매트로이드의 접선류와 원더풀 컴팩티피케이션
Tangent classes of matroids and wonderful compactifications
한국어 초록
루프 없는 모든 매트로이드 $M$과 최상위 플랫(top flat)을 포함하는 모든 파이히트너-유즈빈스키(Feichtner--Yuzvinsky) 빌딩 집합 $\mathcal{G}$에 대해, 우리는 정수 접선류(integral tangent class) $T_{M,\mathcal{G}}^{\mathbb{Z}}\in K_{\mathbb{Z}}(M,\mathcal{G})$를 구성한다. 실현 가능한 경우(realizable case), 이는 대응하는 원더풀 컴팩티피케이션(wonderful compactification)의 접선 번들(tangent bundle) 류로 특수화되고, 히르체브루흐-리만-로흐(Hirzebruch--Riemann--Roch)를 통해 차우 환(Chow ring)의 힐베르트 급수(Hilbert series)를 복원하며, 예상되는 체른-알파(Chern-alpha) 하한을 만족한다. 이를 통해 제1저자가 arXiv:2606.22650에서 연구한 접선류와 그 핵심 성질들이 재현된다. 본 논문의 주요 내용은 AI 수학 추론 에이전트인 Danus에 의해 인간의 수학적 지도 없이 자율적으로 생성되었다. Danus는 arXiv:2606.22650이 공개되기 전에 이 문제를 해결함으로써, 수학 연구에서 AI 에이전트의 가능성을 입증하였다. 우리는 그 출력을 편집 주석만 추가하여 충실하게 재현하며, 해당 실험은 부록 B에 문서화되어 있다.
원문 초록
For every loopless matroid $M$ and every Feichtner--Yuzvinsky building set $\mathcal{G}$ containing the top flat, we construct an integral tangent class $T_{M,\mathcal{G}}^{\mathbb{Z}}\in K_{\mathbb{Z}}(M,\mathcal{G})$; in the realizable case it specializes to the class of the tangent bundle of the corresponding wonderful compactification, it recovers the Hilbert series of the Chow ring through Hirzebruch--Riemann--Roch, and it satisfies the expected Chern-alpha lower bounds. This reproduces the tangent class and its key properties studied by the first author in arXiv:2606.22650. The main body of this paper was produced autonomously, without human mathematical guidance, by Danus, an AI mathematical reasoning agent. Danus solved the problem before arXiv:2606.22650 was publicly available, demonstrating the potential of AI agents in mathematical research. We reproduce its output faithfully, adding only editorial comments; the experiment is documented in Appendix B.
요약
AI 수학 추론 에이전트 Danus가 인간의 지도 없이 자율적으로, 루프 없는 매트로이드와 Feichtner–Yuzvinsky 빌딩 집합에 대한 정수 접선류(integral tangent class) $T_{M,\mathcal{G}}^{\mathbb{Z}}$를 구성하고 그 핵심 성질들을 증명했다. 이 접선류는 원더풀 컴팩티피케이션의 접선 번들 류로 특수화되고, Hirzebruch–Riemann–Roch를 통해 Chow 환의 힐베르트 급수를 복원하며, Chern-alpha 하한을 만족함이 확인되었다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.05835v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
HierFlow: Hierarchical Coupled Dual-Space Search for Automatic Agentic Workflow Generation
구조화된 워크플로우는 대규모 언어 모델(LLM)이 복잡한 문제를 해결할 수 있게 해주지만, 이를 자동으로 생성하는 것은 방대한 조합적 탐색 공간으로 인해 심각하게 저해되며, 이는 종종 유연하지 않고 자원을 많이 소모하는 오프라인 학습 의존성을 초래한다. 이를 해결하기 위해, 우리는 워크플로우 생성을 상위 토폴로지 층이 하위 작업 경계를 규정하고 하위 수준의 실행 결과가 토폴로지 자체를 능동적으로 재형성하는, 토폴로지와 실행이 맞물린 탐색 패러다임으로 개념화한다. 이 기반 위에서, 우리는 피드백 기반 토폴로지 조정과 하위 워크플로우 최적화를 위한 빠른 MCTS(Monte Carlo Tree Search) 기반 트리 탐색을 결합하여 에이전트형 워크플로우 설계를 자동화하는, 학습 불필요·테스트 시점 계층적 탐색 아키텍처인 HierFlow를 제안한다. HierFlow는 맥락적 필요에 따라 실행 수준 탐색을 선택적으로 트리거하는 지능형 게이팅 모듈을 통해 효율성을 극대화하며, 우리는 작업 간 결합 정도가 계층적 분할의 효과에 미치는 영향을 상세히 분석함으로써 이 메커니즘을 추가로 뒷받침한다. 질의응답, 수학적 추론, 코드 생성 벤치마크에 걸친 종합적인 테스트는 HierFlow가 강력한 베이스라인을 지속적으로 능가하며, 추가 학습 부담 없이 고품질 결과와 계산 효율성의 최적 균형을 제공함을 확인한다.
