광물 탐사를 위한 기계학습 모델은 수백 개에 불과한 희소하고 비싼 시료로 학습되어 다음 시추 위치를 결정하는 데 쓰이므로, 더 많은 데이터로 제거할 수 있는 부분인 인식론적 불확실성(EU)이 예측만큼 중요하다. 그러나 EU를 정의하는 반사실이 관측되지 않기 때문에 실제 데이터에서는 EU를 측정할 수 없으며, 이에 따라 추정기는 분포 외 탐지와 보정 같은 대리 지표로 평가된다. 본 연구는 주어진 모델에 대해 EU를 직접 계산할 수 있게 하고 임의의 EU 추정기를 평가할 수 있는 일반적인 시뮬레이션 프로토콜을 제안한다. 이 프로토콜은 문헌에서 혼용되는 두 추정 대상인 감소 가능한 오차와 추정기 산포를 분리하고, 군집형 시추 조사로 표본을 추출한 합성 유망성 필드에서 각각에 대한 오라클 기준을 구성하며, 각 시뮬레이션 세계 내에서 동일한 앙상블의 불확실성 척도를 비교한다. 이를 이용해 지질 분류의 희소하고 클래스 수가 적은 영역에서 크리덜(불완전 확률) 척도가 베이지안 모델 평균(BMA)보다 언제 더 충실한지 살핀다. 크리덜 구간 폭은 구성원이 적을 때 BMA보다 인식론적 순서를 더 잘 복원하여, 크리덜 래퍼에 대해 보고된 소규모 앙상블 이점을 확인해 준다. 이 이점은 M = 10에서 사라지고 M = 40에서는 역전된다. 둘째, 크리덜 함수의 선택이 크리덜과 BMA 중 무엇을 택하는가보다 더 중요하다. 마지막으로, 학습 데이터를 줄여도 크리덜의 이점은 커지지 않으므로, 이는 적은 데이터가 아니라 적은 사후 표본을 보완하는 것이다. 남호주의 실제 시추공 지구화학 데이터에서는 재표집 오라클이 첫 번째 결과를 재현한다. 이 프로토콜은 데이터 생성 과정을 시뮬레이션할 수 있는 모든 EU 추정기에 적용할 수 있다.
대규모 언어 모델(LLM) 에이전트는 전산 유체 역학(CFD)을 위한 OpenFOAM 워크플로를 처음부터 끝까지 자동화하는 능력이 점차 높아지고 있다. 그러나 현재의 진전은 두 가지 중대한 한계로 인해 정체되어 있다. 첫째, 기존 평가는 튜토리얼 수준의 사례와 실행 중심 지표가 주를 이루어 실행 가능성과 수용 가능성 사이의 상당한 격차를 가린다. 성공적으로 실행된 시뮬레이션이 규정된 수치적 기준이나 관심량(QoI) 기준을 충족하지 못하는 경우가 많다. 둘째, 기존 시스템의 도메인 전문성이 맞춤형 에이전트 구조와 긴밀하게 결합되어 있어 에이전트 구현 간 재사용과 지속적 개선이 제한된다. 이러한 과제를 해결하기 위해 워크플로 변이의 다섯 축에 걸쳐 있으며 실행 완료, 수치적 타당성, QoI 충족을 별도로 평가하는, OpenFOAM 에이전트를 위한 도전적인 벤치마크 ExtFoamBench를 소개한다. 이를 보완하여, 이중 루프 메커니즘으로 구동되는 모듈형 외부화 스킬로 CFD 전문성을 분리하는 에이전트 프레임워크 EasyFoam을 제안한다. 실행 루프는 명시적 작업 요구사항으로부터 워크플로를 구성하고 구조화된 시뮬레이션 증거를 사용하여 실패를 진단하고 표적 수정을 안내한다. 한편 진화 루프는 작업 경험을 쌍체 평가로 선별된 재사용 가능한 스킬 업데이트로 정제한다. 실험적 평가 결과 EasyFoam은 기준 에이전트보다 작업 수용률이 대폭 높았으며, 이 연구는 자기 개선형 CFD 에이전트를 향한 향후 연구의 출발점이 된다.
