합니다. 또한 수반 공식화(adjoint formulation)를 통해 이 섭동에 대한 닫힌 형식 표현(closed-form expression)을 도출하여 비용이 많이 드는 반복적 최적화를 배제합니다. 나아가 MintFlow는 필요한 섭동 크기와 잔여 플로우에 의한 증폭 사이의 균형을 맞추기 위해 개입 시점을 적응적으로 선택합니다. 생성형 비전 및 물리 시스템 모델링의 다양한 태스크 전반에 걸쳐, MintFlow는 경쟁력 있는 수준으로 제약 조건을 만족하는 동시에 최신 제약 조건 기반 기법들보다 사전학습된 생성 분포를 훨씬 더 잘 보존합니다.
베이즈 역문제에서 빠른 사후분포 샘플링을 위한 플로우 매칭
Flow Matching for Fast Posterior Sampling in Bayesian Inverse Problems
다중 매니폴드 클러스터링을 위한 미니맥스 비율과 개선된 스펙트럴 수렴
Minimax Rates and Improved Spectral Convergence for Multi-Manifold Clustering
본 연구는 매니폴드들이 서로 교차할 수 있는 다중 매니폴드 혼합 분포(multi-manifold mixture distribution)로부터 독립적으로 추출된 $n$개의 데이터 점을 이용하여, 텐서화된(tensorized) 밀도 가중(density-weighted) 라플라스-벨트라미(Laplace-Beltrami) 연산자의 고유쌍(eigenpair) 추정 문제를 다룬다. $d$를 매니폴드 구성 요소들 중 가장 큰 고유 차원(intrinsic dimension)으로, $s\geq2$를 샘플링 밀도의 평활성(smoothness)으로 정의한다. 단순(simple)하고 자명하지 않은(nontrivial) 고유쌍에 대해, 텐서화된 라플라스-벨트라미 연산자의 고유값과 고유함수를 근사하는 미니맥스 비율(minimax rate) $n^{-s/(d+2s)}$를 수립하고, 지지 매니폴드(supporting manifold)가 알려져 있을 때 커널 밀도 추정(kernel density estimation)에 기반한 연속체 플러그인(plug-in) 추정량이 동일한 비율을 달성함을 보인다. 더 나아가 매니폴드에 구애받지 않는(manifold-agnostic) 그래프 라플라시안(graph Laplacian) 추정량을 분석하여, 그 고유쌍이 로그 인자(logarithmic factor)를 제외하고 비율 $n^{-1/(2.5d-1)}$로 텐서화된 라플라스-벨트라미 연산자의 고유쌍에 수렴함을 증명하며, 이는 다중 매니폴드 학습(multi-manifold learning)에 대해 기존에 알려진 스펙트럴 수렴 비율을 개선한 것이다. 합성 다중 매니폴드 데이터에 대한 수치 실험은 본 정리들이 보장하는 비율을 뒷받침한다. 이러한 결과들은 다중 매니폴드 스펙트럴 추정의 정보 이론적 난이도를 규명하며, 오라클(oracle) 구성 요소 정보 없이 학습할 때 발생하는 추가적인 비용을 정량화한다.
스크레이프오프 층(Scrape Off Layer) 플라즈마 시뮬레이션을 위한 확률적·기하 인지 신경망 대리 모델
Probabilistic and Geometry Aware Neural Surrogate of Scrape Off Layer Plasma Simulations
토카막 경계 플라즈마 시뮬레이션을 위한 고속 대리 모델(surrogate)은 일반적으로 전역 운전점(operating point)을 셀 값들의 평탄화된 벡터로 매핑하는 결정론적 회귀기이다. 디버터 탈부착(divertor detachment) 전이 근처에서는 정상 상태(steady state)가 단일 값으로 안정적으로 정해지지 않는다. 점 추정(point estimate)은 질적으로 서로 다른 플라즈마 상태들에 걸쳐 평균을 내야 하며, 신뢰도에 대한 어떠한 언급도 없이 결과를 내놓는다. 더욱이 평탄화된 벡터 표현은 SOLPS-ITER 메시의 기하학적 구조를 버린다. 본 연구는 이 두 가지 문제를 모두 다룬다. 우리는 곡선형(curvilinear) 메시를 셀 인접성을 보존하고 정확히 역변환되는 배치를 가진 세 개의 고정 크기 이미지 텐서로 펼쳐, 합성곱 신경망(convolutional network)이 정보 손실 없이 기하 구조 위에서 동작할 수 있도록 한다. 이후 민감도가 높은 시스템에 적합한 조건부 플로 매칭(conditional flow matching) 모델을 이 표현 위에서 학습한다. 그 결과 민감한 운전점에서도 여러 개의 그럴듯한 결과를 포착하는 효율적이고 확장 가능한 대리 모델을 얻는다. 가스 퍼프(gas-puff) 스캔을 따라, 예측 분포는 초기 레짐 전이(regime transition)를 지나면서 고온 모드와 저온 모드로 갈라진다. 크기가 알려진 분기(bifurcation)를 주입한 합성 데이터에 대한 추가 검증에서도, 모델이 두 분기의 평균이 아니라 두 분기를 각각 복원함을 확인한다.
양자 스코어 매칭과 열적 상태 학습에의 응용
Quantum score matching with applications to learning thermal states
스코어 매칭(score matching)은 계산이 불가능한 정규화(normalization) 상수, 즉 분배 함수(partition function)를 평가하지 않고도 데이터로부터 모델을 학습할 수 있게 함으로써 고전 생성 학습 분야에서 큰 진전을 이끌어 왔다. 그러나 양자 상태는 스칼라 확률이 아니라 비가환(noncommuting) 밀도 연산자로 기술되므로, 이 원리를 양자 학습으로 확장하려면 그 토대를 다시 생각해야 한다. 비가환성은 양자 스코어를 정의하는 데에서뿐만 아니라, 효율적인 회로 구현과 엄밀한 이론적 보장을 갖춘 학습(training) 프레임워크를 개발하는 데에서도 근본적인 어려움을 야기한다. 본 연구에서는 종단 간(end-to-end) 이론적 보장을 갖춘 일반적인 양자 스코어 매칭 프레임워크를 정립하여 이러한 간극을 메운다. 깁스 상태(Gibbs-state) 학습에 적용했을 때, 제안한 접근법은 추가적인 열적 상태(thermal-state) 준비를 필요로 하지 않으며, 국소성(locality)과 상호작용 차수(interaction degree)가 유계인 해밀토니안에 대해 고온 영역에서 정보이론적으로 최적인 샘플 복잡도를 달성한다. 이는 스코어 매칭을 양자 깁스 상태 학습에서 최고 수준의 성능을 얻는 새로운 경로로 자리매김하게 한다. 이러한 이론적 결과에 더하여, 수치 시뮬레이션 결과 제한된 측정 예산 하에서 그래디언트가 부정확하게 추정되더라도 제안한 방법이 여전히 효과적임을 보인다. 또한 IBM 양자 하드웨어에서의 실험은 양자 스코어 매칭이 NISQ 친화적임을 추가로 보여 준다. 즉, 어떠한 오류 완화나 정정 없이도 해밀토니안 매개변수(parameter)의 상대 오차를 64%에서 약 10%로 줄인다. 이러한 결과를 종합하면, 스코어 매칭을 양자 상태 학습을 위한 실험적으로 구현 가능한 패러다임으로 확장한 것이다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.