PyTorchKR Papers

최신 논문

총 336편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2610.02214v1cs.CE

MiDShip: 공학 설계를 위한 선박 화물창 구조 멀티모달 데이터셋

MiDShip: Multimodal Dataset of Ship Cargo Hold Structures for Engineering Design

선박 구조는 선박의 강도, 안전성, 제조 가능성을 좌우하지만, 그 설계는 수백 가지의 선급 협회 요건을 충족해야 하므로 복잡하고 반복적인 과정을 거쳐야 합니다. 데이터 기반 접근법은 설계 형상, 구조적 성능, 규칙 기반 제약 조건을 연결하는 정형화된 데이터셋의 부재로 인해 한계가 있습니다. 본 논문에서는 12,753개의 합성 화물창 구조 설계로 구성된 멀티모달 데이터셋인 MiDShip을 제시합니다. 이 데이터셋은 6,020개의 무작위 설계, SGLD에서 영감을 얻은 절차로 생성된 496개의 설계, 그리고 수식 기반 복구(repair) 절차로 생성된 6,237개의 설계를 포함합니다. 각 설계에는 매개변수 데이터, 완전 및 메시 준비(mesh-ready) 3D 형상, 공학 도면 및 주석, 자재 명세서(BOM), 예비 구조 평가가 포함되어 있습니다. 또한 ABS MVR의 하위 집합에서 도출된 25개의 제약 조건도 함께 평가됩니다. 무작위 설계 중 모든 제약 조건을 충족하는 것은 하나도 없었습니다. SGLD 기반 설계 중에서는 322개(64.9%)가 완전히 요건을 준수했으며, 평균 위반 횟수는 0.409건으로 시드 평균보다 82.7%, 무작위 설계 평균보다 96.9% 낮았습니다. LLM 보조 코드 분석을 통해 개발된 복구 절차는 4,952개의 완전 준수 설계(79.4%)를 생성했으며, 평균 위반 횟수는 0.296건으로 쌍을 이룬 소스 평균보다 97.1% 낮았습니다. 동일 크기 비교에서, 스케일링된 120개 매개변수 공간 내 평균 최근접 이웃 거리는 복구 설계의 경우 3.495, SGLD 배치의 경우 1.144, 무작위 설계의 경우 3.729였습니다. 본 연구의 주된 기여는 동기화된 데이터셋 및 그 생성·평가 인프라 자체에 있으며, 생성 연구는 새로운 최적화 알고리즘을 제안하기보다는 데이터셋의 유용성을 입증하기 위한 것입니다. MiDShip은 선박 구조를 위한 머신러닝, 생성형 설계, 규칙 기반 자동 평가를 지원합니다.

arXiv:2610.03160v1q-bio.QM

바이러스 과를 아우르는 무표지 인간 B 세포 레퍼토리로부터 광범위 중화 항체 발굴을 위한 멀티모달 추론

Multimodal reasoning for broadly neutralizing antibody discovery from label-free human B cell repertoires across virus families

인간의 자연 면역 레퍼토리로부터 광범위 중화 항체(broadly neutralizing antibody, bnAb)를 발굴하는 것은 bnAb의 극단적인 희소성, 병원체 전반에 걸친 세포 기원에 대한 불완전한 이해, 그리고 출현하는 바이러스 위협에 걸쳐 일반화되지 못하는 기존 전산 도구의 한계로 인해 면역학 분야의 근본적인 난제로 남아 있습니다. 본 연구에서는 이러한 장벽을 극복하기 위해 멀티모달 추론(multimodal reasoning)을 지속적 메타학습(continual meta-learning) 및 습식 실험(wet-lab) 피드백과 통합한 폐루프(closed-loop) AI 시스템인 ImmuneAgent를 제시합니다. 백신 접종자 또는 감염자 코호트의 자연 BCR 레퍼토리를 스크리닝하는 데 적용했을 때, 본 시스템은 동일한 클로닝 예산에서 평가된 최신 시퀀스 기반 중화 예측 모델이나 동시 폴딩(cofolding) 모델을 크게 능가하며 약 55%의 중화 항체 발굴률(클로닝된 110개 후보 중 60개)과 약 11%의 bnAb 수율(110개 중 12개)을 달성했습니다. ImmuneAgent가 발굴한 5개의 항체는 치명적인 인플루엔자 공격 접종에 대해 임상 단계 치료제인 MEDI8852와 대등하게 100%의 생체 내(in vivo) 보호 효과를 나타냈습니다. 또한 본 시스템은 bnAb 활성의 세포 및 구조적 결정 요인을 복원하여 FCRL5+CD27+ 비정형 기억 B 세포를 보존된 bnAb 저장소로, 소수성 계면 농축을 교차 바이러스 구조 시그니처로 규명했습니다. 이는 미접촉 항원으로 일반화되어 항원 특이적 선별 없이도 인간 메타뉴모바이러스(hMPV) 교차 중화 항체 및 인간 유두종바이러스(HPV) 중화 항체를 발굴하는 성과로 이어졌습니다. 이러한 결과는 ImmuneAgent가 출현하는 바이러스 위협에 대응하여 신속하게 치료용 항체를 발굴할 수 있는 일반화 가능한 프레임워크임을 입증합니다.

