유능한 모델과 인간 검토자가 같은 결정에 협력할 때, 어떤 인간이 여전히 가치를 더하는가? 우리는 이것이 메타인지적 보정, 즉 검토자의 행동상 확신과 판단의 실제 정확성 사이의 일치라는 단일한 인지 특성에 관한 질문이라고 주장한다. 이를 정밀하게 하기 위해 검토자 가치에 대한 특성 이론을 전개한다. 이 이론은 다섯 가지 주장을 한다. 첫째, 가치는 활동량, 속도, 동의 정도, 근속 기간이 아니라 보정에 의해 결정된다. 둘째, 보정은 행동 텔레메트리에 관찰 가능한 흔적을 남긴다. 셋째, 이러한 흔적은 그 자체로는 진단적이지 않은데, 보정된 전문가의 빠르고 수정이 적은 특징은 결과에 의해 걸러지기 전까지는 자신감 있는 초심자의 특징과 구별되지 않기 때문이다. 넷째, 인간의 보정과 모델의 자기 지식은 동일한 구성개념이므로, 결합 시스템은 각 항목에서 더 잘 보정된 쪽에 판단을 맡겨야 한다. 다섯째, 개인의 보정은 단일 판단의 수준보다 위에서만 인과적으로 식별 가능하다. 우리는 AI 지원 회계 시스템의 6개월간 운영 기간(검토자 이벤트 541621건, 검토자 483명)을 바탕으로 각 주장을 검증하며, 순수하게 행동에 기반한 전문성 프로파일이 실제와 반대로 나타나 과신하는 집단(수정 유지율 5.2퍼센트)에 진짜 전문가(99.2퍼센트)보다 더 높은 점수를 준다는 것, 검토자의 품질이 근속 기간에 걸쳐 일정하여 이 특성이 업무 중에 학습되지 않는다는 것, 그리고 좋은 검토자와 나쁜 검토자를 가르는 동일한 보정 논리를 모델에 적용하면 인간의 노력 중 92.5퍼센트를 실제 오류에 집중시킨다는 것을 확인한다. 마지막으로 이 이론이 지켜야 할 경계를 제시한다. 다수결 집계 하에서는 개인의 인과적 가치를 식별할 수 없다.
AI 시스템은 모델, 데이터, 컴퓨팅, 자본, 인재 및 기타 자산을 제공하는 여러 조직에 걸쳐 구축된다. AI 스택의 계층은 비교적 잘 이해되어 있으나, 계층 간 행위자와 구성 요소 사이의 관계는 여전히 문서화가 부족하다. 본 연구는 AI 공급망을 이루는 조직, 즉 AI의 개발과 배포에 기여하는 행위자들의 복잡한 네트워크에 초점을 맞춘다. 집중, 권력, 병목, 연쇄 장애, 분절된 책임, 위험에 대한 우려를 부각하며 조직 차원의 AI 공급망을 검토해야 하는 동기를 제시하고, AI 공급망을 지도화하는 파이프라인을 설명한다. 이 파이프라인은 본 연구의 주요 기여인, AI 생태계 내 행위자와 관계로 이루어진 다층 대규모 데이터셋을 산출하며, 이 데이터셋에는 날짜, 설명, 유형, 태그 등이 주석으로 달려 있다. 본 연구는 모델, 데이터, 칩, 인프라, 자본, 심지어 인재가 조직 간에 어떻게 흐르는지를 목록화함으로써 AI 공급망과 그 특성을 체계적으로 지도화하고 측정하는 방향으로 한 걸음 나아간다. 이 데이터는 산업 관계에 대한 비판적 검토를 가능하게 하며 AI 개발과 집중의 정치경제에 대한 통찰을 제공한다. 가장 중심적인 행위자 연구, 네트워크 집중도 분석, 커뮤니티와 병목 식별 등 몇 가지 예시 분석을 제시한다. 데이터셋은 상당히 포괄적이지만 필연적으로 불완전하기도 하며, 공개 문서에는 비공개 거래가 빠져 있고 포괄 범위는 검색 설계에 따라 달라진다. 이러한 접근, 데이터, 발견은 종합적으로 AI 생태계를 연구하기 위한 자원으로 쓰이는 것을 목표로 한다. 데이터셋은 https://huggingface.co/datasets/sarahcen/ai-supply-chain 에서 공개되어 있으며 https://aisupplychains.org/ 에서 대화형으로 탐색할 수 있다.
