Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
HAMON은 장기 시계열 예측을 위해 학습 가능한 위상 마스크와 자유 공간 회절을 활용하는 수동형 광학 시퀀스 혼합 기술을 제안합니다. 디지털 시퀀스 혼합 레이어 없이 수동형 광학 전파만으로 예측을 수행하며, 주요 벤치마크에서 기존 디지털 베이스라인보다 우수한 성능을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기단순한 선형 및 주파수 영역 모델은 장기 시계열 예측 (long-horizon time-series forecasting)에서 놀라울 정도로 경쟁력을 유지하고 있으며, 최근의 기계론적 증거는 표준 예측 벤치마크가 트랜스포머 (transformers)를 다른 도메인에서 강력하게 만드는 조밀한 중첩 표현 (dense superposed representations)을 반드시 필요로 하지 않을 수도 있음을 시사합니다. 이는 기저 수준의 질문을 제기합니다: 만약 핵심 예측 연산자 (forecasting operator)가 종종 저복잡도이며 근사적으로 선형적이라면, 이를 학습된 디지털 시간적 혼합 (learned digital temporal mixing)으로 구현할 필요가 있을까요? 우리는 HAMON을 소개합니다. 이는 과거 값을 광학 조리개 (optical aperture)에 인코딩하고, 미래 위치는 어둡게 남겨두며, 자유 공간 회절 (free-space diffraction)을 갖춘 직렬 연결된 학습 가능한 위상 마스크 (trainable phase masks)가 출력 필드에서 직접 예측을 형성하는 수동형 회절 광학 예측 코어 (passive diffractive optical forecasting core)입니다. 추론 시, 예측은 학습 가능한 디지털 시퀀스 혼합 (digital sequence-mixing) 레이어 없이 단 한 번의 수동형 광학 전파 (passive optical propagation) 과정을 통해 수행됩니다. 표준 벤치마크 전반에 걸쳐, HAMON은 ETTm2의 모든 예측 기간 (horizons)과 ETTh2의 가장 긴 기간을 제외한 모든 기간에서 고려된 가장 강력한 디지털 베이스라인 (digital baselines)보다 우수한 성능을 보였으며, MSE를 최대 14%까지 개선하였고, 특정 지점이 아닌 모든 기간에 걸쳐 일관되게 성능을 향상시켰습니다. Weather 데이터셋에서는 경쟁력을 보였으며, 나머지 ETT 설정과 채널 수가 많은 Traffic 및 Electricity 데이터셋에서는 가장 강력한 베이스라인에 뒤처졌습니다. 위상 인코딩 (Phase encoding), 강도 호환 판독 (intensity-compatible readout), 위상 스크램블링 (phase-scrambling) 절제 실험 (ablations) 및 TorchOptics 교차 시뮬레이터 검증을 통해, 예측이 디지털 예측 헤드 (digital forecasting head)가 아닌 데이터를 담고 있는 광학 필드 (optical field)로부터 발생함을 나타냅니다. 수동형 코어가 표준 푸리에 광학 (Fourier optics)을 사용하기 때문에, HAMON은 광학 하드웨어 및 수동형 물리적 시퀀스 혼합 (passive physical sequence mixing)을 위한 구체적인 목표를 정의합니다.