해석 가능한 칼라비야우 메트릭을 위한 상징적 증류

초록

칼라비‑야우 삼차원체의 리치‑플랫 메트릭을 근사하는 신경망을, 기하학적 불변량인 전력합과 대칭 다항식으로 구성된 5항 식으로 압축한다. 이 식은 원래 신경망의 $R^{2}=0.9994$ 정확도를 3 000배 적은 파라미터로 유지하며, 모듈리 파라미터 $\psi\in

상세 분석

본 논문은 칼라비‑야우 삼차원체의 리치‑플랫 메트릭을 직접 해석적으로 구하는 것이 현재의 수치적 방법으로는 수천 CPU‑시간이 소요되는 실정임을 지적한다. 최근에는 Donaldson의 균형 메트릭을 학습한 신경망 서러게이트가 밀리초 수준의 평가 속도를 제공하지만, 내부 가중치가 인간이 해석하기 어려운 블랙박스 형태라는 한계가 있다. 저자들은 이러한 블랙박스의 정보를 ‘상징적 증류(symbolic distillation)’라는 절차를 통해 압축한다. 핵심 아이디어는 두 가지 기하학적 불변량, 즉 전력합 $p_{2}=\sum_{i=0}^{4}|z_{i}|^{4}$와 삼차 대칭 다항식 $\sigma_{3}= \frac{1}{6}(1-3p_{2}+2p_{3})$를 입력 피처로 사용하고, 이를 목표 함수 $\log!\bigl(\det g_{\text{alg}}/\det g_{\text{FS}}\bigr)$에 대한 회귀 모델을 심볼릭 회귀(Python Symbolic Regression, PySR)로 학습한다.

검색 공간은 200세대, 인구 60, 최대 트리 복잡도 30으로 제한했으며, 손실과 복잡도 사이의 파레토 최적화를 통해 15노드(전체 복잡도 54 %) 수준의 식을 도출한다. 최종 5항 식은

\