실제 환경의 하네스 엔지니어링은 개발과 검증을 이끄는 명시적·암묵적 사용자 요구사항에 의해 추진된다. 그러나 기존 하네스 진화 방법은 암묵적 요구사항과 상호작용 필요를 간과하는 경우가 많으며, 단일 진화 에이전트가 하네스를 수정하고 벤치마크 점수로 변경 사항을 선택한다. 이 과정은 좁은 범위의 패치를 만들어 내고 벤치마크에 특화된 지역 최적에 빠지게 하는 경우가 많다. 본 연구는 실제 엔지니어링 관행을 하네스 진화에 도입하는 요구사항 중심 루프인 Agentic Harness Engineering Beta(AHE-Beta)를 소개한다. 이 루프는 세 단계로 구성된다. (1) 사용자 주도 평가에서는 시뮬레이션된 사용자가 여러 턴에 걸쳐 하네스를 사용하면서 자신의 요구사항을 이슈로 제기한다. (2) 팀 기반 수정에서는 해당 요구사항을 과제 특화 패치가 아닌 일반화 가능한 변경으로 구현한다. (3) 요구사항 기반 선택에서는 검증된 요구사항을 해결하고 리뷰를 통과한 경우에만 변경을 병합한다. 실험적으로 보류된 과제에서 AHE-Beta는 Base Harness보다 토큰을 40.8% 적게 사용하면서 pass@1을 21.9%에서 33.3%로 높이고, Claude Code, Meta-Harness, AHE보다 높은 pass@1을 달성한다. 블라인드 인간 A/B 테스트에서 실제 사용자는 유효한 48쌍 중 31쌍에서 AHE-Beta를 선호하며 다섯 가지 모든 차원에서 더 높게 평가하는데, 이는 사용자 시뮬레이터의 방향성 선호와 일치한다. 인간 A/B 결과는 AHE-Beta가 하네스 진화를 실제 사용자 요구사항에 정렬한다는 목표를 달성함을 보여 준다. 추가 진화 없이도 이득은 GLM-5.3과 DeepSeek-V4.1-Flash로 전이되어 Base Harness 대비 pass@1이 각각 15.8%, 5.3% 향상된다. 이러한 결과는 종합적으로 요구사항 중심의 하네스 진화가 에이전트 역량을 개선하는 더 일반적인 방법임을 보여 준다.
대규모 언어 모델(LLM)은 이제 앨런 튜링의 1950년 모방 게임에서 강한 성능을 보이므로, 기계가 일반적인 인간이 아닌 특정 개인을 대화에서 복제할 수 있는지를 묻는 더 어려운 과제인 개인 모방 게임을 제안한다. 30명의 참가자를 대상으로 한 실험에서 인간 기준선을 확립하고, 질문자가 의존하는 정체성 신호인 문체 특징, 성격 특성, 전기적 사실을 보고한다. 이 프레임워크를 시연하기 위해, 10년에 걸친 개인 디지털 커뮤니케이션의 자기민족지 데이터셋을 활용하여 본 논문 저자 중 한 명을 대신해 게임을 수행하는 LLM 기반 시스템을 설계한다. 20명 규모의 기만 연구에서 질문자는 10라운드 중 7라운드에서 저자의 친구들보다 본 시스템을 선택했고, 20번 중 13번은 본 시스템보다 저자를 선택했으며, 두 비율 모두 이 표본 크기에서는 우연과 구별되지 않는다. 설계 개선, 개인 AI 에이전트의 응용, 정체성과 프라이버시에 대한 함의를 논의한다.
에이전트형 인공지능(AI)이 전력전자 분야에 등장하고 있으며, 엔지니어가 대부분 수작업으로 완결하던 시뮬레이션 루프를 주도하고 있다. 이 루프에서는 컨버터 설계 또는 이와 연결된 네트워크에 대한 연구가 구축되고, 실행되고, 측정되며, 사양을 충족할 때까지 수정된다. 이러한 에이전트는 클라우드 API나 사내 추론 장치에서 구동될 수 있다. 설계, 고객 데이터 또는 수출 통제 자료를 사외로 반출할 수 없고 시뮬레이터 라이선스가 사내에 있는 조직에는 로컬 배포가 자연스러운 선택이다. 이러한 배포에서 에이전트는 조직 자체 장비의 전기 부하가 되며, 모든 실행이 로컬 장치에서 전력과 에너지를 소비하고 토큰을 생성하며 시간을 소요한다. 그러나 기존 연구는 주로 클라우드 호스팅 모델로 에이전트가 달성할 수 있는 것에 초점을 맞춘다. 실제 시뮬레이션 작업에서 로컬 배포가 전력, 에너지, 토큰, 시간 측면에서 얼마나 비용이 드는지, 그리고 그 선택들이 서로 어떻게 상충하는지는 비교 가능한 조건에서 정량적으로 거의 연구되지 않았다. 이러한 격차를 해소하기 위해 본 논문에서는 체계적인 평가 프레임워크를 제시한다. 이 프레임워크는 로컬에서 구동되는 모델을 컨버터 수준부터 시스템 수준까지의 에이전트형 전력전자 작업에 적용하고, 전력, 에너지, 토큰, 시간 비용을 측정한다. 이러한 측정을 바탕으로 해당 작업에서 로컬 에이전트의 능력 경계와 해결된 작업당 비용을 규명한다. 이 결과는 전력전자와 그것이 지원하는 전력 시스템에서 에이전트형 AI를 활용하는 데 실용적인 통찰을 제공할 것으로 기대된다.
