# Generative models on phase space

### 저자

Zachary Bogorad, Ibrahim Elsharkawy, Yonatan Kahn, Andrew J. Larkoski, Noam Levi

### 💡 개요

본 논문은 고에너지 물리학 데이터의 복잡한 분포를 학습하고 샘플링하는 데 있어 딥 생성 모델의 한계를 극복하기 위해, 물리적 제약 조건(질량 없는 N-입자 로렌츠 불변 위상 공간)을 내재화한 새로운 생성 모델을 제안합니다. 제안된 모델은 샘플링 궤적의 모든 단계에서 이러한 제약 조건을 엄격히 만족시키며, 특히 확산 모델의 경우 순수한 노이즈 단계가 위상 공간에서의 균일 분포에 해당하여 생성 과정의 해석 가능성을 높입니다. 이를 통해 본 연구는 다양한 특이점 구조를 가진 다수 입자 분포 학습을 성공적으로 시연하며, 향후 제트 데이터 기반 해석 가능성 연구의 길을 열었습니다.

### 🔑 시사점 및 한계

- 물리 법칙(에너지-운동량 보존 등)을 생성 모델에 내재화하여 데이터 분포 학습의 정확성과 해석 가능성을 향상시킬 수 있습니다.

- 확산 모델의 초기 상태를 물리적 제약 조건을 만족하는 균일 분포로 설정함으로써, 역과정(복원 과정)에서 물리적 상관관계가 어떻게 형성되는지 명확하게 추적하고 이해할 수 있습니다.

- 제안된 모델은 다양한 입자 수와 복잡한 특이점을 가진 물리적 분포를 학습할 수 있어, 시뮬레이션된 제트 데이터를 이용한 해석 가능성 연구에 기여할 수 있습니다.

- 특정 물리적 제약 조건(예: 질량 없는 N-입자 로렌츠 불변 위상 공간)에 초점을 맞추고 있어, 다양한 질량이나 비-로렌츠 불변 상황에 대한 확장성은 향후 연구 과제로 남아있습니다.

[PDF 보기](https://arxiv.org/pdf/2604.02415)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).