우리는 거대 계층 구조(large hierarchies)와 거짓 진공(false vacua)의 존재가 특징인 영역에서 강하게 결합된 양자장론(strongly coupled quantum field theories)에 대한 홀로그래피 쌍대성(holographic duals)의 재구성을 조사합니다. 게이지/중력 쌍대성(gauge/gravity duality) 내에서 이러한 특징들은 비자명한 열역학적 거동과 인접하지 않은 고정점(fixed points) 사이의 스키핑 흐름(skipping flows)을 포함한 이색적인 재규격화 군 흐름(renormalization group flows)으로 변환됩니다. 물리 정보 신경망(Physics-Informed Neural Networks (PINNs))에 기반한 이전 연구를 바탕으로, 우리는 경계 열역학 데이터로부터 벌크 스칼라 퍼텐셜(bulk scalar potential)을 재구성하는 홀로그래피 역문제(holographic inverse problem)를 이 새로운 영역으로 확장합니다. 이 설정은 근-퇴화 상태(near-degenerate states), 에너지 스케일의 거대 계층 구조, 그리고 입력 데이터에 의해 직접적으로 탐사되지 않는 퍼텐셜 영역과 같은 다양한 개념적 및 수치적 과제를 제시합니다. 우리는 이러한 장애물들을 극복하는 일련의 방법론적 발전을 개발하여, 기존의 PINNs 기반 방법론을 개선하고 이전에는 도달할 수 없었던 새로운 물리적 영역으로 확장합니다. 개발된 프레임워크를 적용하여, 우리는 상당한 수치적 강성(numerical stiffness)에도 불구하고 기저 열역학의 물리적 특징과 견고한 일치를 달성하며, 거짓 진공 영역 깊숙이 스칼라 퍼텐셜을 정확하게 재구성함을 입증합니다. 우리의 결과는 홀로그래피와 머신러닝(machine learning) 사이의 가교를 확장하며, 데이터 기반 접근 방식이 강하게 결합된 시스템의 구조에 대한 새로운 통찰을 제공할 수 있음을 시사합니다.