Operator Learning in Lattice QCD: Spectral Reconstruction

기술 요약: 격자 QCD에서의 연산자 학습: 스펙트럼 재구성

문제 정의
격자 양자 색역학(Lattice QCD)에서의 스펙트럼 재구성은 몬테카를로 시뮬레이션을 통해 계산된 유클리드 상관 함수로부터 스펙트럼 밀도를 추출하는 과정을 포함한다. 이 작업은 수학적으로 라플라스 변환의 수치적 역변환 문제와 동일하며, 이는 상관 함수의 통계적 노이즈와 가용 데이터 포인트의 제한으로 인해 매우 불량한 조건(ill-posed)의 문제이다. 한센-루포-탄탈로(Hansen-Lupo-Tantalo, HLT) 알고리즘과 같은 방법들은 제어된 불확실성을 가진 모델 독립적인 솔루션을 제공하지만, 이는 상관 함수 값들의 선형 결합에 의존한다. 이러한 선형적 접근 방식은 계통적 불확실성을 줄이려 할 때 통계적 불확실성이 커지는 트레이드오프를 초래하는 경우가 많으며, 특히 날카롭게 솟은 스미어링 커널(smearing kernels)의 경우 더욱 그러하다. 이전의 머신러닝 접근 방식(예: Ref. [25])은 스펙트럼 재구성을 벡터 대 벡터 매핑으로 취급하였는데, 이는 입력 시간 그리드나 출력 파라미터가 변경될 때마다 재학습을 요구하므로 광범위한 현상론적 응용 측면에서 계산적으로 비실용적이었다.

방법론
본 연구는 연산자 학습(Operator Learning), 구체적으로는 **Deep Operator Networks (DeepONets)**를 활용한 새로운 지도 학습 전략을 제안한다. 고정된 벡터 공간에서 고정된 벡터 공간으로 매핑하는 대신, 제안된 프레임워크는 유클리드 상관 함수 공간에서 스미어링된 스펙트럼 함수 공간으로 매핑되는 연산자 $\hat{O}$를 근사하도록 신경망을 훈련한다.

• 구조: 이 방법은 두 개의 독립적인 신경망으로 구성된 DeepONet 구조를 채택한다:
  • 브랜치 네트워크(Branch Net): 입력 유클리드 상관 함수(고정된 유클리드 시간 그리드 상의 벡터로 표현됨)를 잠재 표현(latent representation)으로 인코딩한다.
  • 트렁크 네트워크(Trunk Net): 출력 도메인(에너지 $E$ 및 스미어링 파라미터 $\sigma$)을 대응하는 잠재 표현으로 인코딩한다.
  • 최종 예측은 이 두 잠재 벡터의 내적(dot product)이며, 이를 통해 재학습 없이도 임의의 $(E, \sigma)$ 지점에서 연속적인 스펙트럼 밀도 평가가 가능하다.
• 훈련 데이터 생성: 네트워크는 **가우시안 프로세스(Gaussian Process, GP)**로부터 생성된 모의 데이터(mock data)를 사용하여 훈련된다. GP는 $O(3)$ 비선형 $\sigma$ 모델의 알려진 2입자 기여에 해당하는 평균 함수와 4입자 임계값 이상의 매끄러운 변화를 허용하는 공분산 커널을 갖도록 구축되었다. 이는 물리적 사전 지식을 통합하면서도 광범위한 허용 가능한 함수 공간을 유지한다.
• 불확실성 정량화: 신경망 근사에 내재된 계통적 불확실성을 다루기 위해, 저자들은 다양한 아키텍처(깊이, 너비)와 훈련 세트 크기를 가진 15개의 독립적으로 훈련된 네트워크 앙상블을 활용한다.
  • 계통적 불확실성(Systematic Uncertainty): 각 네트워크의 최소 검증 손실(validation loss)에 따라 가중치를 부여하여 앙상블 예측의 가중 분포를 통해 추정한다.
  • 통계적 불확실성(Statistical Uncertainty): 입력 상관 함수의 부트스트랩 리샘플링(bootstrap resampling)을 통해 추정한다.
  • 전역 편향(Global Bias): 별도의 모의 데이터를 사용하여 예측값과 실제 값 사이의 평균 차이를 평가함으로써 보정한다.
• 노이즈 처리: 훈련 세트에는 실제 격자 앙상블(특히 Ref. [4]의 앙상블 A1–A4, B1, B2)의 노이즈-대-신호 비율과 일치하도록 주입된 노이즈가 포함되어 있다.