SqueezeBench: 포화에 강건한 수학적 능력 평가
SqueezeBench: Saturation-Resilient Evaluation of Mathematical Capability
AI 시스템은 수학 분야에서 빠르게 발전하고 있지만, 이러한 발전을 측정하기는 어렵다. 이미 풀린 문제들로 구성된 벤치마크(benchmark)는 포화(saturate)되며, 미해결 문제들로 구성된 벤치마크에서는 각 문제가 최초로 단 한 번만 해결될 수 있다. 우리는 포화에 강건한 벤치마크인 SqueezeBench를 제시한다: 성공은 문제를 제거하는 대신 기준을 높인다. 각 문제는 작은 $n$에 대해서만 값이 알려진 정수 함수 $f(n)$을 고정하며, 벤치마크는 이에 대한 하한(lower) 기록과 상한(upper) 기록을 유지한다. 기록(record)은 $f$를 한정(bound)함을 기계 검증된 증명(machine-checked proof)으로 보인 계산 가능한 Lean 함수이다. 제출(submission)은 새로운 함수를 제안하고, 그 함수가 $f$를 한정하며, 모든 $n$에서 현재 기록보다 나쁘지 않고, 일부 $n$에서는 엄밀히 더 우수함을 증명한다. 채택되면 해당 제출은 다음 제출이 넘어서야 할 새로운 기록이 된다. 따라서 이 시스템은 한계값(bound)뿐 아니라 그 증명까지 선택하며, 단일 $n$에서의 기록을 개선할 수도 있고 성장률(growth rate)을 개선할 수도 있다. 모든 $n$에서 두 기록 사이의 간극은 인증된 한계값들이 $f(n)$을 결정하는 데에서 얼마나 떨어져 있는지를 보여준다. 모든 증명은 두 개의 독립적인 Lean 커널에 의해 검증되므로, 심판이 수학적 내용을 검토할 필요가 없다. 검증 과정은 또한 작은 $n$에서 전수 탐색(exhaustive search)으로 $f$를 계산하는 함수를 거부하며, 유지관리자(maintainer)는 제출자의 보고서만 읽고 더 큰 $n$에서 그러한 탐색이 있는지를 확인한다. 우리는 극단적 조합론(extremal combinatorics) 분야의 열 가지 문제를 스무 개의 증명된 초기 기록 및 승인 도구(admission tools)와 함께 공개한다. 기준선(baseline)으로서, 최신(frontier) 언어 모델(language model) 기반 에이전트(agent)는 기록당 최대 한 시간을 사용하여 82건의 제출을 승인받았고 모든 기록을 개선했으며, 이는 기존 발표된 문헌의 범위를 넘어서지는 않았다. 이후 두 개의 더 새로운 모델(model) 기반 에이전트들이 이 기록들로부터 시작하여 60건의 추가 제출을 승인받았고, 20개의 기록 중 19개를 다시 개선했다. 열 가지 문제 중 여덟 가지 문제에서는, 적어도 하나의 기록이 여전히 발표된 최선의 한계값(bound)에 비해 점근적으로(asymptotically) 뒤처져 있다.