거대 언어 모델(LLM)은 모델이 무엇을 계산하는지 설명하고, 결함을 찾아내며, 심지어 모델 속의 새로운 지식을 드러낼 수 있다는 기대 아래 임상 예측 모델을 설명하는 데 사용된다. 우리는 답을 검증할 수 있는 영역에서 이 세 가지 기대를 시험하였다. International Stroke Trial에서 먼저 무작위 배정된 환자들을 대상으로 두 가지 결과에 대해 네 종류의 모델(로지스틱 회귀, 설명 가능한 부스팅 머신, 그래디언트 부스팅 트리, 신경망)을 학습시키고, 24개의 사본 각각에 하나의 결함(과소 예측되는 하위 집단, 반전된 위험 인자 또는 비현실적인 단계)을 심은 뒤 8개의 결함 없는 모델과 섞었다. GPT-6 Astra는 모델의 예측만 반환하는 도구를 통해 각 모델을 눈가림 상태로 세 번씩 감사하였으며, 판정 규칙은 모든 실행 이전에 확정되어 프로그램으로 적용되었다. 중앙값 128개 항을 갖는 대리 모델은 감사 대상 모델의 로그 오즈를 평균 $R^2$ 0.976으로 재현하였다(분석가가 적합한 42개 항의 가법 대리 모델은 0.959). 이 모델은 72회 실행 중 69회(96%; 95% 신뢰구간 80%~99%)에서 심어진 결함을 찾았으며, 이를 위해 작성된 스크립트는 24개를 모두 찾았다. 또한 훨씬 많은 문제를 보고하였다. 검증 가능한 1,089건의 보고 중 60%가 모델의 평균 행동에 대한 사전 지정 검사를 통과하지 못했고, 사후 분석에서 이들 대부분은 실제로 존재하지만 작은 단계였으며, 검증 가능한 보고의 15%는 모델에서 발견되지 않았다. 결함 없는 모델에서 읽어낸 601개의 예기치 못한 관계 중 11%가 이후 무작위 배정된 환자들에서도 성립하였다(무작위 쌍 6%; 회귀 탐색에서 가장 강한 후보로 추린 더 짧은 목록 28%). 학습 데이터에 대한 검사 후에는 33% 대 30%였다. 질의 접근만으로도 LLM은 블랙박스 모델을 충실하게 기술하고 심어진 거의 모든 결함을 찾을 수 있으며, 이는 목적에 맞게 작성된 스크립트도 마찬가지였다. 다만 문제에 대한 보고는 모델에서, 발견은 데이터에서 검증해야 한다.
