고전역학의 기초에서 세 가지 미해결 문제에 대한 Kime-표현 공식화: 불확정성, 불변 엔트로피, 방향적 자유도
Kime-Representation Formulations of Three Open Problems in the Foundations of Classical Mechanics: Uncertainty, Invariant Entropy, and Directional Degrees of Freedom
한국어 초록
우리는 복소 시간(kime) 표현을 이용하여 고전역학의 기초에서 비롯된 세 가지 미해결 문제를 수학적으로 자기완결적으로 공식화한다: (I) 비정준 변수 및 다중 자유도에 대한 고전적 엔트로픽 불확정성 원리의 확장; (II) 좌표 불변 측도 및 엔트로피의 특성화, 즉 불변 엔트로피가 존재하기 위해 연속적 물리량이 쌍을 이루어야 하는 이유의 문제; (III) 고전적 상대론적 방향 자유도(스핀-1/2 계의 고전적 유사체)의 구성. 전반에 걸쳐 kime 위상은 통계적으로 잠재적 원형 확률변수로 해석되며, 그 법칙 Φ는 kime 크기로 인덱싱된 반복적이고 동일하게 통제된 실험의 내재적 시행 간 변동성을 모델링한다. 수학적 연결은 kime 콘과 1자유도 위상 공간의 작용-각도 차트 사이의 정확한 심플렉틱 동일시로, 이 동일시 하에서 kime 측도는 리우빌 측도이고 위상 법칙은 리우빌 밀도의 각도 조건부가 된다. 구체적으로, 우리는 (i) kime 실린더 위에서 극단적 족이 von Mises × 가우시안인 첨예한 엔트로픽 불확정성 관계를 증명하고, von Mises 법칙에 의해 정확히 포화되는 첨예한 원형 피셔 정보 부등식을 함께 증명한다; (ii) 보정항이 포아송 괄호의 기하 평균인 정확한 비정준 불확정성 관계를 증명하여 기대 괄호의 추측된 역할을 명확히 한다; (iii) Williamson 표준형과 피셔 부등식을 통해 다중 자유도 총괄 경계를 증명하고, 자유도별 개선 문제를 심플렉틱 Schur-Horn 유형의 정밀한 미해결 문제로 분리한다; (iv) kime 위상의 확산이 등분배(Haar-균일) 위상 법칙과 함께 단조로운 엔트로피 증가를 산출함을 증명한다.
원문 초록
We give mathematically self-contained formulations, in the complex-time (kime) representation, of three open problems from the foundations of classical mechanics: (I) the extension of the classical entropic uncertainty principle to non-canonical variables and to multiple degrees of freedom; (II) the characterization of coordinate-invariant measures and entropies, i.e., the question of why continuous physical quantities must be paired for an invariant entropy to exist; and (III) the construction of a classical relativistic directional degree of freedom (a classical analogue of a spin-1/2 system). Throughout, the kime phase is interpreted {statistically as a latent circular random variable whose law Φmodels the intrinsic trial-to-trial variability of repeated, identically controlled experiments indexed by the kime magnitude. The mathematical bridge is an exact symplectic identification of the kime cone with the action-angle chart of a one-degree-of-freedom phase space, under which the kime measure is the Liouville measure and the phase law becomes the angular conditional of a Liouville density. Specifically, we (i) prove a sharp entropic uncertainty relation on the kime cylinder whose extremal family is von Mises x Gaussian, together with a sharp circular Fisher-information inequality saturated exactly by von Mises laws; (ii) prove an exact non-canonical uncertainty relation in which the correction term is the geometric mean of the Poisson bracket, clarifying the conjectured role of the expected bracket; (iii) prove aggregate multi-degree-of-freedom bounds via the Williamson normal form and Fischer's inequality, and isolate the per-degree-of-freedom refinement as a precise open problem of symplectic Schur-Horn type; (iv) prove that diffusion of the kime phase produces monotone entropy growth with the equipartitioned (Haar-uniform) phase law.
