최저 고윳값이 $10^{-6}보다 조금 큰 양수로 나왔다면, 화면에 **양성**이라고 표시해도 될까요? [FINAL-Bench의 Weil Positivity Gauge](https://huggingface.co/spaces/FINAL-Bench/weil-positivity-gauge)에서 리만 제타 함수의 한 표본은 이 질문에 좋은 예를 제공합니다. 미세 격자의 추정치는 +1.0166\times10^{-6}$이지만, 두 격자의 값이 충분히 가깝지 않아 공개 원시 로그의 판정은 분해능 미달입니다.
이 글은 VIDRAFT·FINAL-Bench의 공개 글을 수치 선형대수와 재현성 관점에서 풀어 쓴 기술 정리입니다. 원본 게이지는 NumPy·SciPy·mpmath로 구현됐고, 아래 PyTorch 코드는 일반화 고윳값 풀이를 확인하기 위한 별도 예제입니다. 유한 격자의 수치 관측, 공개된 Lean 증명의 형식 검증, 증명 자체의 저작은 서로 구분합니다.
그림 1. Weil 양성 조건을 유한 격자의 일반화 고윳값 문제로 옮기는 경로. 이 계산 경로에 Lean 증명 검사는 포함되지 않습니다.
1. 수론의 명제를 계산 가능한 연산자로 옮기기
제타 함수에 대한 Weil 판정법은 적절한 테스트 함수 전체에서 특정 이차형식이 음수가 아님과 리만 가설을 연결합니다. Masatoshi Suzuki의 논문(v4)은 이 이차형식을 스크루 함수(screw function)로 표현하는 연산자 틀을 제공합니다. 게이지는 유한 구간에서 이 표현을 이산화하고, 실수 원시 Dirichlet 문자 네 사례에도 대응하는 커널을 구성합니다. ζ에 대한 Suzuki의 이론, FINAL-Bench의 Dirichlet 수치 구성, a\to\infty 극한에 대한 Suzuki의 스펙트럼 추측은 같은 명제가 아닙니다.
실험에서 사용하는 형식을 기호만 남겨 쓰면 다음과 같습니다.
$g_\chi$에는 감마 함수에서 오는 항, 제타 함수에만 적용하는 극점 항, 그리고 $\chi(n)\Lambda(n)n^{-1/2}로 가중한 소수 거듭제곱 항이 들어갑니다. 소수 거듭제곱 항의 지지집합은 (t-\log n)_+$로 제한됩니다. 따라서 $0\le t\le 2a$에서는 $n>e^{2a}$인 항을 평가할 필요가 없습니다. 여기서 $a$를 바꾸는 것은 실험 구간과 유효 산술 항을 바꾸는 것이고, $N$을 바꾸는 것은 같은 구간의 격자 해상도를 바꾸는 것입니다. 두 효과를 같은 축으로 해석하면 안 됩니다.
2. 유한요소 조립: 셀 $N$개에서 내부 자유도 $N-1$개로
조립 코드의 N은 행렬 크기가 아니라 균일 셀의 개수입니다. 셀 간격은 h=2a/N, 노드는 $N+1$개입니다. 양 끝점을 고정하면 P1(구간별 선형) 내부 기저는 $N-1$개가 남습니다.
- $t\in[0,2a]$에서 $8N+1$개의 커널 표본을 만들고 누적 사다리꼴 적분을 두 번 적용합니다. 적분값을 셀 격자로 다시 샘플링한 뒤 2차 차분을 취해 셀 간 거리별 적분값을 얻습니다.
- 간격에만 의존하는 셀 적분을 Toeplitz 행렬로 배열합니다. P1 기저의 부호 있는 미분을 적용하고 대칭화해 강성 행렬 $K$를 조립합니다. 공개 코드의 변수명은
Q입니다. - 질량 행렬은 $M=(h/6)\operatorname{tridiag}(1,4,1)$입니다. $M$은 대칭 양의 정부호이며, 공개 구현은 SciPy의
eigh(K, M, subset_by_index=[0, 0])로 최저 고윳값을 구합니다. 즉, $K$만의 고윳값을 세는 것이 아닙니다.