밀집된 문서를 읽는 시각 에이전트는 한정된 관측 예산을 후보 영역에 배분해야 하지만, 답변 정확도는 에이전트가 어디를 보는지, 남은 읽기에 어떻게 적응하는지, 관측이 멈춘 뒤 어떻게 답하는지를 뒤섞어 버린다. 우리는 공개 증거와 영역 바인딩을 고정한 채 남은 예산이나 선언된 과제 매개변수만 교란하고, 획득된 모든 이력에 정확한 연속 가치를 부여하는 평가 프로토콜인 예산 쌍 반사실적 감사를 도입한다. 그 결과로 얻는 회계 방식은 손실된 기대 정확도를 단계별 획득 손실과 최종 결정 손실로 분해하여 계획을 고정 역할 휴리스틱과 구분한다. 40개의 쌍을 이룬 라우팅 앵커와 다섯 개의 오픈 웨이트
기존 AI 에이전트는 정보를 검색하고, 도구를 호출하고, 실험을 수행하며, 다단계 출력을 생성할 수 있다. 그러나 대부분은 비교적 정적인 워크플로를 중심으로 구축되어 있어 환경이 변함에 따라 신뢰할 수 있는 상태를 유지하는 데 어려움을 겪는다. 금융 트레이딩에서는 가격, 뉴스, 시장 상황, 포트폴리오 포지션, 가용 자본이 끊임없이 변하므로 이러한 한계가 특히 중대한 결과를 낳는다. 결과는 올바른 시점, 데이터 스냅샷, 실행 맥락에 묶여 있을 때에만 유용하다. 본 논문에서는 금융 트레이딩 에이전트를 구축, 평가, 진화시키기 위한 포괄적인 에이전트 네이티브 트레이딩 프레임워크이자 올인원 워크스페이스인 Vibe-Trading을 제안한다. 이 프레임워크는 시장 조사, 금융 데이터, 전략 생성, 백테스팅, 포트폴리오 분석, 모의 트레이딩, 멀티 에이전트 협업, 그리고 선택적 브로커 실행을 통합한다. 핵심 기여는 연구에서 실행에 이르는 전 과정에서 결과, 근거, 연구 이력, 트레이딩 권한을 서로 연결된 상태로 유지하는 아키텍처이다. 각 결과는 출처, 시간 범위, 설정, 그리고 이를 생성한 실행 정보를 유지한다. 공유된 근거 기반(grounding)은 검증을 가능하게 하고, 버전이 관리되는 연구 기록은 재현 가능한 연속 수행을 지원하며, 명시적인 권한 게이트는 전략 연구와 실거래 실행을 분리한다. 이러한 설계들은 결과를 추적하고 재현할 수 있으며 명시적 권한 하에서만 실행에 옮길 수 있는 트레이딩 에이전트를 위한 실용적 토대를 제공한다.
언어 모델은 학습 데이터로부터 능력을 획득하며, 개발자는 모델이 오용될 수 있는 능력을 학습하지 못하도록 학습 중 데이터를 제외한다. 이것이 능력의 획득을 얼마나 지연시키는지, 그리고 나중에 그 능력을 획득하는 데 얼마나 많은 데이터가 필요한지는 알려져 있지 않다. 본 연구에서는 모델이 나머지 학습 데이터에서 이루는 일반적 진전이 제외된 데이터를 대체함을 보인다. 우리는 체스, 오델로, 분자 문자열, 괄호 언어, 웹 텍스트 모델에서 개별 기술에 대한 학습 신호를 제외하였다. 더 큰 모델에서 제외된 기술의 지연 정도는 더 작은 모델로부터 예측되었다. 체크에 대응하도록 명시적으로 학습된 적이 없는 체스 모델도, 학습된 모델과 거의 비슷한 수준으로 합법적인 대응 수들의 순위를 매겼다. 이후 모델을 제외되었던 데이터로 학습시키자, 초기화 상태에서 필요한 데이터의 작은 일부만으로 해당 기술을 획득했으며, 이 비율은 모델이 진전될수록 감소하였다. 난이도가 동일한 대조 규칙은 훨씬 더 느리게 학습되었다. 70억 개 파라미터 모델의 학습 텍스트에서 제외된 프로그래밍 언어 역시 같은 방식으로 다시 획득되었다. 따라서 데이터 필터링은 능력의 획득을 지연시키지만, 이를 되찾는 데 필요한 데이터는 모델이 향상될수록 감소한다.
월드 모델은 자율주행에서 자차의 행동에 따라 장면이 어떻게 전개되는지를 예측하는 데 점점 더 많이 사용되며, 반사실적 추론과 모델 기반 계획을 뒷받침한다. 그러나 기존 평가는 예측 충실도와 계획 성능에 초점을 맞추며, 예측이 조건으로 주어진 행동에 의존하는지는 거의 검증하지 않는다. 본 논문에서는 과거 분할 결과와 자차의 행동으로부터 미래의 의미론적 분할을 예측하는 행동 조건부 의미론적 예측에서의 행동 의존성을 연구한다. 우리는 특징별(feature-wise) 및 입력 수준 행동 조건화를 갖춘 예측기를 행동 입력이 없는 동일한 모델과 비교하고, 표준 분할 지표로 평가한 테스트 시점 행동 개입을 통해 행동 의존성을 측정한다. 이 평가는 행동 의존적 동역학이 알려진 합성 환경에서 검증되었으며, 각 데이터셋 내부와 두 차량 플랫폼 간 모두에서 Cityscapes와 BDD100K에 적용되었다. 실험 결과, 실제로 수행된 행동은 중기 mIoU를 Cityscapes에서 최대 2.5포인트, BDD100K에서 최대 0.6포인트 향상시키는 데 그친 반면, 잘못된 행동은 이를 최대 23.2포인트와 7.0포인트 감소시켜 행동 입력이 없는 모델보다 낮아졌다. 실제 데이터에서 특징별 조건화는 비슷한 정확도에서 입력 수준 조건화보다 행동에 1.6배 더 의존한 반면, 이력이 행동을 결정하지 않는 합성 환경에서는 둘이 동등하게 의존하였다. 이러한 결과는 정확도 향상이 주행 월드 모델이 행동을 사용한다는 점은 나타내지만, 예측이 행동에 얼마나 강하게 의존하는지는 나타내지 않음을 보여 준다. 코드는 https://github.com/binayksingh/does-action-matter 에서 이용할 수 있다.
