36 편의 논문
본 논문은 머신러닝 기반의 파라미터 최적화 기법을 도입하여 비정질 물질의 파동변환 방사형 분포함수 (WT-RDF) 의 진폭 정확도 한계를 극복하고, 기존 머신러닝 모델보다 우수한 성능으로 Ge-Se 및 Ag-Ge-Se 계열의 원자 구조를 정밀하게 재구성하는 'WT-RDF+' 프레임워크를 제안합니다.
이 논문은 학습률을 극단적으로 높여 신경망 최적화 과정을 혼돈의 시작점으로 유도함으로써, 탐색과 활용의 균형을 이루고 훈련 시간을 단축하며 학습 효율성을 극대화할 수 있음을 보여줍니다.
이 논문은 표본 크기와 모수 분산을 상태 공간으로 정의하고 섀넌 정보를 엔트로피로 간주하는 열역학적 프레임워크를 제시하여 점근적 추론을 설명하고, 가우스 극한에서 de Bruijn 항등식과 I-MMSE 관계를 이 구조의 좌표 사영으로 통합하며, 추론 물리학과 앙상블 물리학이 통합된 열역학적 기술 내에서 서로 반대 방향으로 진화하는 그림자 과정임을 시사합니다.
이 논문은 CMS 실험의 뮤온 운동량 추정 성능을 향상시키기 위해 그래프 신경망 (GNN) 을 적용하여 기존 TabNet 모델보다 낮은 평균 절대 오차를 보인 것과 노드 특징의 차원이 모델 효율성에 결정적임을 입증했습니다.
이 논문은 질량 무상관성 및 잠재 상관관계 규제와 같은 물리 법칙을 명시적으로 반영한 베이지안 잠재 확산 모델을 제안하여, LHC 제트 데이터에서 새로운 물리 현상 탐색을 위한 신뢰할 수 있는 이상 탐지 프레임워크를 구축했습니다.
이 논문은 경계 조건이 불확실한 실험 환경에서도 경계 조건에 대한 사전 모델링 없이 비지도 머신러닝을 활용해 유체 표면 파동의 모드 진화를 실시간으로 추출하고 분석할 수 있는 '추출 모드 추적 (EMT)' 프레임워크를 제안하고 그 유효성을 검증합니다.
이 논문은 비상호작용 전자 밀도를 주요 구조 기술자로 활용하고 베이지안 능동 학습을 결합한 효율적인 프레임워크를 제안하여, 훈련 데이터에 포함되지 않은 원소들로 구성된 고엔트로피 합금의 특성을 제로샷으로 예측하고 소량의 데이터로도 고정밀도를 달성하는 혁신적인 합금 발견 방법을 제시합니다.
이 논문은 고유 진동자가 없어도 비정상성 (non-normality) 에 의한 의사-스펙트럼 증폭을 통해 선형적으로 안정한 확률적 시스템에서 간헐적이고 비가역적인 집단적 시간 조직화, 즉 '의사-일관성 (pseudo-coherence)'이 발생할 수 있음을 규명합니다.
이 논문은 혼란스러운 시계열 데이터에서 투명하고 해석 가능한 대수 방정식을 학습하여 예측 정확도를 유지하면서도 블랙박스 모델의 한계를 극복하는 두 가지 상징적 기계학습 방법 (SyNF 와 SyTF) 을 제안하고 다양한 벤치마크 및 실제 사례를 통해 그 유효성을 입증합니다.
이 논문은 Partial Information Decomposition 프레임워크를 활용하여 고차원 상호작용을 분석하는 새로운 도구인 PDGC 를 제안하고, 이를 신경성 실신 환자의 생리학적 네트워크에 적용하여 자율신경계 기능 장애의 기저 메커니즘을 규명했습니다.
이 논문은 카메라와 LiDAR 의 상호 보완적 특성을 활용하여 정보 이득 (엔트로피 감소) 기반의 적응형 센서 선택 정책을 도입한 파티클 필터 추적기를 제안하고, 키프로스 아이나 나파 마리나에서의 실증 실험을 통해 단일 선박 추적의 정확성과 연속성을 동시에 개선하는 것을 입증했습니다.
이 논문은 히스토그램화나 최소제곱법과 같은 기존 분석 방식의 체계적 오류를 제거하고, 더 정확한 파라미터 추정과 데이터 효율성을 달성하기 위해 중성자 산란 이벤트 데이터를 직접 분석하는 새로운 확률론적 방법론을 제안합니다.
이 논문은 연속 시간 네트워크를 모델링하기 위해 최대 엔트로피 원리를 적용하여 시간 과정과 정적 엣지 확률로 분해된 해석 가능한 생성 모델과 NHPP 기반의 폐쇄형 로그-우도식을 제시합니다.
이 논문은 구글의 윌로우 (Willow) 칩에서 시뮬레이션 및 실험 데이터를 기반으로 검출기 오류 모델 (DEM) 을 추정하는 알고리즘을 정립하고, 이를 통해 장거리 상관관계 및 방사선 사건 등 기존 모델로 설명되지 않는 새로운 오류 패턴을 발견하고 양자 오류 정정 성능을 분석한 연구 결과를 제시합니다.
이 논문은 하이퍼파라미터를 통해 정의된 계층적 베이지안 모델에서 조건부 사전분포가 최대 엔트로피 분포일 때, 하이퍼파라미터를 적분하여 얻은 종속적인 주변 사전분포 역시 다른 제약 조건 하에서 최대 엔트로피 성질을 가진다는 것을 증명함으로써 계층적 모델 할당이 실제로 어떤 정보를 가정하는지에 대한 통찰을 제공합니다.
이 논문은 정밀 화학 반응 속도 파라미터의 불확실성을 저비용으로 전파하기 위해 축소 매니폴드 상태를 재구성하고 불확실성 지도를 생성하는 2 단계 프레임워크를 제안하여, 실제 연소 유동 시뮬레이션에서 공간적으로 분해된 화학적 불확실성을 효율적으로 정량화하는 방법을 제시합니다.
이 논문은 다변량 시계열 데이터를 심볼 시퀀스로 변환하고 베이지안 접근법을 통해 통계적으로 유의미한 문자열을 추출하여 초그래프의 하이퍼엣지로 모델링함으로써, 신경 및 사회 시스템과 같은 복잡한 시스템에서 고차원적 상호작용을 탐지하는 새로운 방법을 제시합니다.
이 논문은 Qwen2.5 기반의 대규모 언어 모델 (L3M) 을 커넥터 네트워크와 결합하여 우주 대규모 구조 3 차원 지도 분석 및 생성에 적용한 결과, 기존 전용 네트워크보다 우수한 성능을 보이며 천체물리학 분야에서 LLM 의 잠재력을 입증했다고 요약할 수 있습니다.
본 논문은 2x2 배열의 선형 구배 실리콘 광증배관 (LG-SiPM) 에 딥 신경망 (DNN) 을 적용하여 기존 공식 기반 재구성 방식보다 위치 분해능과 선형성을 크게 향상시키고, 분해 가능한 영역 수를 최대 12.1 배까지 증가시켜 의료 영상 등 광검출 성능을 획기적으로 개선한 연구입니다.
이 논문은 고에너지 물리학의 불폴딩 (unfolding) 문제를 정규화된 2 차 최적화 문제로 재정의하고 이를 QUBO 형식으로 변환하여 양자 어닐링 및 하이브리드 솔버를 활용한 'QUnfold'라는 오픈소스 패키지를 개발하였으며, 기존 기법들과의 벤치마크를 통해 경쟁력 있는 재구성 정확도를 입증했습니다.