[논문] 교란 대비 물리 학습
개요
교란에 대한 반응은 물리 시스템을 이해하는 데 핵심적인 요소입니다. 시스템이 약간씩 다른 조건에서 어떻게 반응하는지를 비교하여 이러한 반응을 대조하는 능력은 학습 메커니즘을 제공합니다. 여기서는 Perturbative Contrastive Physical Learning (PCPL) 을 소개합니다. PCPL은 입력, 경계 조건, 파라미터, 혹은 인터프리터 함수의 제어된 변화를 통해 생성된 물리 상태 간의 측정 가능한 대조에서 학습이 발생하는 일반적인 프레임워크입니다. PCPL은 기존 접근법을 통합하고 확장합니다: Equilibrium Propagation 은 에너지 기반 시스템에서 자유 평형과 교정된 평형 사이의 대조에 기반하고, Frequency Propagation 은 정현파 구동 및 주파수 복조 응답에서 추출된 대조에 해당합니다. 우리는 대조 기반 업데이트가 지역적 민감도 혹은 전역적인 역문제 구조를 반영할 수 있지만, 중앙집중식 그래디언트 계산을 필요로 하지 않음을 보여줍니다. 대신, 효과적인 학습 기하학은 시스템 자체의 물리적 반응으로부터 암묵적으로 나타나며, 외부 프로세서나 명시적 역전파 없이도 학습 행동이 발생합니다. 우리는 두 가지 플랫폼에서 PCPL을 시연합니다: (i) 측정된 변위와 힘을 이용해 결합 강성을 업데이트하는 스프링 네트워크, 그리고 (ii) x-쿼드라처 측정과 야코비안의 유한 차분 추정으로 학습되는 연속 변수 광회로. 두 플랫폼 모두 분류 과제를 성공적으로 학습합니다. 또한 연속 변수 광회로가 아날로그 곱셈을 구현하도록 학습될 수 있음을 보여, 보다 자율적인 물리 학습 시스템으로의 한 걸음을 제시합니다.
핵심 기여
이 논문은 다음 분야의 연구를 제시합니다:
- cs.LG
- cond-mat.dis-nn
방법론
자세한 방법론은 전체 논문을 참고하십시오.
실용적 시사점
본 연구는 cs.LG 분야의 발전에 기여합니다.
저자
- Kyungeun Kim
- Amanuel Anteneh
- Israel Klich
- Olivier Pfister
- J. M. Schwarz
논문 정보
- arXiv ID: 2606.09756v1
- 분류: cs.LG, cond-mat.dis-nn
- 발표일: 2026년 6월 8일
- PDF: PDF 다운로드