곡면 위 푸코‑플랑크 방정식 해결을 위한 신경 푸시포워드 샘플러

본 논문은 확률 미분 방정식(SDE)에서 파생되는 푸코‑플랑크 방정식(FPE)을, 매끄럽고 콤팩트한 임베디드 리만 다양체(M,g) 위에서 직접 풀기 위한 새로운 신경망 기반 프레임워크를 제안한다. 전통적인 유한 차분·유한 요소 방법은 다양체를 삼각분할해야 하는데, 차원 증가와 복잡한 기하학 때문에 실용성이 떨어진다. 최근 평면 공간에서 제안된 약한 적대적 신경 푸시포워드(Weak Adversarial Neural Pushforward, WANPF) 방법은 확률 분포 자체를 신경망이 생성하는 푸시포워드 맵으로 표현함으로써 격자 의존성을 없앤다. 이 연구는 WANPF를 리만 다양체에 일반화한다는 두 가지 핵심 관찰에 기반한다. 첫째, 푸시포워드 맵 F_θ는 반드시 가역적일 필요가 없으며, 입력 차원 d가 다양체 차원 m보다 커도 된다. 이는 표현력을 크게 높인다. 둘째, 약한 형태의 적분식은 연산자를 테스트 함수에 적용하도록 변환되므로, 라플라스‑벨트라미 연산자 Δ_g와 드리프트 b·∇_g 를 테스트 함수에 직접 적용하면 된다. 논문은 먼저 다양체와 관련된 기초 기하학을 정리한다. 임베딩된 다양체 M⊂ℝⁿ에 대해 정규 직교 투영 행렬 P(x)=I–xxᵀ(구면 경우)와 평균 곡률 벡터 H(x)=tr(∂_i P(x)) 를 정의하고, 임의의 유클리드 함수 f에 대해 ∇_g f = P∇f, Δ_g f = tr(∇²f·P) – ∇f·H 라는 식을 제시한다. 이는 자동 미분 없이도 P와 H만 알면 Δ_g f를 계산할 수 있음을 의미한다. 다음으로 정상 상태 FPE σ²/2 Δ_g ρ – div_g(ρb)=0 를 약한 형태로 전개한다. 테스트 함수 f∈C^∞(M)에 대해 ⟨ρ, L_ss f⟩=0 이며, 여기서 L_ss f = σ²/2 Δ_g f + ⟨b,∇_g f⟩ 이다. 이 기대값은 Monte‑Carlo 샘플 x_i = F_θ(r_i) (r_i∼표준 정규) 로 추정한다. 적대적 손실은 L(θ,η)= Σ_k ( Ȇ_T(k) – Ȇ_0(k) – Ȇ_int(k) )² 로 정의되며, η_k={w_k, b_k} 는 plane‑wave 테스트 함수 f_k(x)=sin(w_k·x + b_k) 의 파라미터이다. 시간‑의존형 FPE에 대해서는 동일한 구조에 시간 항 κ_k·t 를 추가한 테스트 함수 f_k(t,x)=sin(w_k·x + κ_k t + b_k) 를 사용한다. 약한 형태를 시간과 공간에 대해 적분하면 초기, 최종, 내부 세 개의 기대값이 등장하고, 이를 각각 Monte‑Carlo 로 추정한다. 전체 손실은 세 기대값 차이의 제곱합이며, min_θ max_η 로 최적화한다. 푸시포워드 맵은 리트랙션 레이어 Π_M 으로 다양체 제약을 강제한다. 구체적으로, 비제한 네트워크 ˜F_θ : ℝ^{1+n+d} → ℝⁿ 를 정의하고, F_θ(t,x₀,r)=Π_M( x₀ + √t·˜F_θ(t,x₀,r) ) 로 구성한다. t=0 일 때는 Π_M(x₀)=x₀ 이므로 초기 분포 ρ₀ 가 자동 만족된다. 구면, 스테펠리트, 토러스 등에 대해 각각 정규화, polar retraction, 좌표별 래핑을 사용한다. 구체적인 수식은 구면 S^{n-1}와 토러스 Tⁿ에 대해 전개된다. 구면에서는 P(x)=I–xxᵀ, H(x)=–(n–1)x 로부터 Δ_g f = –sin(ϕ)(|w|² – (x·w)²) + (n–1)cos(ϕ)(x·w) 를 얻는다. 토러스에서는 H=0 이고, P에 의해 투영된 주파수 wᵀP(x)w 가 곧 Δ_g f 의 계수가 된다. 이러한 폐쇄형 식은 자동 미분 없이도 각 샘플마다 즉시 계산 가능하다. 실험에서는 구면 S²에 이중우물 잠재함수 V(x,y,z)=α(x²–1)²+βz² (α=4.0, β=2.0) 를 정의하고, σ=0.5 로 설정하였다. 이 경우 Gibbs 불변분포는 두 점 (±1,0,0) 근처에 강하게 집중한다. 생성기는 3‑차원 표준 정규를 입력으로 하는 2‑계층 MLP(폭 32, tanh)이며, 출력은 정규화 레이어를 통해 S²에 사영된다. 적대적 테스트 함수는 K=200 개이며, w_k 를 N(0,4I₃), b_k 를 N(0,0.25) 로 초기화한다. Monte‑Carlo 배치 크기 M_s=200, 학습 단계 5,000 회, 생성기 학습률 1e‑3 → 1e‑5 로 코사인 스케줄링한다. 훈련 결과는 샘플이 두 우물에 거의 모든 질량을 할당함을 보여준다. 시각화된 밀도는 잠재함수의 등고선과 일치하며, 전통적인 격자 기반 방법이 차원 저주와 복잡한 기하학 때문에 어려움을 겪는 상황에서도 정확한 다중극성 분포를 복원한다. 논문의 기여는 다음과 같다. (1) 리만 다양체 위 FPE의 약한 적대적 형식을 제시, (2) 라플라스‑벨트라미 연산을 ambient plane‑wave에 대해 폐쇄형으로 유도, (3) 리트랙션 기반 푸시포워드 아키텍처로 확률 보존과 다양체 제약을 자동 만족, (4) 구면·토러스 등 대표적 다양체에 대한 구체적 수식과 구현법 제공, (5) 복합 잠재함수에 대해 멀티모달 분포를 성공적으로 학습한 실험을 제시. 향후 연구 방향으로는 비등방성 확산, 고차원 스테펠리트·그라스만 다양체, 그리고 구면 조화함수와의 결합을 통한 효율적인 테스트 함수 설계가 제시된다.