arXiv:2610.03056v1cs.AI

MOF-VERIFY: MOF 가설 검증을 위한 실패 인식 에이전틱 하네스

MOF-VERIFY: A Failure-Aware Agentic Harness for MOF Hypothesis Verification

대규모 언어 모델(LLM)이 AI 기반 재료 동료 과학자(Co-Scientist)의 추론 구성 요소로 점점 더 많이 활용되고 있지만, 이로 인한 검증 파이프라인의 신뢰성은 여전히 불분명합니다. 금속-유기 골격체(MOF)는 구조가 서로 다른 식별자로 나타날 수 있고, 합성 결과가 실험 조건에 크게 의존하며, 증거가 이종의 출처에 분산되어 있고, 일부 가설은 문헌뿐만 아니라 계산을 필요로 하기 때문에 특히 까다로운 환경을 제공합니다. 본 논문에서는 구조적 그라운딩(structural grounding), 합성 조건 검증, 증거 충분성 검증, 머신러닝 인터애토믹 포텐셜(MLIP) 기반 계산 검증을 포괄하는 네 가지 태스크 계열로 구성된 진단 벤치마크를 소개합니다. 지식 접근, 증거 획득 및 추론에서의 실패를 국소화하기 위해 T-MOF-1-3은 오픈북이 아닌 폐쇄형(closed-book), 검색 지원(retrieval-enabled), 오라클 증거(oracle-evidence) 설정에서 평가되며, T-MOF-4는 계산 검증을 별도로 평가합니다. 이렇게 진단된 실패 모드를 기반으로, 최종 판정을 내리기 전에 구조, 문헌, 증거 충분성 및 계산 병목 현상을 해결하는 실패 인식 에이전틱 하네스(agentic harness)인 MOF-Verify를 개발했습니다. 여러 백본 LLM에 걸쳐 MOF-Verify는 직접 추론(inference) 및 검색 기반 베이스라인 대비 가설 검증 성능을 대폭 향상시킵니다. 벤치마크 데이터셋은 https://github.com/IMMS-Ewha/MOF-Verify-Benchmark 에 공개되어 있습니다.

arXiv:2610.00554v1cs.LG

차수 축소 뇌 변형 역학을 위한 하이브리드 양자-고전 모델 평가

Evaluating Hybrid Quantum-Classical Models for Reduced-Order Brain Deformation Dynamics

본 연구에서는 시공간적 뇌 변형 필드의 차수 축소(reduced-order) 예측을 위한 하이브리드 양자-고전 머신러닝을 평가합니다. 고차원 변위 필드의 계산적 난해성을 완화하기 위해, 고유 직교 분해(POD)를 적용하여 데이터를 간결한 잠재 공간(latent space)으로 투영합니다. 이 프레임워크 내에서 정적 시간-잠재 회귀(static temporal-to-latent regression)와 자기회귀적 잠재 상태 예측(autoregressive latent state forecasting)이라는 두 가지 서로 다른 학습 목표를 수립합니다. 우리는 간결한 고전 기준선(baseline) 모델을 최소형 및 개선형 하이브리드 양자 아키텍처 모두와 체계적으로 벤치마크 평가합니다. 연구 결과에 따르면 현재 설정에서는 고전 신경망이 가장 강력한 기준선을 제공합니다. 정적 회귀의 경우 고전적 POD-MLP가 평가된 모든 양자 변형 모델보다 우수한 성능을 보였으나, 개선형 변분 양자 회로(VQC)는 최소형 VQC 기준선에 비해 상당한 개선을 보였습니다. 시계열 예측의 경우 고전적 POD-LSTM이 다양한 과거 윈도우와 무작위 초기화 전반에 걸쳐 개선형 양자 LSTM(QLSTM)에 비해 우수한 예측 정확도와 통계적 강건성을 제공합니다. 종합적으로 본 연구는 차수 축소 물리 필드 학습을 단기 양자 머신러닝(QML)을 위한 엄밀한 테스트베드로 확립하며, 하이브리드 개선 기법이 취약한 양자 회로의 표현력을 성공적으로 회복시키지만 재현 충실도(fidelity)와 안정성 면에서는 여전히 고전 아키텍처가 확고한 우위를 유지함을 강조합니다.