트레이더가 대량 주문을 체결할 때 중요한 질문은 \emph{가격이 얼마가 될 것인가?}가 아니라 \emph{내가 거래하지 않았다면 가격이 어땠을 것인가?}이다. 따라서 시장 충격은 인과적 양이지만, 고전적 모델(Almgren--Chriss, 전파자)은 가격을 주문 흐름에 회귀시키며, 이는 정보를 가진 주문 흐름이 거래뿐 아니라 정보를 통해서도 가격을 움직일 때마다 편향된다. 우리는 개념 증명 단계의 \emph{인과 시장 시뮬레이터(Causal Market Simulator)}를 제시한다. 이는 숨겨진 정보 흐름이 구성상 흐름-가격 관계를 교란하고 교란 강도가 에피소드별로 정확히 조절되는 합성 시장 사전분포에서 학습된 연속시간 인과 사전데이터 적합 네트워크(PFN)이다. 이 사전분포에서 순진한 추정량의 편향은 우리가 실증적으로 확인한 닫힌 형태를 따르며(최대 68%의 과대추정), PFN은 높은 교란 조건에서 편향 없는 참 파라미터 오라클을 추적한다. 개입 입력을 제거한 동일 모델인 \emph{do-제거 쌍둥이}는 사전 구간 평균으로 붕괴한다. 제로샷으로 이 모델은 ABIDES 지정가 주문장의 메타오더에 대해 실제 값의 규모로 반응하며(시드 재생 반사실 대비 개시 전 표준편차 +0.38), 그 개입 반응은 BTC/ETH/SOL 무기한 선물에서 탐지된 약 2,300건의 주문 흐름 폭발과 나스닥 주식의 3,800건에서 재현되는데, 이는 인과적 전이의 증명은 아니지만 이와 부합하는 증거이다. 사전분포 밖에서는 반응이 점진적으로 저하되며, 분할 정합(split-conformal) 재보정이 구간 보정을 복구한다. 전이는 더 많은 학습이 아니라 메타오더를 고정된 가격 수준이 아닌 추가된 주문 흐름으로 인코딩하는 데 달려 있다. 순환 상태공간 변형은 남아 있는 형태 격차를 해소한다. 트랜스포머의 충격은 평탄하게 유지되는 반면 이 변형의 충격은 실행 기간에 걸쳐 누적되어, 측정된 메타오더 충격과의 상관을 +0.68에서 +0.92~+0.96 사이로 높이지만, 그 대가로 사전분포 내 교란 제거가 약해지며 이는 순환 구조가 아니라 학습 방식에서 비롯된다.
킬로미터 규모의 대류는 극한 강수, 열대 조직화, 구름 되먹임을 좌우하지만, 대부분의 전지구 대기 모델은 이러한 과정을 25-100 km 해상도에서 근사한다. 전지구 폭풍 해상 물리 모델은 대류계를 명시적으로 해상하지만, 엑사스케일 슈퍼컴퓨터에서 모의 하루당 대략 1 MWh에 이르는 비용 때문에 장기 시뮬레이션이 제한된다. 우리는 전지구 폭풍 해상 대기 역학을 위한 최초의 자기회귀 AI 에뮬레이터인 STRATA(Storm-resolving Tile-based autoRegressive Atmosphere Transformer Architecture)를 소개한다. STRATA는 전지구 AI 에뮬레이션에 지금까지 사용된 가장 높은 해상도의 대기 데이터셋으로 학습된다. 이 데이터셋은 4.9 km 해상도(약 2,500만 격자 셀)의 SCREAM 물리 모델 출력 17일치를 10분 간격으로 표집한 것이다. 우리의 핵심 전제는 10분 시간 규모에서 대기 역학이 주로 국소적이므로, 작은 공간 타일로 학습하면 부족한 전지구 시간 표본을 풍부한 국소 공간 표본과 맞바꾸고 겹치는 타일 블렌딩을 통해 전지구 롤아웃이 가능해진다는 것이다. STRATA는 3D 패치 임베딩과 국소 3D 이웃 어텐션, 격자 불변 인코딩을 위한 새로운 Stereographic Rotary Position Embedding(StereoRoPE), 그리고 패치 규모의 롤아웃 아티팩트를 억제하는 픽셀 공간 디에일리어싱 디코더를 결합한다. 등FLOP 스케일링 연구는 km 규모 에뮬레이션이 저해상도 AI 기상 모델보다 격자점당 약 10배 많은 FLOPs를 요구함을 밝히며, 이는 대류 규모 역학의 더 높은 정보 밀도와 일치한다. 단 17일치 데이터로 학습했음에도 STRATA는 다양한 체제에 걸쳐 현실적인 km 규모 역학을 가진 안정적인 24시간 전지구 롤아웃을 생성하지만, 대규모 편향은 예측 시차에 따라 발달한다. STRATA는 메가와트시당 모의 48일을 달성하며(SCREAM 물리 모델보다 에너지 효율이 50배 넘게 높다), 512개의 H100 GPU에서 실제 하루당 모의 741일을 달성한다.