최대 독립 집합을 위한 Dual-GNN 다중 수준 조 정
Dual-GNN Multilevel Coarsening for Maximum Independent Set
최대 독립 집합(maximum independent set, MIS) 문제는 스케줄링, 자원 할당, 네트워크 분석 등에 응용되는 기본적인 NP-hard 조합 최적화(combinatorial optimization) 문제이다. 정확 솔버(exact solver)는 고품질 해 또는 최적성 증명(optimality certificate)을 제공할 수 있으나, 계산 비용은 그래프 크기에 따라 급격히 증가한다. 반면 수작업 휴리스틱(hand-crafted heuristic)은 보장을 희생하는 대신 확장성(scalability)을 개선한다. 학습 기반 방법은 그래프 인스턴스 간 구조적 패턴을 활용하는 대안을 제공하지만, 독립 집합을 직접 예측하면 대규모 그래프에서 전역 조율(global coordination)이 어려워질 수 있다. 우리는 대신 학습을 이용해 다중 수준 그래프 조 정(multilevel graph coarsening)을 안내하고, 최종 의사 결정에는 조합 탐색(combinatorial search)을 유지한다. Dual-GNN 다중 수준 조 정 프레임워크는 Partition GNN으로 후보 수축(contraction)을 점수화하고, Representative GNN으로 각 최종 클러스터에 대해 상위 k개의 지역 독립 집합 상태를 선택한다. 최대 2,000개 정점(vertex)을 갖는 Erdős–Rényi 그래프 실험에서 유리한 품질–실행 시간 트레이드오프(quality–runtime trade-off)를 보여준다. 인증된 최적해가 있는 500정점 인스턴스에서, 본 방법은 평균 독립 집합 크기 19.20을 달성하며 이는 최적값 19.30의 99.5%에 해당한다. 정확 해법의 평균 벽시계 시간(wall-clock time) 643.57초를 3.41초로 줄여 약 189배 속도 향상(speedup)을 얻는다. 1,000 및 2,000 정점의 더 큰 그래프에서는 평가된 모든 방법 중 최고의 평균 해 품질을 달성한다. 또한 가장자리 확률(edge probability) $p=0.35$인 Erdős–Rényi 그래프에서만 학습했음에도, 학습된 조 정 정책은 보지 못한 그래프 밀도와 구조적으로 다른 그래프 계열 모두에 효과적으로 일반화(generalize)된다.
피드백 기반 단어 추론을 위한 그래프 기반 추론: 조토(Jotto) 문제를 위한 확장 가능한 프레임워크
Graph-Based Inference for Feedback-Driven Word Deduction: A Scalable Framework for the Jotto Problem
조토(Jotto) 문제를 기반으로 한 피드백 기반 단어 추론(word deduction) 프레임워크가 제안되며, 문제 공간은 모든 유효한 단어가 노드에 해당하고 에지 가중치가 두 단어 간의 공통 글자 수로 정의되는 가중치 그래프로 표현된다. 마지막으로, 게임플레이는 피드백을 사용하여 그래프의 비호환 공간을 반복적으로 좁혀 나가는 반복적 제약 조건 전파 메커니즘으로 정의되며, 구조화되고 해석 가능한 방식으로 가설 공간의 축소를 용이하게 한다. 문제 공간이 통상적으로 고정된 길이의 이소그램(isogram)에 대해 정의되던 기존 접근법과 달리, 제안된 프레임워크는 가변 길이 단어(3글자에서 8글자 사이)로 일반화되고 글자가 반복되는 경우로 자연스럽게 확장되어, 현실적인 조토 문제 사례들을 최초로 단일화된 프레임워크 내에서 다룰 수 있게 한다. 또한 제안된 프레임워크의 적용 가능성과 솔버 동역학은 각각 대화형 구현과 정성적 사례 연구를 통해 논의된다. 약 3,000건의 시뮬레이션 게임플레이 시나리오에 대한 대규모 자동화 테스트를 통해 단어 길이가 길어질수록 기대 반복 횟수가 감소한다는 새로운 수렴 행동을 규명한다. 통계적 검정을 통해 로그 관계를 검증하는 강력한 상관관계를 확인하며, 이는 회귀 모델링과 적합도 검정을 통해서도 검증된다. 초기 문제 정의 외에도, 본 정식화는 해석 가능성을 갖춘 피드백 기반 추론(inference)을 위한 유효한 패러다임으로서의 그래프 가지치기(pruning)와, 이것이 기호 추론 및 대화형 지능형 시스템과 맺는 연관성을 제시한다.