arXiv:2610.00237v1cs.CE

컴포넌트화된 항공우주 시스템에서 물리장 예측을 위한 조합적 임베딩 아키텍처

Compositional Embedding Architecture for Physical Field Prediction in Componentized Aerospace Systems

우주선 열 설계(spacecraft thermal design)는 발열 구성요소의 개수와 공간적 배치, 그리고 열 경계조건의 변화가 온도장(temperature field)에 미치는 영향을 반복적으로 평가해야 한다. 고정밀 수치 시뮬레이션(high-fidelity numerical simulation)은 계산 비용이 커서 대규모 설계 스크리닝에 활용하기 어렵다. 대체 모델(surrogate model)을 사용하면 온도장 예측을 가속화할 수 있지만, 기존 접근법들은 일반적으로 전체 구성(configuration)을 하나로 인코딩할 뿐 구성 간에 재사용 가능한 국부적 물리적 구성요소(local physical constituent)를 명시적으로 활용하지 않으며, 이로 인해 학습 과정에서 다루지 않은 구성요소 개수 및 조합에 대한 정확도가 제한된다. 이 문제를 해결하기 위해, 우리는 복잡한 우주선 열 구성을 재사용 가능한 국부적 물리 인자(local physical factor)로 분해하고, 트리 구조의 조합 모듈(tree-structured composition module)을 사용하여 서로 다른 인자 조합에 대응하는 전역 온도장 응답을 학습하는 트리 구조 인자 조합 네트워크(Tree-Structured Factor Composition Network, TFCN)를 제안한다. TFCN은 지정 온도(prescribed-temperature) 및 복사 열유량(radiative-flux) 경계조건을 갖는 2차원 정상상태(steady-state) 우주선 열해석 사례에서 평가된다. 모델은 발열 구성요소 개수가 15개 이하인 구성에서만 학습되며, 16~25개의 구성요소를 포함하는 미학습(unseen) 구성에서 평가된다. 지정 온도 및 복사 열유량 사례에서 TFCN은 구성요소 개수 분포 외(out-of-distribution) RMSE 값으로 각각 4.21K와 18.62K를 달성하였으며, 이는 가장 강력한 기준선(baseline) 대비 각각 65.6%와 33.6%의 감소에 해당한다. 이러한 결과는 TFCN이 구성요소 개수 변화에 따른 온도장 예측의 신뢰성을 향상시키며, 신속한 우주선 열 설계 평가 및 대규모 구성 스크리닝을 위한 효율적인 대체 모델(surrogate)을 제공함을 보여준다.

arXiv:2609.09434v2cs.LG

텐서 트레인 기반 약형 SINDy: 고차원 비선형 동역학 식별

Tensor-Train Weak SINDy: Identifying High-Dimensional Nonlinear Dynamics

약형 비선형 동역학 희소 식별(WSINDy)은 수치 미분을 요구하지 않고 데이터로부터 동역학계를 학습하기 위한 노이즈에 강건한 접근법을 제공합니다. 그러나 고차원 시스템의 경우, 후보 함수의 텐서 곱 라이브러리가 상태 차원에 따라 지수적으로 증가하여 표준 WSINDy는 연산 및 메모리 측면 모두에서 비용이 많이 듭니다. 다차원 비선형 동역학 근사(MANDy)는 후보 라이브러리의 텐서 트레인(TT) 표현을 통해 이러한 스케일링 문제를 해결하지만, 희소 모델 선택 메커니즘을 제공하지는 않습니다. 본 연구에서는 이러한 접근법들을 결합하여 약형 변환, 회귀, 희소화를 모두 TT 형식으로 수행하는 TT-WSINDy를 개발합니다. 본 논문에서는 TT 정식화가 이에 상응하는 WSINDy 회귀 문제를 복원함을 보이고, 텐서 트레인 희소화 과정에 대한 다항 시간 및 메모리 복잡도 경계를 유도합니다. 수치 실험을 통해 측정 노이즈에 대한 강건성과 고차원 시스템에서의 연산량 절감 효과를 입증합니다.