AI 시스템이 점점 더 유능한 과학적 협력자가 됨에 따라, 설명을 생성하는 것뿐 아니라 그에 대한 확신을 보정하는 것이 근본적인 과제로 떠오른다. 우리는 적응적 추론 중 도구와 데이터의 신뢰성을 평가하고, 지속적 그래프 메모리를 사용해 불확실성을 해소하면서 증거와 가정을 추적하도록 설계된 다중 에이전트 과학 시스템 Discovery를 제시한다. Discovery는 우리가 보정된 신뢰 조절(calibrated deference)이라 부르는 능력, 즉 이러한 평가를 바탕으로 도구 사용, 가정, 기전적 설명에 대한 확신을 조정하고, 불확실성을 인간 협력자에게 전달하며, 그에 따라 전략을 조정하는 능력을 가능하게 한다. 우리는 수계 유기 레독스 플로 배터리의 음극 전해질을 설계하는 폐루프 인간-AI 캠페인에서 Discovery를 평가했다. Discovery는 화학자들과 협력하여 후보 물질을 제안하고 결과를 해석했으며, 화학자들은 이를 합성하고 특성을 분석하며 설계를 이끌었다. 세 라운드에 걸친 17개 후보 전반에서 Discovery는 문헌 기준 대비 산화환원 전위가 130 mV 개선된 후보로 수렴했다. 그러나 실험적 특성 분석 결과, 캠페인에 사용된 예측기가 예견하지 못한 낮은 전기화학적 가역성이 드러났다. 이에 대응하여 Discovery는 경쟁하는 기전 가설을 생성하고, 이를 구분하는 진단을 우선순위화했으며, 그 거동을 포스포네이트-칼륨 이온 쌍 형성에서 비롯된 것으로 추적했다. Discovery는 칼륨 이온 쌍 형성을 줄이기 위해 설포네이트 유사체를 설계했고, 그 결과 얻은 화합물은 산화환원 전위 90 mV 개선을 유지하면서 전기화학적 가역성을 향상시켜 설계-제작-시험-재설계 루프를 완결했다. 캠페인 전반에서 Discovery는 일관된 세계 모델을 유지하고, 예상치 못한 결과에 따라 이를 갱신하며, 이를 활용해 분자 설계를 이끄는 능력을 보여 주었다.
도시화와 점점 빈번해지는 강한 폭풍우는 도시 배수망에 부담을 주고 있다. 조밀한 모니터링이 바람직하지만 시간, 예산, 기술상의 현실적 제약으로 완전한 구현이 어렵다. 제한된 자원으로 전체 배수망의 유량 상태를 어떻게 모니터링하고 예측할 것인가는 중요한 과제이다. 이를 해결하기 위해 본 연구는 동일한 축소 기저로부터 센서 위치를 선택하고 망 전체의 유량을 복원하는 데이터 기반 희소 센싱(DSS)을 76개 관로로 구성된 도시 배수망에서 평가하였다. 보정된 SWMM 모델의 시뮬레이션을 이용하여 특이값 분해(SVD)로 사건 가중 공간 기저를 구성하고, 피벗 QR로 랭크별 배치를 선택하며, 복원 디코더를 정의하였다. 25개의 그럴듯한 보정 매개변수 집합과 9개의 강우 사건을 조합한 225개의 홀드아웃 시뮬레이션에 적용한 결과, 76개 관로 중 5개(6.6%)를 모니터링했을 때 관측된 폭풍우에 대해 시스템 수준 Nash-Sutcliffe 효율(NSE)의 중앙값이 0.992(하위 10 백분위수 0.973)였고, 활성 상태의 비모니터링 관로에서는 NSE 중앙값이 0.967이었다. 피벗 QR은 반복적인 배치 탐색 없이도 유전 알고리즘 기반 배치와 비슷한 성능을 보인 반면, 최대 상류 면적 기준 배치는 DSS 디코더에서 실패했으며 가중 회귀 디코더를 사용해도 QR에 뒤처졌다. DSS 유량 복원 성능은 규정된 승법 가우시안 측정 잡음, 약 2 L/s까지의 가법 잡음, 10 L/s의 검출 하한에 대해 민감하지 않았으나, 모니터링 관로 하나가 손실될 때는 위치에 따라 다른 반응을 보였고, 이는 회귀 디코더를 재적합하면 대부분 해소되었다. 본 연구는 물리 기반 시뮬레이션으로 구동되는 DSS가 유량 센서를 몇 개, 어디에 설치할지 결정하는 데 유용함을 뒷받침한다.
측정 품질이 변할 때 모드 에너지는 언제 체제 정보를 보존하는가? 확률적 커널 모드 분해(sKMD)는 부호가 있는 KMD 모드 좌표에 대해 결합 체제 법칙을 적합하고, 기준 모드 사후분포를 체제 확률과 조건부 재구성으로 전이한다. 알려진 잡음 분산이 독립적으로 변하는 중심화된 가우시안 체제의 경우, 고정된 좌표 에너지가 전체 체제 사후분포를 보존하는 것은 모든 클래스가 교차 공분산을 공유하고 클래스 분산이 공분산 그래프의 고립된 꼭짓점에서만 다를 수 있을 때에 한한다. 우리는 이 특성화를 0이 아닌 평균의 경우로 확장하고, 상관된 잡음이 자유롭게 변하면 서로 다른 두 개의 중심화된 체제에서도 고정된 선형 로그 오즈 디코더가 이차 특징 생성공간 전체를 유지해야 함을 보인다. 고정된 품질에서 세 체제 예제는 충분한 2-에너지 기저를 갖지 않는다. 조건수가 최대 $κ$인 기저들에 대한 가장 작은 베이즈 로그 손실 격차는 $κ^{-1}$의 엄밀한 차수를 갖는다. 정확한 베이즈 에너지 사후분포는 지정된 기저에 대한 수치적 격차 추정치를 제공한다. 추가적인 경계들은 특징 압축, 독립적으로 학습된 모드 생성공간, 센서 잡음 오차를 로그 손실과 연결한다. 각각 64개의 독립 패널을 사용한 두 가지 통제 실험은, 부호가 있는 정보가 에너지 요약보다 예측을 향상시킬 수 있으며, 통합은 강력한 부호 있는 대조군 대비 작은 이득만 주고 경쟁하는 점 규칙이 얼마나 보정되었는지와 관측 잡음이 얼마나 정확하게 측정되었는지에 좌우됨을 보여 준다.