요약
복소 시간(kime) 표현을 활용해 고전역학 기초의 세 가지 미해결 문제—비정준 변수로의 엔트로픽 불확정성 원리 확장, 좌표 불변 엔트로피를 위한 연속 물리량의 쌍 구조, 고전적 상대론적 방향 자유도 구성—를 수학적으로 자기완결적으로 공식화한다. kime 콘과 1자유도 위상 공간의 작용-각도 차트 사이의 심플렉틱 동일시를 핵심 연결로 삼아, von Mises × 가우시안 극단족을 갖는 첨예한 엔트로픽 불확정성 관계 및 kime 위상 확산이 Haar-균일 분포로 단조 수렴함을 증명한다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.07851v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
언어 모델의 신뢰성과 스케일링에 대한 정보이론적 한계
Information-Theoretic Limits of Reliability and Scaling in Language Models
대규모 언어 모델(LLM)은 충분한 스케일이 주어지면 어떤 작업에서든 완벽한 신뢰성을 달성할 수 있는 것처럼 평가된다. 우리는 이 가정이 정보이론적으로 정당화될 수 없음을 보인다. 모든 생성 작업에는 관측 가능한 컨텍스트로부터 해결할 수 있는 출력 불확실성의 양에 의해 결정되는, 어떤 모델도 초과할 수 없는 신뢰성 상한이 존재한다. 이 격차는 추가 컨텍스트로 메울 수 있는 해결 가능한 성분과 작업 모호성에 내재된 주관적 성분으로 분해된다. 자기회귀 생성은 출력에서 토큰 간 상관관계를 정량화하는 작업의 의존성 커널에 의해 지배되는 속도로 이 상한을 더욱 저하시킨다. 이 두 가지 기본 요소로부터, LLM 성능이 더 희소한 자원—학습 데이터 또는 모델 용량—에 의해 병목을 받는 제1원리 스케일링 법칙을 유도한다. 이 법칙은 Chinchilla 스케일링 법칙을 특수한 경우로 복원하며, 스케일링이 신뢰성을 향상시키는 조건에 대한 구조적 설명을 제공한다. 스케일링을 넘어, 우리의 프레임워크는 검색-증강의 이점과 치명적 망각의 스펙트럴 메커니즘 같은 다양한 실용적 현상을 통합한다. 우리의 연구는 도메인 전반에 걸쳐 모델 성능을 지배하는 자원-복잡도 트레이드오프를 형식화하여, 생성형 언어 모델의 성능 한계에 대한 통합 이론을 제시한다.
When Can Learned Uncertainty Be Trusted? An Audit of Distributional Reinforcement Learning
Calibrated selective prediction using deep ensembles for thyroid nodule ultrasound classification under dataset shift
인식론적 불확실성 평가: OOD 탐지와 능동 학습을 넘어서
Evaluating Epistemic Uncertainty: Beyond OOD Detection and Active Learning
PROSWIN: 태양 영상을 이용한 심층 분포 회귀 기반의 확률론적 태양풍 속도 예측
PROSWIN: Probabilistic Solar Wind Speed Forecasting Using Deep Distributional Regression From Solar Images
빠른 태양풍 조건을 정확하게 예측하는 것은 불확실성이 크고 기존의 단일값 예측 모델로는 이를 정량화할 수 없기 때문에 어려운 과제입니다. 특히 기술적 인프라에 피해를 줄 수 있는 고속 태양풍 스트림(HSS)의 위험은 확률론적 예측 없이는 신뢰성 있게 평가될 수 없습니다. 본 연구에서는 4일의 리드 타임으로 지구에서의 시간별 태양풍 속도(SWS)를 예측하는 확률론적 머신러닝 모델인 PROSWIN을 제시합니다. 이 접근 방식은 심층 신경망(deep neural network)과 분포 회귀(distributional regression) 알고리즘을 결합하여 태양 영상과 자기장 지도(magnetogram)를 통합합니다. 표준 오차 지표는 HSS 피크의 중요성을 과소평가하므로, 타임라인과 HSS 피크 정확도를 함께 보상하는 모델 선택 지표인 예측 점수(prediction score)를 추가로 도입합니다. 14년간의 데이터에서 본 연구의 예측은 매우 잘 보정된 불확실성(평균 편차 <1%)을 달성합니다. 분포 정확도를 평가하는 지표인 연속 순위 확률 점수(CRPS)를 사용하여 타임라인 CRPS 41.0 km/s, HSS 피크 CRPS 45.3 km/s, 예측 점수 42.3 km/s를 얻었습니다. 또한 171 Å 채널이 일반적으로 사용되는 193 Å 및 211 Å 채널에 중요한 보완 요소가 되며, 모델 선택을 위한 예측 점수가 모델의 적용 가능성을 향상시킨다는 점을 확인했습니다. 기존 문헌에서 선정된 모델들과 비교했을 때, 본 모델은 둘 중 하나를 희생하지 않고 타임라인과 HSS 피크 값 모두에서 정확한 유일한 모델입니다. 이러한 결과는 단일값 태양풍 모델 대비 확률론적 모델의 이점을 뒷받침합니다. 도입된 방법론은 다른 예측 문제에도 전이 가능합니다.
Optimal distribution-free sequential change detection with conformal martingales
토론
이 논문과 연결된 포럼 글이 아직 없습니다.