arXiv:2609.00644v3math.OC

규율화된 이중계층 프로그래밍

Disciplined Bilevel Programming

이중계층 최적화(bilevel optimization)는 계층적 의사결정 문제를 위한 자연스러운 모델링 언어를 제공한다. 그러나 기존 수치 솔버를 적용하려면 대개 상당한 수준의 수동 분석과 재정식화가 필요하다. 본 논문에서는 사용자가 수학적 정식화에 가까우면서도 사람이 읽기 쉬운 고수준 방식으로 낙관적 이중계층 문제를 정의하고 해결할 수 있도록 지원하는 기호 프레임워크인 규율화된 이중계층 프로그래밍(DBLP, disciplined bilevel programming)을 소개한다. 규율화된 비선형 상위 문제와 규율화된 매개변수화 프로그래밍 규칙을 만족하는 볼록 하위 문제로 구성된 문제에 대해, DBLP는 하위 문제를 원추(conic) 형태로 자동 정규화하고 원추 Karush-Kuhn-Tucker 조건을 사용하여 동등한 단일 계층 재정식화를 구성한다. 본 연구에서는 그에 따라 도출된 상보성 제약(complementarity constraint)을 완화하고 간극 연속화(gap continuation) 절차를 활용해 일련의 매끄러운 비선형 문제를 근사적으로 해결한다. 또한 DBLP를 이중계층 프로그래밍을 위한 CVXPY의 확장 오픈소스 Python 패키지인 BLVPY로 구현하였다. 여러 응용 도메인의 다양한 이중계층 최적화 문제를 통해 BLVPY의 모델링 및 문제 해결 능력을 입증한다. 제안된 프레임워크와 구현을 통해 사용자는 이중계층 모델링 및 수치 최적화에 대한 사전 전문 지식 없이도 몇 줄의 코드만으로 이중계층 최적화 문제를 정의하고 해결할 수 있다.

arXiv:2610.01773v1cs.CE

CODesign: 전원자 단백질 바인더 공동 설계에서 데이터부터 궤적까지의 일관성 확보

CODesign: Consistency from Data to Trajectory in All-Atom Protein Binder Co-Design

신규(de novo) 단백질 설계의 핵심 과제는 설계된 각 서열이 의도한 구조로 접히고 해당 구조가 그 서열을 수용할 수 있도록, 타당하면서도 상호 호환되는 구조와 서열을 생성하는 것입니다. 상호의존적인 모달리티의 모델링을 분리하는 일반적인 2단계 설계 방법과 비교하여, 공동 설계(co-design) 모델은 서열과 구조를 함께 생성함으로써 모달리티 간 일관성을 향상시킵니다. 그러나 서열과 구조를 단순히 동시에 생성하는 것만으로는 이들의 일관성을 보장할 수 없습니다. 이러한 문제를 해결하기 위해 우리는 CODesign 프레임워크를 제안합니다. 우리는 약 105,000개의 일관성 증류된 이합체(dimer)를 생성하여 데이터 일관성을 개선합니다. 나아가 서열, 백본 구조, 국소 원자 배치의 결합 분포를 포착하는 다중모달 결합 흐름(multimodal joint flow) 모델과, 서열 및 곁사슬(side chain)을 반복적으로 정제하는 일관성 인지 결합 재샘플링 전략을 통해 일관성을 더욱 촉진합니다. 실험 결과에 따르면 CODesign은 단백질 및 리간드 표적 바인더 설계 모두에서 가장 높은 인실리코(in silico) 성공률을 기록하며 최첨단(SOTA) 성능을 달성합니다. 절제 연구(ablation study)를 통해서도 증류된 데이터셋이 성능을 70.9% 향상시키며, 무시할 수 있는 수준의 추가 계산 비용만으로 제안된 재샘플링 메커니즘을 통해 성능을 더욱 끌어올릴 수 있음을 입증합니다. 코드, 모델 가중치 및 새로운 데이터셋은 완전히 오픈소스로 공개될 예정입니다.