커널의 특수함수 일부에는 mpmath를 쓰지만, 보간 뒤의 행렬 조립과 고윳값 풀이는 배정밀도 부동소수점입니다. mpmath 설정이 전체 파이프라인을 임의정밀도 계산이나 오차 인증으로 바꾸지는 않습니다. 또한 현재 코드는 Toeplitz 구조가 있어도 밀집 행렬로 만들어 풉니다. $N=6400$에서 float64 행렬 K,M 두 개만 약 625 MiB입니다. 셀 행렬, 인덱스 배열, 임시 복사본, 풀이 작업공간은 이 수치에 포함되지 않습니다.
3. 양수, 음수, 미판정을 분리한 이유
공개 배치 실험은 같은 $a$에서 $N=800$과 $N=1600$을 비교합니다. $r=\lambda_{800}/\lambda_{1600}$일 때, 판정 코드는 미세 격자의 값이 양수이고 $0.9<r<1.1$이면 양성 수렴, 두 값이 음수이고 $0.5<r<1.5$이면 음성 수렴으로 표시합니다. 미세 격자가 양수여도 $r\ge1.1$이면 분해능 미달입니다. 이 기준은 수치적 분류 규칙이지, 엄밀한 오차 상한이 아닙니다.
그림 2. 공개 원시 JSON의 선택된 구간을 재시각화했습니다. 제타 $a=0.50$의 빈 마름모는 양수 추정치이지만 수렴 판정에 실패한 점입니다. 다른 미판정점은 그래프에서 생략했습니다.
- 원래 함수: 제타는 $a=0.35$에서 \lambda_{1600}\approx1.1980\times10^{-3}, $r\approx1.004$로 양성 분류를 통과했습니다. $a=0.50$의 양수 추정치는 $r\approx1.212$여서 통과하지 못했습니다. $q=8$의 공개 문자 사례는 $a=1.00$에서 약 9.2455\times10^{-4}, $r\approx1.007$로 통과했습니다. 이는 전체 Dirichlet 문자에 대한 수치 판정이 아닙니다.
- 변형 대조군: 제타의 극점 항 제거, q=3 문자에서 감마 항의 짝홀성 교체, 같은 문자의 소수 가중치 반전은 $a=0.50$에서 각각 약 $-1.987,-0.421,-0.403$을 보였습니다. 세 번째 대조군은 $a=0.35$에서 여전히 $+0.135$였고, 공개 샘플 중 $a=0.40$에서 처음 음수로 관측됐습니다. 산술 항이 처음 들어오는 시점과 고윳값의 부호 전환 시점을 동일시할 수 없습니다.
더 근본적인 한계도 있습니다. 정확히 조립된, 중첩된 Galerkin 부분공간에서 Rayleigh–Ritz 최솟값은 전체 최솟값에 대한 상계입니다. 유한 공간에서 양수가 나와도 그 밖의 방향까지 양수임을 보장하지 않습니다. 실제 구현에는 구적·보간·반올림 오차까지 있으므로, 두 격자 비율만으로 엄밀한 부호 인증을 할 수도 없습니다. 고윳값 잔차가 작다는 사실과 연속 연산자 오차가 작다는 사실도 따로 검증해야 합니다.
4. 경계 거동도 같은 파이프라인으로 교차 점검하기
경계 실험 코드는 고유함수의 절댓값을 최대값으로 정규화한 뒤, 경계 거리 $d$의 연속된 로그 구간에서 두 기울기를 회귀합니다. 하나는 \log|u| 대 $\log d$의 기울기 B, 다른 하나는 |u|^{-2} 대 $\log(1/d)$의 기울기 $S$입니다. 고정된 멱법칙이면 $B$가 안정돼야 하고, 역제곱근 로그 형태라면 $S$가 안정되는 것이 자연스럽습니다.