대규모 언어 모델(LLM)은 심리적 속성을 추론하고, 개인의 행동을 예측하며, 인간 집단을 시뮬레이션하는 데 점점 더 많이 사용된다. 그러나 그럴듯한 응답을 생성함에도 불구하고, 개인을 잘못 표현하고 집단 통계를 왜곡하는 경우가 많다. 본 논문에서는 인간 행동을 측정하고 예측하는 파운데이션 모델인 Chiron을 소개한다. 우리는 LLM이 심리적 구성개념을 표현하고, 개인의 행동을 예측하며, 집단의 응답 분포를 인간 통계와 정렬하도록 공동으로 미세 조정한다. 학습 및 평가 데이터는 36개 행동 영역과 78개 사회과학 실험에 걸쳐 있으며, 288,307건의 개인 기록, 1,411,750건의 원자적 행동 의사결정, 그리고 109개 심리적 구성개념에 대한 99,953건의 심리측정 평가로 구성된다. 평가 결과, Chiron의 심리 측정은 인간의 자기보고와 더 가깝게 일치하며 심리측정적 타당도를 해치는 편향이 더 적게 나타난다. 이 모델은 최첨단 LLM보다 개인 행동을 더 정확하게 예측한다(최대 28.4%의 상대적 향상). 사회과학 실험 시뮬레이션에서는 인간 실험 효과의 방향과 크기를 더 정확하게 포착한다(효과 크기 추정 오차가 82.2--94.3% 낮음). 이러한 결과는 종합적으로 Chiron이 인간 행동을 측정하고 예측하기 위한 통합 계산 도구임을 입증한다.
옥상 태양광 발전은 세 가지 질문을 제기한다. 가구가 투자해야 하는가, 어떤 인센티브가 국가에 비용이 가장 적게 드는가, 그리고 배전 선로가 한계 내에 머무르는가이다. 이러한 질문을 하는 사람들은 모델링 전문가인 경우가 드물다. 우리는 하나의 시뮬레이션 코어로 튀르키예 요금 규정 하에서 이 세 가지 모두에 답하는 의사결정 지원 소프트웨어인 LAaDT-DSS를 제시한다. 비전문가는 3D 지도에서 집을 클릭하거나 일상적인 말로 질문하여 이를 이용할 수 있으며, 언어 모델은 계산을 수행하는 것이 아니라 시뮬레이션 도구를 호출하도록 지시받는다. 125개 항목으로 이루어진 매개변수 레지스트리의 각 항목은 출처가 있는 값 또는 추정값으로 표시된다. 사례 연구로 이 시스템을 시험한다. 이 시스템의 태양광 발전량은 손실을 동일하게 맞췄을 때 두 개의 독립적인 도구와 $\pm$3.6% 이내로 일치한다. 추정된 입력의 2,048회 추출 전반에서 태양광 단독에 대한 답은 한 번을 제외하고 모두 유지되었으며, 배터리가 있는 경우에는 추출의 31-41%에서 답이 바뀌었다. 스크립트로 구성된 네 가지 채팅 시나리오가 처음부터 끝까지 실행되었으며, 사용자 연구는 수행되지 않았다.
