arXiv:2609.23249v1 cs.CV

프레넬-쿠머 곡면의 정확한 몫과 인증된 이축 굴절

Exact Quotients of Fresnel-Kummer Surfaces and Certified Biaxial Refraction

Tanush Shaska

제출 2026-09-22

한국어 초록

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.

원문 초록

The Fresnel wave surface governs the propagation of light in a transparent biaxial crystal. It is a special Kummer quartic, and we identify it exactly. Over the complex numbers the wave surface of a crystal is the Kummer surface of the Jacobian of an explicit genus-two curve branched at the signed square roots of the three principal permittivities. This Jacobian is isogenous, by an isogeny with kernel of order four, to a product of two elliptic curves. One elliptic curve carries the three permittivities, and the other carries the optic-axis angle. The physical family is Zariski dense in the locus of genus-two curves with an extra involution, and its automorphism strata are explicit. The identification instantiates a task-aware quotient, which identifies parameters that differ by a nuisance transformation and carries invariant coordinates and explicit strata. For biaxial crystals, two ratios of the permittivities form a complete invariant of the wave surface up to rotation and rescaling, and the four real nodes are given in closed form. At an interface the candidate transmitted waves are the roots of a quartic of exact degree four. Its real-root count, root order, and repeated-root events are decided by exact algebraic predicates, and along the generic single-node encounters of the paper its discriminant vanishes to second order. Floating-point solvers drop forward transmitted modes near the optic axes, and the certified solver does not. On exact equivalence classes, learned models on quotient coordinates are invariant and more accurate than models on raw tensors, while learned root-count predicates fail near the optic axes.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.23249v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.14460v1math.ST공통 태그 Math, parameter estimation

정밀한 표본 공분산 스펙트럼 노름 오차 -- RDT 관점

Precise sample covariance spectral norm error -- an RDT view

중심화된 가우시안의 표본 공분산 오차를 연구한다. 주목할 만한 돌파구 [66]는 올바른 오차 스케일링 차수를 확립하고, 유효 rank와 실제 공분산 스펙트럼 모두의 중요한 역할을 명시적으로 밝혔다. 본 연구에서는 스케일링 특성화를 넘어 오차의 스펙트럼 노름의 정밀한 극한값을 결정한다. 이를 위해 Random Duality Theory(RDT)에 기반한 일반적 프레임워크를 개발한다. 이 프레임워크 안에서 먼저 폐형의 명시적 RDT 기반 상한을 구하고, 새로운 쌍선형-이차 RDT 하한 메커니즘을 도입하여 상호 보완적인 하한을 확립한다. 이 메커니즘을 two-replica systems 경계 전략과 결합함으로써, 고차원 맥락에서 우리의 하한과 상한이 일치함을 보인다. 이론적 결과는 수치 평가와 시뮬레이션으로 보강되며, 수천 규모의 문제 크기에서 이미 탁월한 일치를 보여준다.

arXiv:2607.14855v1math.NA공통 태그 Math, parameter estimation

구조 보존 신경망과 엔트로피 변수를 이용한 Burgers 방정식의 아계 모수화

Subgrid-Scale Parameterization in Burgers' Equation Using Structure-Preserving Neural Networks and Entropy Variables

우리는 편미분방정식의 거친(coarse) 시뮬레이션에서 아계(subgrid-scale, SGS) 모수화를 개발하기 위한 기계학습 접근법을 제시한다. Burgers 방정식의 거친 시뮬레이션에서 아계 플럭스(subgrid flux)를 학습하기 위해 구조 보존 신경망과 엔트로피 변수를 활용한다. 특히, 아계 보정을 두 가지 구성 요소로 명시적으로 분리하는 분리형 신경망 아키텍처를 사용한다: 보존적 플럭스 포텐셜(Flux Potential) 네트워크와 와류 점성(Eddy Viscosity) 네트워크. 이 저차(reduced-order) 프레임워크가 높은 물리적 충실도(fidelity)를 유지하며, 전체 스케일 시스템의 에너지 스펙트럼, 공간·시간 상관 함수, 동역학적 특성을 정확히 재현함을 보인다. 또한, 이 접근법이 견고하며 학습 영역 밖의 매개변수에도 적용 가능함을 보인다.