프레넬-쿠머 곡면의 정확한 몫과 인증된 이축 굴절
Exact Quotients of Fresnel-Kummer Surfaces and Certified Biaxial Refraction
프레넬 파동 곡면(Fresnel wave surface)은 투명한 이축 결정(biaxial crystal) 내에서의 빛의 전파를 지배합니다. 이는 특수한 쿠머 4차 곡면(Kummer quartic)이며, 본 논문에서는 이를 정확하게 규명합니다. 복소수체 상에서 결정의 파동 곡면은 세 가지 주요 유전율의 부호가 붙은 제곱근에서 분기하는 명시적인 종수 2(genus-two) 곡선의 야코비안에 대한 쿠머 곡면입니다. 이 야코비안은 위수가 4인 커널을 갖는 아이소제니(isogeny)를 통해 두 타원곡선의 곱과 아이소제너스(isogenous)합니다. 하나의 타원곡선은 세 유전율을 전달하고, 다른 하나는 광축각(optic-axis angle)을 전달합니다. 물리적 족(physical family)은 여분의 대합(involution)을 갖는 종수 2 곡선들의 궤적에서 자리스키 조밀(Zariski dense)하며, 그 자기동형사상 층화(automorphism strata)는 명시적입니다. 이러한 식별은 성가신 변환(nuisance transformation)만큼 차이 나는 파라미터를 식별하고 불변 좌표와 명시적 층화를 전달하는 태스크 인식 몫(task-aware quotient)을 구체화합니다. 이축 결정의 경우, 유전율의 두 비는 회전 및 재스케일링에 대해 파동 곡면의 완전 불변량을 형성하며, 4개의 실수 노드는 닫힌 형식(closed form)으로 주어집니다. 경계면에서 투과파 후보들은 정확히 4차인 4차 다항식의 근입니다. 이 다항식의 실근 개수, 근의 순서, 중근 발생 사건은 정확한 대수적 술어(predicate)에 의해 결정되며, 본 논문의 일반적인 단일 노드 조우를 따라 판별식은 2차로 소멸합니다. 부동소수점 솔버는 광축 근처에서 순방향 투과 모드를 누락하지만, 인증된 솔버(certified solver)는 그렇지 않습니다. 정확한 동치류에서, 몫 좌표를 기반으로 학습된 모델은 원시 텐서를 기반으로 한 모델보다 불변성을 가지며 더 정확한 반면, 학습된 실근 개수 술어는 광축 근처에서 실패합니다.
팩터 그래프를 통한 서브샘플링을 위한 진화 인식 MSA 추론
Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs
다중 서열 정렬(MSA)은 단백질 언어 모델에 명시적인 진화적 맥락을 제공하지만, 깊이가 크기 때문에 제한된 토큰 예산 하에서는 서브샘플링이 불가피하다. 무작위 선택, 동일성(identity) 기반 필터링, 다양성 중심 샘플링 등 기존 전략은 효과적인 휴리스틱이지만, 부분집합에 보존되는 진화적 신호에 대한 제어가 제한적이다. 본 연구에서는 MSA 서브샘플링을 명시적 최적화 문제로 재구성하며, 쿼리 동일성과 다양성을 포함한 핵심 진화 지표를 제어 가능한 목표로 취급한다. 이 관점을 바탕으로 친화력 전파(Affinity Propagation) 기반 팩터 그래프 접근법인 AP-REASONER를 제안한다. 진화 인식 단항(unary) 팩터, exemplar 일관성 팩터, 두 개의 제어 노브를 갖춘 AP-REASONER는 메시지 전달(message passing)을 통한 팩터 그래프 추론으로 고정 예산 MSA 부분집합을 추론한다. 장거리 접촉 예측 및 conformational 앙상블 예측 실험에서 AP-REASONER는 구조 민감 하위 작업에서 기준선 서브샘플러보다 우수한 성능을 보이며, 대안적 단백질 conformation의 제어 가능한 복원을 가능하게 한다. 이러한 결과는 MSA 서브샘플링을 제어 가능한 최적화 문제로 모델링할 때의 가치를 부각하며, 팩터 그래프 추론이 휴리스틱 선택에 대한 효과적인 대안임을 보여준다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.