양자 기계학습(QML)은 고전 모델로 재현하기 어려운 특징 표현을 구성할 수 있는 잠재적 방안으로서 관심이 높아지고 있다. 그러나 학습 가능한 매개변수화 양자 회로에 기반한 근시일 내 QML 아키텍처는 제한된 하드웨어 자원, 잡음, 그리고 barren plateau와 같은 심각한 최적화 난점의 영향을 여전히 받고 있다. 본 연구에서는 변분 양자 학습을 고정된 양자 특징 맵의 입력 의존적 선택 및 결합으로 대체하는 Soft Mixture of Quantum Experts 아키텍처인 Soft-MoQE를 제안한다. 이 모델은 각각 서로 다른 임베딩을 정의하는 학습 불가능한 양자 회로들의 이질적 풀과, 각 데이터 포인트에 대해 이러한 임베딩의 가중치를 학습하는 고전 게이팅 네트워크로 구성된다. 우리는 PCA로 차원을 축소한 세 가지 과제인 MNIST 홀짝 분류, MNIST 10-클래스 분류, FashionMNIST에서 Soft-MoQE를 벤치마크한다. Soft-MoQE는 최고의 단일 전문가, 모든 전문가의 균등 평균, 선형 기준 모델보다 우수한 성능을 보이며, 양자 매개변수를 전혀 최적화하지 않고도 양자 학습 비용을 수 자릿수 낮추면서 학습 가능한 양자 신경망과 과제에 따라 비슷한 성능을 달성한다. 클래스 조건부 전문가 사용 분석은 학습된 라우팅이 각 입력에 대해 소수의 전문가를 결합하며, 그 선택이 클래스에 따라 달라짐을 보여준다. 이러한 결과는 고정된 양자 회로 사이의 학습된 라우팅이 하이브리드 QML을 위한 학습 가능성 고려 설계 원칙임을 뒷받침한다.
무작위로 초기화된 고정 가중치와 학습 가능한 편향을 가진 신경망은 보편 근사기이지만, 편향 전용 학습의 동역학은 대부분 탐구되지 않았다. 우리는 입력 공간을 볼록 다면체 영역으로 분할하는 활성 뉴런의 이진 패턴인 활성 코드를 통해 은닉층이 하나인 ReLU 네트워크에서 이러한 동역학을 연구한다. 편향에 대한 기울기가 각 입력에 대해 그 활성 코드를 통해서만 의존함을 보이며, 따라서 학습 동역학을 이러한 코드로 특성화할 수 있다. 특히 활성 코드가 고정되어 있는 한, 학습은 코드를 특징으로 하는 선형 최소제곱 문제로 환원된다. 학습은 뉴런이 활성 상태를 바꿀 때 전이가 일어나는 일련의 최소제곱 문제로 이해될 수 있다. 네트워크 폭이 넓어질수록 상태가 바뀌는 뉴런의 비율이 사라지며, 무한 폭 극한에서 학습 동역학이 초기 활성 코드에 대한 선형 최소제곱의 동역학에 근접함을 보인다. 실험 결과는 이러한 이론적 발견을 뒷받침하며, 활성 전환이 더 좁은 네트워크에서는 학습에 눈에 띄게 영향을 미칠 수 있으나 폭이 증가함에 따라 그 상대적 빈도와 이에 따른 동역학의 변화가 감소함을 보여준다.
Isabelle Pool Server(IPS)는 HTTP API 뒤에 준비된 헤드리스 Isabelle 세션 풀을 두고, 세션 대여 및 회수, 메모리 인지 허용 제어, 모든 호출에 대한 시간 예산을 갖춘 검증 서비스이다. 이 검증 인터페이스는 단일 단계 실행, 블록 단위 증명 검사, 전체 이론 빌드를 포괄하며, 저렴한 분기와 백트래킹을 위한 체크포인트와 최종 판정자로서의 처음부터의 빌드를 제공한다. 이 서비스는 모니터링을 갖춘 단일 컨테이너로 실행되며 Python 클라이언트, 두 개의 MCP 서버, 원시 HTTP API를 통해 접근할 수 있다. 우리의 측정에서 IPS는 에이전트용 PIDE 프런트엔드인 PIDE MCP와 2026년 10월 커밋 기준(이 도구는 현재 PIDE AI이다)으로 워커 1개일 때 대등하고 8개일 때 앞선다. 세션이 가동되면 한 호스트에서 32개의 동시 워커까지 확장되어 단일 워커 처리율의 24배에 이르며, 메모리 압박 상황에서는 기존 세션을 잃는 대신 새 세션을 거부한다. IPS는 자유 소프트웨어이며 https://github.com/Deep-LCF/Isabelle-Pool-Server 에서 공개되어 있다.