그림 3. 제타 첫 고유함수, a=0.20, N=6400. 공개 로그의 국소 회귀값이며, 4.9908을 보편 상수로 읽을 수는 없습니다.
이 실험에서 $B$는 $0.3513\to0.1146$으로 내려가고, $S$는 $3.7580\to4.9908$로 접근했습니다. 같은 파이프라인의 표준 디리클레 라플라시안 대조군은 경계 근처에서 멱지수 1에 가까웠습니다. 관측은 |u(d)|\sim c(\log(1/d))^{-1/2} 형태와 일치하지만, 이 고유함수나 모든 모드에 대한 경계 정리를 증명한 것은 아닙니다. 로그 라플라시안의 경계 정칙성 논문은 관련 이론으로 읽을 수 있되, 두 연산자를 동일시할 근거는 아닙니다.
5. PyTorch로 풀이 단계만 교차 검산하기
PyTorch의 torch.linalg.eigh는 표준 대칭 고윳값 문제를 풉니다. $M=LL^\top$으로 Cholesky 분해한 뒤 $C=L^{-1}KL^{-\top}$를 만들면 표준 문제로 옮길 수 있습니다. 역행렬을 만들지 않고 삼각계 풀이를 두 번 사용합니다. 고유벡터는 $v=L^{-\top}u$로 되돌리고 원래 행렬 쌍 (K,M) 에서 잔차를 확인합니다.
import math
import torch
@torch.no_grad()
def lowest_generalized_pair(K: torch.Tensor, M: torch.Tensor):
"""Real symmetric K, real symmetric positive-definite M."""
if K.dtype != torch.float64 or M.dtype != torch.float64:
raise ValueError("Use float64 for the numerical reference.")
for A in (K, M):
if not torch.allclose(A, A.mT, rtol=1e-12, atol=1e-14):
raise ValueError("A matrix is not symmetric within tolerance.")
L = torch.linalg.cholesky(M)
Y = torch.linalg.solve_triangular(L, K, upper=False)
C = torch.linalg.solve_triangular(L, Y.mT, upper=False).mT
C = (C + C.mT) / 2
w, U = torch.linalg.eigh(C)
lam = w[0]
v = torch.linalg.solve_triangular(L.mT, U[:, :1], upper=True)[:, 0]
residual = torch.linalg.vector_norm(K @ v - lam * (M @ v))
scale = (
torch.linalg.matrix_norm(K, ord="fro")
+ lam.abs() * torch.linalg.matrix_norm(M, ord="fro")
) * torch.linalg.vector_norm(v)
return lam, residual / scale.clamp_min(torch.finfo(K.dtype).tiny)
K = torch.tensor([[2.0, 1.0], [1.0, 2.0]], dtype=torch.float64)
M = torch.diag(torch.tensor([2.0, 1.0], dtype=torch.float64))
lam, scaled_residual = lowest_generalized_pair(K, M)
assert math.isclose(lam.item(), (3 - math.sqrt(3)) / 2, abs_tol=1e-12)
assert scaled_residual.item() < 1e-12
assert lowest_generalized_pair(K - M, M)[0].item() < 0
print(f"lambda_min={lam.item():.12f}, scaled_residual={scaled_residual.item():.2e}")
본문 작성 중 CPU FP64로 위 예제를 실행해 $\lambda_{\min}=0.633974596216$을 확인했습니다. 공개 조립 함수로 만든 N=128, $a=0.35$의 제타 및 극점 제거 대조군 두 사례에서도 PyTorch와 SciPy의 최저 고윳값이 절대차 10^{-10} 이내에서 일치했습니다. 이 확인은 작은 행렬에서 풀이 단계를 비교한 것이며, 그림의 전체 실험을 새로 재현한 결과는 아닙니다.