arXiv:2610.01128v1cs.AI

정책 생성 및 예측을 위한 DSGE 시뮬레이터 기반 대규모 언어 모델 그라운딩

Grounding Large Language Models in DSGE Simulators for Policy Generation and Forecasting

대규모 언어 모델(LLM)은 그럴듯하게 들리는 경제 정책 대응을 생성할 수 있지만, 이것이 모델의 조치가 경제적 동역학과 일치함을 보여주지는 않습니다. 우리는 인스트럭션 튜닝(instruction tuning)된 언어 모델을 6개의 Snowdrop 기반 동적 확률적 일반 균형(DSGE) 시뮬레이터 내부에 배치하여 이를 검증합니다. 매 턴마다 모델은 경제 상황과 경제 담론의 변화를 관측하고, 유계된(bounded) 정책 조치를 선택하며, 다음 시뮬레이션 상태와 경제적 보상을 받습니다. 우리는 반복적인 롤아웃, 지속적 충격, 상태 복제, 롤링 호라이즌(rolling-horizon) 시뮬레이션을 위한 공통 Python 인터페이스를 구현합니다. 이러한 설정은 장기적인 신용 할당(credit-assignment) 문제를 야기합니다. 정책 효과는 조치가 취해진 후 여러 분기가 지나서 나타날 수 있습니다. PPO는 일반화된 이점 추정(GAE)을 통해 지연된 보상을 이전 토큰으로 전파할 수 있는 학습된 가치 함수를 가지고 있습니다. 반면 GRPO는 학습된 가치 함수가 없으며, 대신 전체 롤아웃 수익으로부터 그룹 상대적 이점을 할당합니다. 따라서 GRPO는 어떤 이전 턴이 결과를 초래했는지 구별할 수 없으며, 모든 롤아웃이 동일한 수익을 받는 경우 정규화된 이점은 0이 됩니다. 우리는 PPO를 주요 방법으로 사용하고 GRPO를 이에 대응하는 비평가 없는(critic-free) 기준선으로 사용합니다. 또한 실험에서는 방향성 의미 신호, 보상 호라이즌, 궤적 웜 스타트(warm start), 시뮬레이터 간 전이, 그리고 역사적 사실에 기반한 팬데믹 및 통화 정책 충격도 테스트합니다. 본 연구의 목적은 그럴듯한 언어만으로 평가하는 것이 아니라, 시뮬레이션된 경제적 결과를 바탕으로 정책 조치를 평가하는 것입니다.

arXiv:2610.00354v1cs.CR

증명 기반 서명: 온체인 AI 에이전트를 위한 상태 드리프트 상황에서도 유효한 솔버 검증 트랜잭션 보호 장치

Proof-Gated Signing: Solver-Checked Transaction Guards that Hold Under State Drift for Onchain AI Agents

지갑을 제어하는 AI 에이전트(agent)는 공격자가 접근 가능한 콘텐츠를 읽기 때문에 유해한 트랜잭션을 제안하도록 유도될 수 있습니다. 일반적인 최종 방어선은 정적 허용 목록(allowlist), LLM 검토기, 또는 트랜잭션 시뮬레이션과 같은 서명 전 검사입니다. 이 세 가지 방식은 모두 하나의 공통된 결함을 공유합니다. 즉, 검사는 검사 시점의 체인 상태를 기술하지만, 트랜잭션은 공격자가 프런트러닝(front-running), 컨트랙트 업그레이드 또는 토큰 매개변수(parameter) 변경을 통해 조작할 수 있는 이후 상태에서 실행된다는 점입니다. 우리는 이를 상태 드리프트(state drift)라고 부릅니다. 본 논문에서는 제안된 트랜잭션을 시뮬레이션하고, 그 효과를 추출하며, SMT 솔버를 사용하여 오라클 불확실성 대역 내의 모든 가격에 대해 선언적 가치 및 권한 정책을 검사하는 증명 기반 서명(PGS, Proof-Gated Signing)을 제시합니다. 그런 다음 온체인 사후 조건(지갑 잔액 범위, 수취인 영수증, 허용 한도 상한 및 소유권)을 컴파일하고, 이를 만족하는 모든 실행이 정책 또한 만족함을 증명합니다. 에이전트의 스마트 컨트랙트 지갑은 이러한 조건을 원자적으로 강제하므로, 임의의 드리프트가 발생하는 상황에서도 실행된 트랜잭션에 보장이 적용됩니다. 260개 시나리오(드리프트 패밀리 5개 및 적응형 패밀리 2개를 포함한 14개 공격 패밀리와 12개 정상 패밀리)로 구성된 공개 테스트베드에서 정책 대신 공격자 잔액을 기준으로 피해를 측정한 결과, PGS는 140개의 유해한 시나리오 중 93.6%를 방지하고 정상 시나리오의 97.5%를 통과시켰습니다. 반면 시뮬레이션 전용 검사는 57.9%, 정적 허용 목록은 71.4%를 방지하는 데 그쳤습니다. PGS 적용 하에서 50개의 드리프트 시나리오 중 공격자 이득을 발생시킨 시나리오는 전혀 없었습니다. 유일하게 방지되지 않은 패밀리인 정책 내 탈취(in-policy drain)는 세션당 예산 범위 내로 제한되었습니다. 또한 LLM 검토기에게 드리프트 이전의 깨끗한 시뮬레이션 결과를 제공했을 때 드리프트 공격을 승인할 가능성이 오히려 더 높아진다는 점도 발견했습니다. 오버헤드는 검사당 약 41k 가스(gas) 및 0.1-0.2초 수준입니다.

