제약된 기하학적 복사로부터의 자기 조직화
Self-Organization from Constrained Geometric Radiation
한국어 초록
외부 구동이 없는 닫힌계에서 동적 질서는 어떻게 자발적으로 발생하는가? 기존 패러다임은 모두 외부 에너지 흐름, 온도 급랭(quenching), 또는 느린 구동을 필요로 한다. 본 논문에서는 결합된 계량 진화계(coupled metric evolution systems)에서 기하학적 복사를 통해 제약으로 유도되는 자기 조직화(constraint-induced self-organization)를 보고한다. 시뮬레이션 결과 응력 축적, 초지수적 복사, 혼돈 붕괴, 그리고 5개의 양자화된 곡률 상태와 프랙털 미세 요동을 갖는 새로운 어트랙터 위상수학인 쐐기형 어트랙터(wedge-shaped attractor)라는 프랙털 극한 주기 궤도로의 수렴(convergence)으로 이어지는 보편적인 4단계 주기가 나타났다. 우리는 네 가지 결합 충분조건을 규명했다: 비가역적 기하학적 지평선, 양자 결맞음으로부터의 지속적인 응력 주입, 양립 불가능한 곡률 간의 내생적 기하학적 장력, 그리고 유효 요동. 이들의 시너지는 지평선 경계에서 임계 눈사태(critical avalanche)를 촉발한다. 우리는 기하학적 지평선 정리, 기하학적 에너지 소산 정리(닫힌계에서 파동형 엔트로피 진화를 함의함), 그리고 상전이 채널로서의 복사 정리를 포함한 세 가지 정리를 증명한다. 나아가 우리는 제약 유도 자기 조직화 정리를 확립하여, 이러한 조건들이 확률 1로 완전한 주기를 보장함을 입증한다. 체계적인 스캔을 통해 임계 노이즈 임계값과 복사 시작의 거듭제곱 법칙 스케일링(scaling)을 밝혀냈다. 우리는 12가지 구성, 다양한 노이즈 유형, 그리고 세 가지 기하학적 흐름 전반에서 보편성을 검증했다. 본 연구는 고전적 비선형 제약 조건과 중력 지평선 간의 엄밀한 수학적 이중성을 구축하여, 닫힌계 자기 조직화를 위한 새로운 패러다임을 확립한다.
원문 초록
How does dynamic order emerge spontaneously in closed systems without external driving? Existing paradigms all require external energy flows, temperature quenching, or slow driving. Here we report constraint-induced self-organization via geometric radiation in coupled metric evolution systems. Simulations reveal a universal four-stage cycle: stress accumulation, super-exponential radiation, chaotic collapse, and convergence to a fractal limit cycle, a novel attractor topology we term the wedge-shaped attractor, with five quantized curvature states and fractal micro-fluctuations. We identify four jointly sufficient conditions: an irreversible geometric horizon, persistent stress injection from quantum coherence, endogenous geometric tension between incompatible curvatures, and effective fluctuations. Their synergy triggers a critical avalanche at the horizon boundary. We prove three theorems: the Geometric Horizon Theorem, the Geometric Energy Dissipation Theorem (implying wave-like entropy evolution in closed systems), and the Radiation as Phase Transition Channel Theorem. We further establish the Constraint-Induced Self-Organization Theorem: these conditions guarantee the complete cycle with probability one. Systematic scans reveal a critical noise threshold and power-law scaling of radiation onset. We verify universality across 12 configurations, multiple noise types, and three geometric flows. This work establishes a new paradigm for closed-system self-organization, forging an exact mathematical duality between classical nonlinear constraints and gravitational horizons.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
상호작용하는 동적 시스템을 위한 회전-변위 로컬 좌표계
Roto-translated Local Coordinate Frames For Interacting Dynamical Systems
상호작용 모델링은 고도로 비선형적이며 시간에 따라 변하는 동작을 보이는 상호작용 객체 시스템, 즉 복잡한 동적 시스템(dynamical systems)을 학습하는 데 매우 중요합니다. 이러한 시스템의 상당 부분은 기하학적 그래프($\textit{geometric graphs}$), 즉 교통 상황의 차량과 같이 $\textit{임의로}$ 선택된 글로벌 좌표계 하에서 유클리드 공간에 위치한 노드(node)를 갖는 그래프로 정형화될 수 있습니다. 임의의 글로벌 좌표계에도 불구하고, 해당 동적 시스템을 지배하는 동역학은 회전 및 변위(translation)에 대해 불변이며, 이는 갈릴레이 불변성($\textit{Galilean invariance}$)으로도 알려져 있습니다. 이러한 불변성을 무시하면 일반화 성능이 저하되므로, 본 연구에서는 상호작용 동적 시스템의 기하학적 그래프에 회전-변위 불변성을 유도하기 위해 노드 객체별 로컬 좌표계(local coordinate frames)를 제안합니다. 또한, 로컬 좌표계를 통해 그래프 신경망(GNN)에서 비등방성 필터링(anisotropic filtering)을 자연스럽게 정의할 수 있습니다. 교통 상황, 3D 모션 캡처, 충돌 입자에 대한 실험을 통해 제안된 접근 방식이 최근 SOTA(state-of-the-art)를 여유 있게 능가함을 입증합니다.