그래프 기반 협업 필터링은 사용자-아이템 상호작용 그래프 위에서 임베딩을 전파하여 사용자와 아이템 표현을 학습한다. 우리는 3계층 LightGCN 백본 위에 얹은 모듈식의 쉬프 영감 점수화 확장을 연구한다. 동기는 국소 벡터 공간이 선형 제한 사상으로 연결되는 셀룰러 쉬프에서 비롯되며, 여기서는 이 아이디어가 그래프 전파의 변경이 아니라 사용자와 아이템 임베딩의 구조화된 쌍 의존적 변환을 동기화한다. 우리는 항등 내적 점수기, 대각, 랭크-1 저랭크, 전체 행렬 잔차 점수기, 그리고 파라미터 수를 맞춘 잔차 MLP 기준선(\texttt{mlp\_full})을 Amazon-Book, Gowalla, MovieLens-1M, Yelp2018에서 비교한다. 컷오프 10과 20에서의 순위 품질과 카탈로그 커버리지를 보고한다. 선택된 구조화 변형은 순위 품질에서 데이터셋에 따라 달라지는 미미한 변화를 보였고, 때로는 커버리지에서 상당한 변화를 보였다. 우리의 방법은 쉬프 기하에서 영감을 얻었으나 셀룰러 쉬프를 구성하거나 쉬프-라플라시안 확산을 구현하지는 않으므로, 실험은 쉬프 기하 자체로부터의 인과적 이점을 입증하지 못한다.
전산유체역학(CFD)을 위한 신경 대리 모델은 각각 하나의 유동 영역에서 하나의 설계 계열만 변화시키는 데이터셋으로 학습되고 순위가 매겨진다. 이러한 데이터셋은 공기역학 파운데이션 모델이 최소한 해내야 하는 것, 즉 새로운 형상이 새로운 인클로저에 놓인 경우의 CFD 품질 비압축성 유동을 수 초 안에 예측하는 능력을 시험할 수 없다. DrivAerML에서는 더 큰 모델과 더 긴 학습이 Transolver의 오차를 거의 낮추지 못하며, 학습 사례를 두 배로 늘리면 400개 사례까지 오차가 약 12% 줄다가 데이터셋이 소진된다. 우리는 천이 모델을 포함한 비정상 레이놀즈 평균 Navier--Stokes(RANS) 방정식의 시간 평균 해 3,815개로 이루어진 벤치마크이자 학습 코퍼스인 AeroZoo를 소개하며, 이는 일곱 가지 형상 계열, 여덟 가지 인클로저 구성, $10^3$에서 $10^8$까지의 레이놀즈수를 아우른다. 각 샘플은 솔버가 받는 형태, 즉 조건 유형별로 묶인 경계 메시, 지정된 값, 유체 물성으로 적정 문제 설정의 PDE 문제를 제시한다. 안정적인 시간 평균을 가진 2,816개 샘플이 정식 벤치마크를 이루며, 두 개의 과제, 공학 지표, 형상 기준으로 서로소인 22개의 고정 분할로 구성되어 형상 계열, 인클로저, 경계 조건 배치, 레이놀즈수 범위를 보류한다. 무작위 분할에서 경계 조건 토큰은 단일 시드 실행에서 GeoTransolver의 속도 오차 중앙값을 유입 속도의 76.9%에서 8.4%로 낮춘다(균일 유입 유동: 11.0%). 경계 구동 PDE를 위한 트랜스포머인 ISLA는 네 개 시드에서 5.3%에 도달하며, 이는 더 촘촘한 메시로 인한 변화의 약 4배이다. 동일한 테스트 샘플에서 보류된 형상 계열은 균일 유동 대비 ISLA의 오차를 거의 바꾸지 않지만, 보류된 인클로저 또는 경계 조건 배치는 오차를 2.4배에서 9.2배로 높인다. 데이터와 채점 코드는 공개될 예정이다.