같은 과제로 학습된 신경망은 서로 관련된 가중치 공간 구조를 형성하면서도 학습 후에도 구별 가능한 상태로 남는다. 이러한 차이는 단지 대안적인 해를 반영하는 것인가, 아니면 개별 학습 이력에 관한 정보를 보존하는가? 우리는 최종 가중치가 초기화, 과제 순서, 이전 궤적 상태를 드러내는지 검증했다. 학습은 앙상블을 재편성하여, 초기의 쌍별 거리가 최종 거리를 일관되게 예측하지는 않았다. 그럼에도 학습된 30개 네트워크 모두가 데이터셋마다 열 개의 후보 중에서 자신의 초기 가중치와 올바르게 짝지어졌다. 초기화를 공유하는 네트워크는 서로 다른 배치 스케줄에 걸쳐서도 알아볼 수 있는 최종 은닉 표현을 형성했으나, 초기 활동과의 직접 비교로는 정체성을 복원하지 못했다. 학습 순서 또한 판독 가능하게 남았다. 선형 프로브는 공통의 최종 과제를 열 에폭 학습한 뒤 보류된 80개 네트워크에서 앞선 두 과제의 순서를 100% 정확도로 해독했다. 앞선 중간 가중치 상태는 부분적으로 예측 가능했지만 개별 초기 가중치는 신뢰성 있게 복원할 수 없었다. 따라서 최종 가중치는 완전한 궤적 기록이 아니라 선택적인 이력 정보를 보유한다. 교란된 네트워크는 교란되지 않은 학습 경로로 돌아가지 않고도 분류 성능을 회복했다. 이러한 분리는 데이터셋, 개입 시점, 네트워크 레이어에 걸쳐 유지되었다. 더욱이 정렬된 종단점 쌍 2,160개 중 2,157개가 표집된 보간 지점에서 양의 손실 장벽을 보이지 않았으며, 이는 하나의 가중치 벡터로의 수렴이 아니라 서로 다른 해 사이의 낮은 손실 연결을 나타낸다. 종합하면 이러한 발견은 공유된 과제가 네트워크를 개별 이력을 지우지 않으면서 서로 관련된 성공적 해로 제약함을 보여준다. 최종 가중치는 네트워크가 무엇을 학습했는지뿐 아니라 학습이 어디서 시작되었고 어떻게 전개되었는지도 반영한다.
월드 모델은 완전히 관측할 수 없는 세계에서 작동한다. 배를 미는 해류와 같은 숨겨진 교란이 행동의 결과를 바꿀 때, 같은 교란 아래에서 다른 행동을 했다면 무슨 일이 일어났을까라는 반사실적 질문이 뒤따른다. 그 답은 나쁜 결정과 나쁜 운을 구분해 준다. 우리는 사실적 전이로 학습된 월드 모델이 데이터나 용량에 관계없이 스스로는 이 질문에 답할 수 없음을 증명한다. 많은 물리 시스템에서는 관측된 결과와 동역학의 단순한 성질, 즉 natura non facit saltus(자연은 도약하지 않는다)만으로 충분하다. 행동과 교란이 별개의 힘으로 작용할 때 그 상호작용은 시간에 대해 2차이므로, 반사실적 결과는 1차 근사로 관측된 결과에 대체 행동과 사실적 행동 하에서의 월드 모델 예측 간의 차이를 더한 것이다. 이는 반사실적 데이터, 추가 매개변수, 재학습 없이 반사실적 월드 모델을 제공한다. 지속 시간이 $h$인 전이에 대해, 교란 분산에 상대적인 반사실적 오차에 $O(h^2)$ 경계를 증명하고, 짝지어지지 않은 사실적 데이터로부터 일치하는 미니맥스 하한을 확립하며, 불연속, 좌표 접힘, 명령을 스케일링하는 교란에서의 실패를 특성화한다. 우리는 고정된 DINOv2 및 마스크드 오토인코더(MAE) 인코더 기반 JEPA 월드 모델로 픽셀에서 이러한 예측을 검증한다. 렌더링된 네 개의 시뮬레이터에서 우리의 접근법은 동일한 월드 모델로 반사실적 $R^2$를 $38$--$46\%$에서 $86$--$96\%$로 향상시키며, 다섯 번째인 수중 이동체에서는 열여섯 배 더 많은 사실적 데이터로 $90$--$94\%$에 도달한다. 네 개의 추가 고정 인코더인 DINOv3, SigLIP~2, CLIP, EVA-02는 같은 시뮬레이터에서 $81$--$95\%$를 기록한다. 사후 계획에서는 목표에 도달했을 행동을 사건의 $35$--$69\%$에서 찾아내는데, 이는 시뮬레이터는 알지만 결과는 모르는 오라클 플래너의 $14$--$23\%$와 대비된다.