쿠프만 기반 순환 신경망
Koopman-informed recurrent neural networks
순환 신경망(recurrent neural network)은 시계열 분석, 예측, 동역학 시스템 모델링을 포함한 다양한 시간 의존적 문제에서 성공적인 신경망 아키텍처입니다. 동역학 시스템의 맥락에서, 시간에 따른 역전파(backpropagation through time)를 이용한 학습은 그래디언트 폭발 또는 소실로 인한 어려움을 초래할 수 있습니다. 본 연구에서는 그래디언트 기반 방법을 사용하지 않고 순환 신경망의 모든 가중치와 편향을 구성하는 계산적 접근법인 쿠프만 기반 순환 신경망(Koopman-informed recurrent neural networks)을 소개합니다. 이 접근법은 랜덤 특징 네트워크(random feature networks)와 동역학 시스템을 위한 쿠프만 연산자 이론(Koopman operator theory)의 조합에 기반합니다. 단일 순환 블록의 은닉 매개변수는 무작위로 샘플링되며, 외부 가중치는 확장 동적 모드 분해(extended dynamic mode decomposition)를 사용하여 구성됩니다. 이 접근법은 순환 네트워크와 관련하여 역전파에서 흔히 발생하는 일부 문제를 완화합니다. 쿠프만 연산자 이론과의 연결은 이 분야의 결과를 순환 신경망 분석에 활용할 수 있는 가능성도 제공합니다. 시계열, 혼돈 동역학 시스템 예측, 제어 문제, 실세계 데이터에 대한 계산 실험에서, 비교 가능한 예측 정확도를 유지하면서 쿠프만 기반 순환 신경망의 학습 시간이 일반적으로 사용되는 그래디언트 기반 방법으로 학습된 모델에 비해 크게 향상됨을 확인하였습니다.
Function-on-function nonlinear autoregressive model (F2NARX) for probabilistic surrogate modeling of stochastic dynamical systems
Reentrant value fields as delayed coupled reaction-diffusion systems on finite graphs
트랜스포머 내 이산 시간 셀프 어텐션 역학의 점근적 분석
Asymptotic Analysis of Discrete-Time Self-Attention Dynamics in Transformers
머신러닝에서 셀프 어텐션 역학은 트랜스포머의 어텐션(attention) 메커니즘을 설명하며, 트랜스포머의 층(layer) 인덱스를 시간 인덱스로 취급하여 도출됩니다. 본질적으로 이산 시간(discrete-time) 시스템임에도 불구하고, 이러한 동적 시스템은 대부분 연속 시간으로 연구되어 왔습니다. 본 논문의 목적은 이산 시간 버전의 셀프 어텐션 역학을 철저하게 조사하는 것입니다. 단일 헤드 및 멀티헤드 사례 모두에서 평형점(equilibria)에 대한 완전한 분류(classification)를 제시하고 그 안정성 특성을 연구합니다. 두 경우 모두 역학의 주요 어트랙터(attractor)가 값(value) 행렬의 주 고유벡터(멀티헤드 사례의 경우 상응하는 가중치(weight) 행렬)와 정렬된 합의 평형점(consensus equilibrium)임을 보입니다. 다만, 단일 헤드 상황에서는 국소적으로 점근적 안정한 다른 이분 평형점(bipartite equilibria)도 존재함을 보일 수 있습니다. 이러한 동작은 실제 트랜스포머의 학습된 가중치 행렬을 살펴봄으로써 검증됩니다.
커널 유도 기하에서의 마르코프 연쇄 수렴
Markov Chain Convergence in Kernel-Induced Geometry
본 논문에서는 최대 평균 불일치(MMD)라고도 불리는 양의 정부호 커널과 연관된 힐베르트 임베딩에 의해 유도된 기하에서 마르코프 연쇄(Markov chain)의 수렴을 연구합니다. 커널 유도 기하에서의 수축 가정과 표준 스펙트럼 갭 가정을 바탕으로, 경험적 점유 측도가 불변 측도로 수렴하는 것에 대한 비점근적 고확률 경계를 확립합니다. 도출된 경계는 두 조건의 역할을 분리합니다. 스펙트럼 갭은 주요 항의 유효 표본 크기를 결정하는 반면, 커널 수축은 선형 보정을 통해서만 반영됩니다. 응용 사례로서, 단일 궤적으로부터 동적 시스템의 1단계 예측을 연구하고 비선형 최소제곱 추정기에 대한 빠른 학습률을 유도합니다. 이 비율은 커널 유도 기하에서의 혼합 특성과 최소제곱 분석에 사용되는 고전적인 소스 및 용량 조건 간의 상호작용을 강조합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.
저자 비고
arXiv Comments
13 pages, 4 figures