TransformerのAttention計算において；行列の次元 $d$ の平方根でドット積を割る（スケーリングする）主な理由はどれか。

LLMのデコーディングにおいて；もっともらしい単語（確率の高い単語）だけでなく；複数の候補を枝分かれさせて探索し；全体の確率が最も高い文を選ぶ手法はどれか。