Identifying high-impact attack paths in cyber-physical power systems is critical for improving grid resilience. Existing methods typically rely on either structural topology analysis or simulation-based cascading-failure models. Topology-based approaches capture connectivity but lack adversarial reasoning, while simulation-driven methods are primarily suited for offline analysis and are less effective for rapid evaluation of evolving attack scenarios. As a result, identifying realistic attack paths that jointly capture topology, threat semantics, and physical impact remains challenging. This paper presents a physics-grounded framework for identifying cyber-physical attack paths using large language models (LLMs), with cascading-failure-derived impact rankings used as physics-grounded references. The framework integrates system topology, LLM-guided STRIDE and MITRE ATT&CK threat modeling, and three baseline strategies for comparison: topology-driven, threat-driven, and fusion-based. Evaluation is performed using (i) critical-node overlap between LLM-inferred top-K rankings and cascading-failure-based ground truth; (ii) node-level similarity between LLM-inferred and reference paths; and (iii) path-level alignment capturing agreement in complete attack sequences. Results show that structured LLM-based threat modeling substantially improves alignment with physics-grounded references. In the cyber layer, critical-node overlap@3 increases from approximately 33% to as high as 100%, while node-level similarity reaches up to 65% and path-level alignment reaches up to 48%. In addition, the proposed framework reduces runtime by approximately 75--85% compared to the fusion-based baseline in the IEEE 14-bus system. These results suggest that LLM-guided attack path identification is a promising approach for efficient and impact-aware cyber-physical security analysis.
공간 전사체학으로부터 세포의 시공간 동역학을 학습하려면 서로 다른 좌표계에서 얻은 서로 다른 세포의 스냅샷을 연결해야 한다. 절편의 회전이나 평행이동이 세포 이동으로 나타나 추론된 대응을 왜곡할 수 있다. 우리는 공유된 강체 운동을 제외하고 조직 구성, 분자 상태, 세포 수의 변화를 학습하는 수평 흐름 매칭을 제안한다. 동역학은 작용이 공유된 강체 운동에 비용을 부여하지 않는 연속-반응 방정식을 따르며, 그 결과인 수평 사영기는 학습 중에는 공간 예측 오차에서, 생성 중에는 예측된 속도에서 이 성분을 제거한다. 등가의 종단점 문제는 Wasserstein--Fisher--Rao 기하에서 대응과 상대 자세를 함께 추정하며, 속도와 성장이 회귀 목표로 쓰이는 해석적 경로를 제공한다. 이러한 목표를 회귀하면 이상적인 집단 조건에서 수평 동역학을 복원한다. 우리의 모델 HORIZON은 등변 트랜스포머를 사용하여 현재 조직으로부터 속도와 성장을 예측하며, 단일 초기 스냅샷으로부터 조직을 연속적으로 생성할 수 있다. 교란된 좌표계에서 관측된 시뮬레이션 조직에서는 정렬이 재구성을 개선하고 사영이 강체 드리프트를 줄인다. 네 가지 공간 전사체학 시계열에서 HORIZON은 기존의 공간 및 불균형 궤적 방법보다 조직 기하, 유전자 발현, 세포 수를 더 정확하게 재구성하며 보류된 발달 단계를 보간한다.
단일 세포 측정은 파괴적이어서 동일한 세포를 시간에 따라 추적할 수 없기 때문에, 스냅샷으로부터 세포 동역학을 재구성하는 것은 어려운 과제이다. 세포 동역학은 본질적으로 확률적이며 증식과 세포자멸에 의한 집단 크기의 변화를 수반한다. 성장 기반 방법은 집단의 변화를 밀도에 대한 비율로 표현하므로 개별 세포에 소멸과 유입을 할당하지 못한다. 불균형 슈뢰딩거 브리지는 개별 사건을 모델링하지만, 소멸 확산 브리지를 위한 기존 신경망 풀이기는 학습 중에 궤적을 시뮬레이션한다. 본 논문에서는 상태 전이와 질량 변화를 함께 학습하는 시뮬레이션 불필요 풀이기인 Elysium을 제안한다. Elysium은 소멸이 있는 브라운 기준 과정과 그 시간 역전을 이용하여, 최적 종단점 결합과 조건부 브리지 분포로부터 직접적인 회귀 목적함수를 구성하며, 학습 중에 궤적을 시뮬레이션하지 않는다. 우리는 기대 학습 목적함수의 최소해가 최적 불균형 슈뢰딩거 브리지를 복원함을 보인다. 실험적으로 Elysium은 소멸 확산의 정답이 알려진 시뮬레이션 벤치마크에서 상태 전이, 집단 크기, 사건 분포를 재구성하며, 기존의 결정론적 풀이기와 브리지 기반 풀이기를 능가한다. 단일 세포 시계열 데이터에서는 관측되지 않은 시점의 세포 상태 분포를 보간하고, 집단의 팽창과 수축을 추적하며, 이상성(二相性) 약물 반응 동역학을 포착한다.