이 코드는 작은 밀집 문제의 검산용입니다. PyTorch 예제는 전체 고유계산을 하므로 SciPy의 선택 고윳값 풀이와 같은 작업량이 아닙니다. 원본을 최적화하려면 먼저 커널 준비 → 행렬 조립 → 디바이스 전송 → 고윳값 풀이를 따로 계측하는 것이 좋습니다. 균일 격자에서는 $K=D^\top T D$의 Toeplitz 셀 행렬 $T$에 대해 torch.fft를 활용하는 행렬-벡터 곱을 후보로 삼을 수 있습니다. 다만 빠른 곱 하나만으로 최저 고윳값의 속도나 정확도가 보장되지는 않습니다. 일반화 대칭성을 유지하는 반복 풀이, 수렴 반복 수, 원래 행렬 쌍에서의 잔차, 대조군의 부호 일치를 같이 비교해야 합니다. 이는 후속 실험 설계이며, 이 글은 GPU 가속 수치를 주장하지 않습니다.
6. 수치 결과와 Lean 검증을 각각 재현하기
수치 결과를 보려면 실행 화면을 사용하거나, 아래 공개 리비전을 받아 두 스크립트를 실행하면 됩니다. 배치 결과의 800/1600 비교를 화면에서 맞추려면 공개 앱 코드 기준으로 미세 격자 $N=1600$을 선택합니다.
git clone https://github.com/final-bench/weil-positivity-gauge.git
cd weil-positivity-gauge
git checkout ee84d956ca7df8f5a01fdac394d880a5a366573e
python -m pip install numpy scipy mpmath
python code/grh_positivity.py
python code/boundary_law2.py
| 근거 | 확인 범위 | 이 결과만으로 말할 수 없는 것 |
|---|---|---|
| 수치 코드·결과 | 지정 구간과 유한 격자의 고윳값·대조군·경계 진단 | 전체 테스트 함수의 비음성, 형식 증명 |
| 게이지에 포함된 Lean 코드 | 명시적인 입력 아래 아르키메데스 상수의 소거, 급수의 수렴·점화식 등 | 부동소수점 게이지 전체의 검증, 반정수 오프셋에 대한 원문의 순환 위상 해석 성립 |
| Levent Alpöge의 공개 발표 · Lean·Mathlib 공동 검증 · Andrew Sutherland의 독립 검증 기록 | Alpöge가 Claude와의 작업으로 발표한 Lean 증명 및 별도의 독립 검사. Sutherland 기록에는 Dirichlet L-함수에 대한 형식 정리도 포함 | 일반적인 모든 Hecke·Dedekind·자동형 L-함수까지 확인됐다는 주장 |
VIDRAFT는 공개 글의 별도 재현 절에서 공개 Lean 릴리스를 재빌드해 175,187개 모듈과 183,903개 빌드 작업을 오류 없이 처리했다고 보고했습니다. 이는 증명의 저작이나 수치 게이지의 실행과 별개입니다. 재현할 때는 아카이브 해시, Lean/Mathlib 버전, 최종 정리의 공리 목록을 각각 확인할 수 있습니다. 단순한 빌드 성공과 정리의 문장이 맞는지 확인하는 일, 그리고 증명 항을 커널이 검사하는 일은 구분해서 보는 것이 좋습니다.
마치며
이 프로젝트에서 가장 유용한 기능은 양수를 많이 보여주는 것이 아니라, 판정할 수 없는 양수를 따로 보여주는 것입니다. PyTorch로 옮길 때도 먼저 같은 $K,M$과 같은 대조군에서 FP64 기준 결과를 확보하고, 성능을 바꿔도 미판정과 부호가 보존되는지 확인해야 합니다. 특히 밀집 eigh와 Toeplitz 행렬-벡터 곱을 비교하신다면, 최소 고윳값 하나의 시간뿐 아니라 구적·조립 비용, 반복 수, 정규화 잔차, 격자별 부호 일치를 함께 공유해 주시면 서로의 결과를 훨씬 쉽게 재현할 수 있습니다.