arXiv:2607.12570v1math.NA공통 태그 Math, parameter estimation

다중 스케일 문제를 위한 LOD 방법의 심층 학습 기반 대리 모델링

Deep Learning-based Surrogate Modelling of the LOD Method for Multiscale Problems

다중 스케일 문제는 전통적 수치 방법으로 다루기가 특히 어려운 것으로 잘 알려져 있다. 미세 스케일 특성을 정확히 해상하기 위해서는 종종 지나치게 세밀한 이산화가 필요하기 때문이다. 이러한 문제는 재료 과학, 유체 역학, 기후 시스템, 화학 공정, 복잡 네트워크와 같은 응용에서 특히 두드러진다. 최근 신경 연산자(neural operator) 모델은 유망한 데이터 기반 대안을 제공하지만, 강하게 이질적이거나 진동성 계수가 있는 경우 충분한 정확도를 달성하는 데 자주 어려움을 겪는다. 본 연구에서는 거친 고대비 입력을 갖는 타원형 PDE의 해를 다룬다. 국소 직교 분해(Localized Orthogonal Decomposition, LOD) 방법은 이러한 문제를 위한 잘 정립된 수치적 접근이지만, 상당한 계산 비용이 따른다. 본 연구에서는 이러한 까다로운 다중 스케일 문제에 대해 널리 쓰이는 신경 연산자 아키텍처의 성능을 조사하고, 미세 스케일 구조를 해상하는 능력에서 핵심적 한계를 확인한다. 이러한 과제를 극복하기 위해 LOD-MSNO(LOD-Multiscale Neural Operator)를 제안한다. 이는 해를 문제에 적응된 기저 함수의 선형 결합으로 표현하는 LOD 방법의 표현을 바탕으로 LOD 방법을 강력한 다중 스케일 사전(prior)으로 활용하는 하이브리드 접근이며, 데이터 기반 연산자 학습을 통해 주요 계산 병목을 해소한다. 또한 제안한 계수 학습 프레임워크에 대한 이론적 오차 추정을 제공한다. 마지막으로, 제안 방법이 까다로운 다중 스케일 입력에 대해 정확도 측면에서 기존 신경 연산자 베이스라인을 능가할 잠재력을 보여 주며, 신경 연산자 모델의 계산 효율을 대체로 유지함을 입증한다.

arXiv:2610.13672v2cs.CL공통 태그 Math

토큰이 아닌 턴 주입하기: 자기 수정을 위해 LLM 추론을 리디렉션할 위치 학습

Inject a Turn, Not a Token: Learning Where to Redirect LLM Reasoning for Self-Correction

대규모 언어 모델(LLM)은 자신의 추론 과정에서 발생한 오류를 안정적으로 식별하고 수정하는 데 어려움을 겪는다. 수정이나 피드백을 생성하도록 LLM을 미세조정하는 기존의 학습 기반 접근법과 달리, 우리는 실패한 롤아웃에서 어디에 개입할지를 학습하고 이를 어떻게 리디렉션할지를 결정한다. 개입 위치를 선택하기 위해, 우리는 최종 답안의 정답 여부만을 이용해 고정된 인코더 위에 130K개의 매개변수를 가진 MLP 헤드를 학습시킨다. 리디렉션의 경우, 고정된 생성 예산 하에서 테스트한 인라인 주입(inline injection)은 추론을 안정적으로 리디렉션하지 못하는 반면, 동일한 지시문을 새로운 사용자 턴(user turn)으로 제시하면 모델의 진행 방향이 바뀐다는 것을 발견했다. 그 결과로 만들어진 수정 프레임워크인 UPTURN(User-Prompt TURN injection at a learned position)은 LLM의 미세조정을 전혀 요구하지 않는다: 선택된 접두 문맥(prefix)을 유지하고, 지시문을 새로운 사용자 턴으로 주입한 뒤, 나머지 부분을 재생성한다. 네 가지 추론 모델과 여섯 가지 수학 벤치마크 전반에서, UPTURN은 32회 롤아웃 기준선(baseline) 대비 모든 설정에서 평균 정확도를 향상시킨다. 동일한 수정 예산 하에서 자기 수정(self-correction) 및 리플렉션 토큰(reflection-token) 주입 기준선을 능가하며, 재학습 없이도 다른 추론 모델과 GPQA-Diamond로 전이되고, GRPO 및 자기 수정 기법과도 상호보완적이다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.