금융 시계열 변동의 상당 부분은 자산 자체의 과거 이력으로는 예측할 수 없는 시장 전반의 충격에 의해 발생한다. 자산별 자기지도학습은 이러한 변동을 제거할 수 없는 잡음으로 취급한다. 우리는 잠재 요인 모형 하에서, 실현된 시장 요인에 대해 예측을 조건화하면 최적 예측에 해당 자산의 시장 노출이 필수적이 되는 동시에, 자산 고유 성분을 학습할 때 대비되는 잡음이 감소함을 보인다. 이러한 통찰에 기반하여 금융 시계열을 위한 결합 임베딩 예측 아키텍처인 시장 조건부 JEPA(MC-JEPA)를 제안한다. 학습 중에는 다른 자산들의 미래 목표 임베딩으로부터 각 자산에 대한 leave-one-out 시장 조건을 구성하고, 이를 해당 자산 자체의 표현에서 도출된 요인 적재량을 통해 반영한다. 11년간의 분 단위 중국 A주 데이터에서 MC-JEPA는 수익률, 시장 노출, 위험, 유동성에 걸친 아홉 가지 목표 전반에서 자산별 JEPA를 능가하였으며, 노출, 위험, 유동성에서 가장 크고 통계적으로 유의한 향상을 보였다. 또한 모든 유동성 목표와 2시간에서 5일에 이르는 수익률 예측 구간에서 최고의 RankIC를 달성하여 시계열 파운데이션 모델과 자기지도 기준선을 능가하였고, 과거 데이터 백테스트에서 최고의 포트폴리오 성과를 냈다. 절제 실험 결과, 수익률과 노출에서의 향상은 조건이 실현된 시장 움직임과 정렬되어 있어야 함을 보여 준다. 정규화로 제거된 변동성 규모를 복원한 후, 예측기의 요인 적재량은 레이블 없이도 지도 학습 프로브와 거의 대등한 수준으로 종목을 시장 베타에 따라 순위화한다. 모수를 알고 있는 합성 요인 모형 연구에서는 조건화가 시장 노출과 자산 고유 성분 모두의 복원을 향상시킴을 보였다.
효과적인 수색 및 구조(SAR) 작전에는 여러 이종 에이전트를 조율하고, 동적 위험 요소에 적응하며, 인간의 임무 의도에 부합할 수 있는 자율 시스템이 필요하다. 기존의 언어 안내 강화학습(RL) 방법은 주로 단일 에이전트의 지시 수행에 초점을 두며, 복잡하고 부분 관측 가능한 환경에서 팀 수준의 조율을 위한 메커니즘이 부족하다. 본 논문은 SAR 시나리오에서 응집력 있는 다중 에이전트 행동을 달성하기 위해 자연어 이해, 계층적 정책 분해, 공유 인지 작업 공간을 통합한 언어 기반 계층적 강화학습(LG-HRL) 기반의 인지적 다중 에이전트 프레임워크를 제시한다. 인간의 지시는 대규모 언어 모델(LLM)이 해석하여 구조화된 의미 단서로 변환하며, 이는 UAV와 UGV 에이전트 전반에 걸친 상위 수준 전략 선택과 역할 할당을 안내한다. 의미적 그라운딩, 계층적 제어, 분산 조율 간의 상호작용을 모델링하기 위해 형식적인 언어 기반 다중 에이전트 계층적 의사결정 과정(LG-MAHDP)을 도입한다. 시뮬레이션된 재난 환경에서의 종합적인 실험은 LG-HRL이 학습 속도를 2.3배 향상시키고, 조율 일관성을 37% 높이며, 하위 목표 정확도와 위험 회피를 각각 46%, 31% 향상시킴을 보여준다. 이 시스템은 피해자 구조율을 20~30% 더 높게 달성하고, 창발적 역할 전문화를 보이며, 인간의 구두 갱신에 즉시 적응한다. 절제 연구는 공유 인지 작업 공간과 언어 그라운딩 모두가 전체 시스템 성능에 결정적임을 확인한다. 종합하면 본 연구는 언어 안내 다중 에이전트 SAR 로보틱스의 새로운 패러다임을 확립하며, 의미적 그라운딩과 계층적 추론의 결합이 더 안전하고 효율적이며 해석 가능한 자율 구조 작전을 가능하게 함을 보여준다.
신경 연산자(NO)는 문제군을 푸는 데 따르는 계산 병목에 대한 딥러닝 기반 해법으로 도입되었다. 일단 학습되면 NO는 고전적 해법기를 다시 실행할 필요 없이 근사 해를 빠르게 출력할 수 있다. 그러나 표준 NO 구조는 시장 또는 모형 특징으로부터 유럽형 콜옵션 가격 곡면을 예측할 때 정적 무차익을 보장하지 못하며, 실험으로 확인했듯이 후속 거래 과제에서 음의 손익(PnL)을 낼 수 있다. 본 연구는 $[0,\infty)^2$의 임의의 고정 부분집합 위의 재생 커널 힐베르트 공간(RKHS) $\mathcal{H}$에서 온 입력을, 근사 최근접 이웃 문제를 연속적으로 풀어 무차익 유럽형 콜옵션 가격 곡면들의 볼록 결합으로 연속적으로 사상하는, 인증 가능한 무차익(AF) 범용 인코더-디코더 NO 프레임워크를 제안한다. 제약 없이 예측된 곡면에 대한 최근접 무차익 보정이 존재하지 않을 수 있음을 보이며, 이는 일반적으로 후처리를 통해 무차익을 복원할 수 없음을 의미한다. 나아가 FNO와 일부 인코더-디코더 NO 같은 표준 NO가 정적 무차익을 위반하는 출력을 내는 매개변수 구성을 허용함을 보인다. 따라서 기성 NO는 일반적으로 무차익 구성으로 인증 가능하게 제한될 수 없으며, 학습 중 PINN 유형의 정칙화를 통해 그 방향으로 유도될 수 있을 뿐이다.
