[논문 리뷰] Machine-Learning Number Fields

Yang‐Hui He, Kyu‐Hwan Lee외 1명|arXiv (Cornell University)|2020. 11. 17.

Computational Physics and Python Applications참고 문헌 18인용 수 6

한 줄 요약

이 논문은 기계학습—특히 랜덤 포레스트와 로지스틱 회귀 분류기—가 제타 계수 데이터를 사용해 대수적 수체의 핵심 불변량을 높은 정확도로 예측할 수 있음을 보여준다. 실 이차 수체의 제타 계수를 기반으로 훈련한 랜덤 포레스트 분류기는 단수 1과 단수 2를 구분하는 데 96%의 정밀도를 달성했으며, 훈련 데이터의 판별식 범위를 초월해 판별식이 300만 이하인 수체로도 일반화하여 91%의 정밀도를 유지했다. 이는 수론 분야에서 히ュ리스틱적 발견 가능성을 시사한다.

ABSTRACT

We show that standard machine-learning algorithms may be trained to predict certain invariants of algebraic number fields to high accuracy. A random-forest classifier that is trained on finitely many Dedekind zeta coefficients is able to distinguish between real quadratic fields with class number 1 and 2, to 0.96 precision. Furthermore, the classifier is able to extrapolate to fields with discriminant outside the range of the training data. When trained on the coefficients of defining polynomials for Galois extensions of degrees 2, 6, and 8, a logistic regression classifier can distinguish between Galois groups and predict the ranks of unit groups with precision >0.97.

연구 동기 및 목표

• 기계학습이 대수적 수체의 핵심 불변량인 단수, 갈루아 군, 단위군 랭크를 예측할 수 있는지 조사한다.
• 기계학습 모델의 입력으로 사용 가능한 다양한 데이터 표현 방식—정의 다항식, 제타 계수, 분할된 소수—의 성능을 평가한다.
• 훈련 데이터의 판별식 범위를 초월해 일반화할 수 있는지, 기계학습 모델이 수론 분야의 열린 문제를 뒷받침할 수 있는지 판단한다.
• 기계학습이 실 이차 수체에서 단수 1인 경우의 무한성에 대한 미해결 문제를 해결하는 데 도움이 되는 패턴을 발견할 수 있는지 탐색한다.

제안 방법

• 실 이차 수체의 디데킨드 제타 함수의 1000개의 제타 계수를 기반으로 랜덤 포레스트 분류기를 훈련하여 단수(1 대 2)를 예측한다.
• 정의 다항식 계수를 사용해 2, 6, 8차 확장에서 갈루아 군과 단위군 랭크를 예측하기 위해 로지스틱 회귀를 적용한다.
• 완전히 분할된 소수를 부호화한 이진 벡터를 사용해 분류기를 훈련했지만, 확장 차수를 제외한 성능은 열악했다.
• 훈련 범위 내외의 판별식을 가진 수체 테스트 세트를 이용해 정밀도 및 신뢰도 점수를 통해 모델 성능을 평가한다.
• 실 이차 수체, 이중 이차 수체, 육차 갈루아 확장 수체의 데이터셋을 LMFDB(L-함수 및 모듈라 형식 데이터베이스)에서 활용한다.
• 제타 계수, 다항식 계수, 분할된 소수 지표 등 다양한 데이터 모odalities 간의 모델 성능을 비교한다.

실험 결과

연구 질문

• RQ1 제타 계수 데이터를 사용해 실 이차 수체의 단수를 기계학습으로 정확히 예측할 수 있는가?
• RQ2 훈련된 모델은 훈련 데이터의 판별식 범위를 초월한 수체로 일반화할 수 있으며, 그 성능은 어떠한가?
• RQ3 제타 계수, 정의 다항식, 분할된 소수 등 다양한 데이터 표현 방식이 갈루아 군과 단위군 랭크 예측에 얼마나 효과적인가?
• RQ4 기계학습은 단수 3의 배수인 경우의 패턴을 탐지할 수 있으며, 무작위 추측보다 성능이 뛰어나게 작동하는가?
• RQ5 모델의 결정 기준이 실 이차 수체에서 단수 1인 경우가 무한히 존재하는지 여부라는 열린 문제에 통찰을 제공할 수 있는가?

주요 결과

• 판별식 <100만인 실 이차 수체의 제타 계수를 기반으로 훈련한 랜덤 포레스트 분류기는 단수 1과 단수 2를 구분하는 데 96%의 정밀도를 달성했다.
• 판별식 100만에서 300만 사이의 수체로 테스트한 결과, 동일한 분류기는 91%의 정밀도를 유지했으며, 뛰어난 외삽 능력을 입증했다.
• 8차 갈루아 확장에서 로지스틱 회귀 분류기는 제타 계수 데이터를 사용해 갈루아 군을 구분하고 단위군 랭크를 예측하는 데 97% 이상의 정밀도를 기록했다.
• 이중 이차 4차 수체에서는 로지스틱 회귀 모델이 단수 1 대 2 분류에서 81.9%의 정밀도를 달성했지만, 데이터셋 크기의 제약으로 성능이 제한되었다.
• 6차 S₃-확장에서는 7방향의 단수 분류에서 어떤 분류기라도 38%를 초과한 정밀도를 달성하지 못했으며, 1 대 2 분류의 정점 정밀도는 60.5%에 머물렀다.
• 단수 3의 배수 여부 예측 성능은 약 51%로 무작위 수준에 가까워, 이러한 수론적 패턴을 학습하는 데 어려움이 있음을 시사했다.