BRICKS: Compositional Neural Markov Kernels for Zero-Shot Radiation-Matter

우리는 입자 물리학에서 핵공학과 우주 공학, 의학 물리학에 이르는 다양한 분야에서 핵심적인 과제로서 방사선 - 물질 상호작용을 다루는 구성적 신경 대리 (compositional neural surrogates) 에 대한 새로운 전략을 소개합니다. 입자 상호작용의 국소성 (locality) 과 마코프 성질 (Markov nature) 을 활용하여, 리만 다양체 (Riemannian manifold) 상의 프로덕트 다양체 (product manifolds) 에서 하이브리드 이산 - 연속 트랜스포머 모델 (hybrid discrete-continuous transformer models) 을 기반으로 하는 ‘다음 입자 예측’ 커널 (next-particle prediction kernel) 을 생성합니다. 이 모델은 충돌 입자가 물질 부피와 상호작용한 결과인 변수 크기의 타입화된 입자 집합과 방사선 부작용 (radiation side effects) 을 생성합니다. 생성된 커널은 unseen 대규모 물질 분포를 0-shot 방식으로 시뮬레이션하기 위해 구성할 수 있습니다. 기계적 시뮬레이터와 달리, 우리 모델은 미분 가능하도록 설계되어 있으며, 향후 다운스트림 애플리케이션에 적용 가능한 tractable likelihoods 를 제공합니다. 단일 커널 실행에서 GPU 에 비해 CPU-bound 기계적 시뮬레이션보다 상당한 계산 속도 향상 (computational speed-up) 이 관찰됩니다. 우리는 커널 수준에서 모델을 평가하고, 다중 라운드 자기회귀 롤아웃 (multi-round autoregressive rollouts) 에서 예측 안정성 (predictive stability) 을 입증합니다. 또한 추가적으로 향후 연구를 위한 새로운 20M-event 방사선 - 물질 상호작용 데이터셋을 공개합니다.