편미분방정식(PDE) 해법기는 현대 컴퓨터 그래픽스, 기하 처리, 과학 계산의 근간이다. Walk-on-Spheres(WoS)와 같은 고전적 몬테카를로 PDE 해법기는 편향이 없는 메시 없는 추정을 제공하지만, 정확도가 샘플링과 수치 근사에 의해 제한된다. 학습 기반 해법기는 빠르지만 편향되어 있고 분포 변화에 취약하다. 이에 우리는 저예산 몬테카를로 해를 참 필드에 대한 구조화된 추정량으로 취급하고, 단일 패스 신경망 보정을 학습하여 고충실도 해를 복원하는 하이브리드 신경망-몬테카를로 PDE 해법기 MC$^2$를 제안한다. MC$^2$는 $1000\times$ 이상 많은 몬테카를로 샘플을 사용한 해와 동등한 정확도를 보이며, 평가된 모든 메시 없는 고전 기법, 노이즈 제거 기법, 신경 연산자 기준선을 능가한다. 유한 계산량 PDE 풀이에 대한 재현 가능한 연구를 가능하게 하기 위해, 우리는 지금까지 가장 큰 표준화된 타원형 PDE 벤치마크인 PDEZoo도 공개한다. 이는 5개의 타원형 계열과 무제한의 기하 조합에 걸친 200만 개의 PDE로 구성되며, 해석적 참값과 다중 예산 몬테카를로 궤적을 갖추고 있다. MC$^2$와 PDEZoo는 함께 (1) 유한 표본 몬테카를로 오차가 구조적이며 학습 가능하고 단일 순전파로 보정 가능함을 경험적으로 확립하고, (2) 동일한 정확도에서 WoS보다 약 218배 빠르게 PDE를 풀 수 있으며 최신 확산 기반 방법 대비 추론 시간을 약 171배 줄이면서 더 높은 정확도를 달성함을 보이고, (3) 이 분야에 지금까지 부족했던 재현 가능한 평가 기반을 제공한다. 코드 및 데이터: https://mc-error-correction.github.io
지난 수십 년간 에너지 기반 모델(EBM)은 가능도의 한 구성 요소가 다루기 어려워 명시적으로 평가할 수 없는 확률 모델의 중요한 부류가 되었다. 따라서 EBM의 모수 추정은 기존 추론 방법으로는 어려운 과제이다. 본 연구는 이러한 다양한 방법론적 기여를 하나의 통합된 틀 안에 모은 리뷰 논문으로, EBM의 맥락에서 잡음 대조 추정(NCE), 역 로지스틱 회귀(RLR), Bennett의 수락비(BAR) 방법, 다중 중요도 샘플링(MIS), 브리지 샘플링 간의 연결을 강조한다. 이 중 일부는 특정 조건에서 서로 동등하다. 이러한 통합적 관점은 기존 방법들 간의 관계를 명확히 하고 새로운 추정량의 개발을 가능하게 하며, 통계적 및 계산적 효율성을 개선할 잠재력을 가진다. 더 나아가 본 연구는 NCE의 유연성과 강건성 측면에서의 성공을 설명하는 데 도움을 주는 동시에, 그 성능을 더 개선할 수 있는 상황도 식별한다. 우리의 목표는 명확하고 간결한 유도를 통해 이러한 기여를 공통의 틀 안에 모으고 주요 결과와 그 기저의 아이디어를 더 넓은 독자층이 이해할 수 있도록 하는, 자기완결적이고 접근하기 쉬운 서술을 제공하는 것이다. 기여는 두 가지이다. 첫째, 본 연구는 이 분야에 입문하는 연구자들을 위해 기본 개념과 유도를 소개하는 포괄적인 튜토리얼 역할을 한다. 둘째, 숙련된 실무자들에게 철저한 리뷰를 제공한다. 수치 실험에 사용된 코드는 결과의 재현성을 지원하기 위해 공개되어 있다.
