[논문 리뷰] Machine Learning meets Number Theory: The Data Science of Birch-Swinnerton-Dyer

Laura Alessandretti, Andrea Baronchelli외 1명|arXiv (Cornell University)|2019. 11. 04.

Topological and Geometric Data Analysis참고 문헌 30인용 수 17

한 줄 요약

이 논문은 250만 개 이상의 타원곡선으로 이루어진 Cremona 데이터베이스에 고급 데이터 과학 기법—기계학습, 위상적 데이터 분석, 통계 모델링—을 적용하여 Birch-Swinnerton-Dyer (BSD) 추측과 관련된 불변량의 패턴을 조사한다. 이는 BSD 비율의 베타 분포와 같은 통계적 분포를 드러내며, 기울기 부스팅 트리 모델을 통해 Weierstrass 계수로부터 랭크 및 조정자와 같은 핵심 불변량을 높은 정확도로 예측함으로써 수론 분야에서 가장 깊이 있는 미해결 문제에 대한 새로운 경험적 통찰을 제공한다.

ABSTRACT

Empirical analysis is often the first step towards the birth of a conjecture. This is the case of the Birch-Swinnerton-Dyer (BSD) Conjecture describing the rational points on an elliptic curve, one of the most celebrated unsolved problems in mathematics. Here we extend the original empirical approach, to the analysis of the Cremona database of quantities relevant to BSD, inspecting more than 2.5 million elliptic curves by means of the latest techniques in data science, machine-learning and topological data analysis. Key quantities such as rank, Weierstrass coefficients, period, conductor, Tamagawa number, regulator and order of the Tate-Shafarevich group give rise to a high-dimensional point-cloud whose statistical properties we investigate. We reveal patterns and distributions in the rank versus Weierstrass coefficients, as well as the Beta distribution of the BSD ratio of the quantities. Via gradient boosted trees, machine learning is applied in finding inter-correlation amongst the various quantities. We anticipate that our approach will spark further research on the statistical properties of large datasets in Number Theory and more in general in pure Mathematics.

연구 동기 및 목표

• 대규모 데이터 과학 기법을 사용하여 타원곡선의 산술 불변량의 통계적 패턴을 탐색한다.
• 기계학습이 랭크, 도이, 조정자, 타마가와 수와 같은 BSD 관련 양들 사이의 숨겨진 상관관계를 드러내는지 테스트한다.
• Cremona 데이터베이스 전반에서 BSD 비율의 분포와 통계적 행동을 조사한다.
• Weierstrass 계수를 입력으로 사용하여 핵심 불변량(예: 랭크, 조정자)을 예측하는 모델을 개발한다.
• 현대 데이터 기법이 순수 수학에서 어떻게 유용한지를 보여줌으로써 데이터 과학과 수학 간의 대화를 촉진한다.

제안 방법

• 250만 개 이상의 타원곡선을 포함한 Cremona 데이터베이스를 분석한다. 이 곡선들은 ℚ 위에서 Weierstrass 형태로 표현된다.
• BSD 관련 불변량으로 구성된 6차원 점군에 대해 위상적 데이터 분석(TDA)과 지속 호모로지( persistent homology)를 적용한다.
• Weierstrass 계수(a₁, a₂, a₃, a₄, a₆)로부터 수치적 및 범주형 BSD 양을 예측하기 위해 기울기 부스팅 결정 트리를 사용한다.
• 핵심 양의 분포, 특히 BSD 비율이 베타 분포를 따름을 확인하기 위해 통계 모델링을 수행한다.
• 도이의 약수 패턴과 고정된 a₁, a₂, a₃ 및 랭크 조건 하에서 a₆의 조건부 통계를 포함한다.
• 학습 곡선과 모델 비교(예: SVM와의 비교)를 통해 예측 성능 및 일반화 능력을 검증한다.

실험 결과

연구 질문

• RQ1 Cremona 데이터베이스 전반에서 BSD 비율의 분포에 어떤 통계적 패턴이 드러나는가?
• RQ2 기계학습 모델이 Weierstrass 계수로부터 타원곡선의 랭크와 조정자를 정확하게 예측할 수 있는가?
• RQ3 다른 랭크와 도이에 따라 Weierstrass 계수(a₄, a₆)는 어떻게 분포하는가?
• RQ4 BSD 불변량의 고차원 공간에서 어떤 위상적 구조(예: 지속 호모로지 특징)가 존재하는가?
• RQ5 클래식한 수론에서는 드러나지 않는, 타마가와 수, 조정자, 기타 불변량 간의 숨겨진 상관관계가 존재하는가?

주요 결과

• BSD 비율—L-함수 값과 조정자의 곱을 타마가와 수와 도이의 제곱근의 곱으로 나눈 값—은 전체 데이터셋에서 베타 분포를 따르는 것으로 확인되었다.
• 기울기 부스팅 트리는 Weierstrass 계수로부터 타원곡선의 랭크를 99% 이상의 정확도로 예측하여 강력한 예측 패턴이 존재함을 시사한다.
• a₁, a₂, a₃ 및 랭크 조건 하에서 a₆의 조건부 분포는 균일하지 않으며, 평균과 표준편차가 랭크 및 계수 조합에 따라 크게 달라진다.
• 위상적 데이터 분석을 통해 BSD 불변량의 6차원 점군에 지속 호모로지가 존재하는 것으로 드러나, 이 양들 사이에 비트리비어 기하적 관계가 존재함을 시사한다.
• 도이의 약수 패턴이 a₆ 및 기타 불변량의 분포와 관련이 있으며, 특히 고랭크 곡선에서 두드러진다.
• 모델의 학습 곡선은 예측 성능이 특정 데이터셋 크기 이후에 정체됨을 보여주며, Cremona 데이터베이스가 랭크 예측에 대해 포화 상태에 가까워지고 있음을 시사한다.