주요 기여

1. Lattice QCD에 DeepONets를 최초로 적용: 본 연구는 DeepONet 아키텍처를 이 분야에 도입하여, 유클리드 상관 함수를 스미어링된 스펙트럼 밀도로 매핑하는 연산자 학습 능력을 입증하였다.
2. 재학습 한계 극로: 문제를 연산자 학습으로 취급함으로써, 이 방법은 재학습 없이도 서로 다른 시간 그리드나 다른 출력 파라미터에 대해 상관 함수에 대한 예측을 가능하게 하며, 이는 기존의 벡터-대-벡터 ML 접근 방식보다 크게 개선된 점이다.
3. 강건한 불확실성 추정: 미지의 모의 데이터에 대한 클로저 테스트(closure tests)를 통해 검증된, 신경망 앙상블을 이용한 엄격한 계통적 불확실성 추정 절차를 확립하였다.
4. 벤치마크 검증: 제안된 전략은 알려진 해석적 스펙트럼 밀도를 가진 벤치마크 시스템인 1+1차원 $O(3)$ 비선형 $\sigma$ 모델에 적용되었다. 이 방법은 높은 에너지 영역까지의 4입자 임계값 상부의 포괄적 비율(inclusive rate)을 성공적으로 재구성하였다.

결과
제안된 전략은 모의 데이터와 Ref. [4]의 실제 격자 상관 함수 모두에 대해 검증되었다.

• 클로저 테스트: 미지의 모의 데이터에 대해, 이 방법은 추정된 총 불확실성(통계적 오차와 계통적 오차의 결합)이 보수적이며, "풀(pull)" 분포(오차로 정규화된 편차)가 가우시안 기대치와 일치함을 보여주었다.
• 격자 적용: 이 방법은 $O(3)$ 모델의 스펙트럼 밀도를 재구성하는 데 적용되었다. 무한 부피, 연속체, 그리고 $\sigma \to 0$ 극한을 수행한 후 얻은 최종 결과는 정확한 해석적 스펙트럼 밀도와 매우 잘 일치한다.
• HLT와의 비교: 최첨단 HLT 방법(Ref. [4])과 비교했을 때, DeepONet 기반 전략은 총 불확실성을 크게 감소시킨다. 최종 결정은 $E < 20m$에서 약 2%의 상대 불확실성을 달성하며, 더 높은 에너지에서는 약 9%로 상승한다. 오차 예산(error budget)을 보면 통계적, 재구성, 유한 크기, 그리고 연속체 불확실성이 유사한 수준으로 기여하며, 단일 원인이 지배적이지 않음을 알 수 있다.

의의 및 주장
저자들은 본 연구가 전통적인 선형 정규화 방법보다 격자 QCD 시뮬레이션으로부터 스펙트럼 정보를 추출하는 데 있어 더 강력한 접근 방식을 제공할 수 있는 DeepONet의 잠재력을 입증한다고 주장한다. 이 방법은 알려진 해석적 스펙트럼 밀도를 기존 HLT 알고리즘보다 더 높은 정밀도로 성공적으로 회복하였다.

논문은 광범위한 적용 가능성에 대해 신중한 어조를 유지한다. 결과는 유망하지만, 저자들은 특정 물리적 사전 지식(GP 평균 함수 기반의 $O(3)$ 모델)이 없는 상황에서 관찰된 불확실성 감소가 지속되는 정도가 "아직 정량화되어야 한다"고 명시적으로 밝히고 있다. 그들은 이 전략이 더 현상론적으로 중요한 관측량과 격자 장론의 다른 연산들로 자연스럽게 확장될 수 있다고 언급하지만, 현재의 검증은 엄격하게 $O(3)$ 모델 벤치마크로 제한되어 있다. 이 연구는 임의의 알려지지 않은 물리 체계에 대해 아무런 사전 제약 없이 스펙트럼 재구성 문제를 해결한다고 주장하는 것이 아니라, 통제된 환경에서 기존 벤치마크를 능가하는 새로운 연산자 학습 기반 패러다임의 개념 증명(proof-of-concept)을 확립하는 것이다.