공학 모델을 위한 신경 대리 모델은 흔히 시뮬레이션된 해의 대규모 집합으로 학습된다. 우리는 지배 방정식과 규정된 초기 조건 및 경계 조건을 통합함으로써 물리 정보 신경망(PINN)이 희소한 레이블 관측으로부터 정확한 예측을 달성할 수 있는지 조사한다. 우리는 더 높은 우선순위의 손실에 따라 물리적 제약에 대한 강조를 조정하는 계층적 손실 가중(H-PINN)과 그 기울기 방향 인식 확장(HO-PINN)을 제안한다. 계층적 PINN은 열 방정식과 세 개의 이질적인 2상 유동 벤치마크에서 Vanilla PINN, 튜닝된 그래디언트 부스팅, 서포트 벡터 회귀, 가우시안 프로세스 회귀와 비교된다. 실험은 20~1000개의 레이블 상태와 열 개의 짝지어진 시드를 사용한다. 각 레이블은 완전한 시뮬레이션이 아니라 하나의 좌표-상태 관측이다. 레이블이 20개와 50개일 때 각 보간 및 방정식 보조 예측 비교에서 적어도 하나의 PINN 변형이 가장 높은 평균 주요 목표 \(R^2\)를 달성한다. 물 포화도에 대한 이점은 시험한 모든 예산에서 유지된다. 계층적 가중은 일부 설정에서 실행 간 변동성을 줄인다. 이러한 결과는 알려진 물리가 매우 적은 해 관측으로부터도 정확한 신경 대리 예측을 뒷받침할 수 있음을 보여 주며, 다만 시험한 고전적 회귀 모델보다 적합 비용이 상당히 더 높다.
초음파 유도파(UGW) 검사는 구조 건전성 모니터링(SHM)에서 효과적인 방법이 되었다. 기계학습이 손상 탐지 능력을 향상시켰지만, 순수 데이터 기반 모델은 방대한 라벨링 데이터셋과 제한적인 물리적 해석 가능성에 의해 제약을 받는다. 표준 다층 퍼셉트론(MLP)은 또한 고주파 영역에서 스펙트럼 편향(F-Principle)을 겪어, 저주파 성분을 우선시하면서 UGW 재구성에 중요한 고주파 진동을 분해하지 못한다. 물리 정보 기반 사인파 표현 네트워크(PI-SIREN)는 지배 편미분방정식을 학습 과정에 직접 내장함으로써 이러한 한계를 해결한다. 고주파 스펙트럼 성분을 본질적으로 포착하는 주기 활성화 함수를 사용하는 SIREN을 기반으로, 제안된 프레임워크는 희소한 초음파 측정 환경에서 효과적으로 작동하도록 설계되었다. 본 연구는 시간 이산화 없이 초음파 파동장을 재구성하기 위해 Mindlin-Reissner 판 이론에 맞춘 주파수 영역 PI-SIREN 프레임워크를 도입한다. 모델 매개변수는 1차 Adam, 잔차 적응 정제(RAR), 준뉴턴 L-BFGS의 세 단계로 구성된 하이브리드 전략으로 최적화된다. 수치 및 실험 평가는 이 모델이 희소 데이터로부터 도출된 물리적으로 일관된 기준선으로서 기능하며, SHM과 비파괴 검사(NDT)에서 손상 식별을 위한 계산적으로 효율적인 대리 모델로 작동함을 확인한다. 이 대리 모델을 손상 식별 파이프라인에 통합하면 희소한 실험 측정으로부터 밀링 노치를 판 대각선 길이의 1%의 위치 오차로 탐지하고 위치를 특정한다. 반면 데이터 기반 벤치마크와, 푸리에 특징 임베딩을 사용하거나 사용하지 않는 쌍곡탄젠트 활성화 함수 MLP는 더 높은 재구성 오차 때문에 손상을 식별하지 못한다.
대규모 언어 모델과 이를 기반으로 구축된 멀티 에이전트 시스템은 과학적 지식을 실험적 의사결정과 연결함으로써 소재 발견을 가속할 수 있다. 기존 벤치마크는 도메인 지식, 멀티모달 해석, 과학 도구 활용 능력을 확인해 왔다. 언어 모델이 소재 연구 워크플로를 점점 더 많이 지원함에 따라, 밀접하게 관련된 소재 상태를 구별하고 정량적 증거를 바탕으로 정확하게 추론하는 능력은 아직 충분히 평가되지 않았다. 이러한 능력은 소재의 반응을 비교하고, 메커니즘을 평가하며, 실험 증거가 축적되는 과정에서 신뢰할 수 있는 판단을 유지하는 데 필수적이다. 본 연구에서는 서로 연결된 세 가지 능력을 평가하기 위한 MatScope를 소개한다. M1은 알루미늄과 고엔트로피 합금을 대표적인 소재 시스템으로 삼아, 열 가지 연구 기능에 걸친 200개 과제를 통해 도구의 도움 없이 조건에 특화된 추론 능력을 평가한다. M2는 관련 지식을 아직 해결되지 않은 소재 문제로 에이전트의 도움을 받아 전이하는 능력을 평가한다. MatEvoBench-20은 과학적 의존성 사슬 전반에 대한 초기 예측과, 관측이 축적됨에 따라 아직 드러나지 않은 반응에 대한 예측의 수정을 평가한다. GPT-6 Astra와 Claude Fable 5.1을 포함한 열한 가지 모델 배포본 전반에서, 주어진 입력에 대한 계산과 다수의 물리적 설명은 잘 처리되었다. 반면 세밀한 반응 추정, 유사한 상태 간 비교, 정량적 근거에 기반한 선택은 여전히 상당히 취약했다. 관련 문헌은 일부 추정을 개선하지만, 조건 및 기준선의 불일치가 전이를 제한한다. 점진적인 관측은 일부 후속 반응을 보정하는 한편, 앞서 정확했던 예측을 불안정하게 만든다. MatScope는 향후 자기 진화형 소재 실험실과 소재 인식 월드 모델에서 신뢰할 수 있는 과학적 추론을 개발하기 위한 측정 가능한 목표를 제시한다.
Protein variant effect prediction is central to understanding protein function and guiding protein engineering, yet experimental labels remain costly. In many protein experiments, the variants that can be assayed are dictated by protocol constraints, while the variants that need accurate prediction may lie in a different or broader region of the landscape. This assay-prediction mismatch makes candidate-local criteria such as predicted function, uncertainty, or exploration value insufficient for measurement design. Given a protocol-defined accessible space and a limited budget, we ask which variants should be assayed so that the resulting data best improves landscape prediction. We propose TALK, which estimates each candidate's contribution through posterior coupling between accessible and target variants and reduces redundant information within the batch. Across retrospective ProteinGym and FLIP protocols, TALK generally improves target-space prediction under limited measurement budgets. These results point to a practical two-stage workflow: first, spend a limited assay budget on variants selected to be informative for the target landscape and train a predictive model from the measured labels; then use this model to score and prioritize high-potential variants. Code is available at https://github.com/joehuang618/TALK.
대규모 언어 모델(LLM)은 근사적 회상을 보인다. 즉, 과거 사건에 대한 대략적인 연관은 유지하지만 구체적인 세부 사항에 대한 정확도는 잃는다. LLM에 관한 기존 연구는 예측 시장을 이용해 서로 다른 모델의 실제 사건 예측 능력을 정량화했지만, 이러한 정확도 상실이 예측 능력에 미치는 영향은 연구하지 않았다. 예를 들어, LLM은 "안나 사와이가 제76회 에미상 드라마 부문 여우주연상을 받았는가?"라는 질문의 답이 "그렇다"임을 올바르게 회상하면서도, 사건 날짜를 9월 15일이 아닌 9월 22일로 잘못 진술한다. 본 논문에서는 내재화된 지식의 부정확성이 미래 사건에 대한 예측 능력으로 어떻게 전파되는지 연구하기 위해 회상 충실도 점수(Recall Fidelity Score)라는 새로운 지표를 도입한다. 해결된 과거 시장에서, 의미적으로 유사한 과거 사건 주변의 국소적 회상 충실도가 높을수록 해결된 시장에서의 예측 오류가 낮아짐을 확인했으며, 같은 신호가 열려 있는 시장 가격과의 거리가 더 작음도 예측한다.
가우시안 기저 함수는 콜모고로프-아르놀드 네트워크(KAN)에서 스플라인 활성화에 대한 효율적이고 유연한 대안이지만, 그 성능은 가우시안 스케일 매개변수 \epsilon에 민감하다. 우리는 Shepard 단위 분할 원리를 학습 가능한 KAN 간선 함수에 적용하는 커널 기반 정규화 프레임워크인 단위 분할 가우시안 KAN(PU-GKAN)을 소개한다. 각 가우시안 간선 기저는 고정된 중심들에 대한 국소 합으로 정규화되며, 이는 표준 간선 기반 아키텍처와 GKAN과 본질적으로 동일한 학습 가능 계수 구조를 보존한다. 그 결과로 얻는 특징 사상은 간선 수준에서 상수를 정확히 재현하며 명시적인 정규화된 유한 특징 커널 해석을 허용한다. 수치 실험은 PU-GKAN이 \epsilon에 대한 민감도를 줄이고, 대부분의 매끄러운 목표 함수와 적당히 비매끄러운 목표 함수에서 검증 정확도를 향상시키며, 더 안정적인 학습 거동을 제공함을 보인다. 이러한 이점은 표본 크기와 중심 개수의 변화, 고차원 아키텍처, Matern RBF 기저에서도 유지된다. PU-GKAN은 또한 헬름홀츠 방정식과 파동 방정식에 대한 물리 정보 신경망을 개선하여 검증 오차를 최대 90%까지 감소시킨다. 이러한 결과는 단위 분할 정규화가 방사 기저 함수 KAN의 신뢰성과 정확도를 향상시키는 수학적으로 근거 있고 폭넓게 적용 가능한 프레임워크임을 입증한다.