arXiv:2609.27785v1q-fin.RM

준이산 최적 수송(Semi-Discrete Optimal Transport)을 통한 립시츠 연속성을 넘어선 금융 꼬리 위험 분석

Financial Tail Risk Beyond Lipschitz Continuity via Semi-Discrete Optimal Transport

금융 수익률은 두꺼운 꼬리(heavy-tailed) 분포를 따르며, 정확한 꼬리 위험 추정은 포트폴리오 리스크 관리의 핵심이다. 최신 신경망 생성 모델은 단순한 기저 분포를 학습된 사상(map)에 통과시켜 표본을 생성하며, 학습 안정성을 위해 이 사상은 립시츠(Lipschitz) 구성 요소로 만들어진다. 바로 이것이 결정적인 제약이다. 가우시안의 립시츠 사상은 서브가우시안(sub-Gaussian)이므로, 꼬리가 더 두꺼운 목표 분포는 어떠한 유한한 립시츠 상수에서도 정확 일치(exact match)를 이룰 수 없다. Monge–Ampère 방정식은 Brenier 사상의 국소적 왜곡을 밀도비 $f/(g\circ T)$와 연결하므로, 목표 밀도의 골이 깊을수록 더 높은 이득(gain)을 가진 사상이 필요하고 추정량의 분산도 더 커진다. 이 논증은 유계 왜곡(bounded distortion)만을 요구하므로, 정규화 플로(normalizing flow), 플로 매칭(flow matching), GAN, 확산(diffusion) 샘플러를 모두 포괄한다. 준이산 최적 수송(Semi-Discrete Optimal Transport, SDOT)은 소스의 꼬리 부류가 아니라 사상의 정則성(regularity)을 완화한다. SDOT의 파워 다이어그램(power diagram)은 학습 관측치마다 소스 측도의 정확히 $1/N$을 담는 셀을 부여하며, 꼬리 관측치는 사상을 늘려서가 아니라 셀 경계를 넘어 도달한다. 주요 실험에서는 첨도(kurtosis) 94에서 1,679에 이르도록 보정된 Merton 점프-확산(jump-diffusion) 모형의 심각도를 변화시키며 평가한다. SDOT는 꼬리 비율을 $0.85$--$0.94$로 유지하고 시드 간 표준편차도 $0.025$ 미만인 반면, 학습 기반 생성 모델은 모두 꼬리를 압축하거나, 그렇지 않으면 함께 커지는 분산과 함께 꼬리를 부풀린다. 추가 실험에서는 이 결과를 실제 S&P~500 수익률과 21년간의 백테스트로 확장하며, 여기서 SDOT는 CVaR 최적화 하에서 위험 조정 성과가 가장 우수한 시장중립 전략을 제공한다(샤프 비율 $0.70$, 최대 낙폭 $-2.60\%$이며, 차순위 생성 모델은 샤프 비율 $0.40$).

arXiv:2609.28090v1cs.CL

대규모 언어 모델(LLM)은 조작된 백테스트를 잡아낼 수 있는가? 클린-대조군 캘리브레이션 벤치마크

Can LLMs Catch a Rigged Backtest? A Clean-Control Calibration Benchmark

백테스트 감사는 캘리브레이션(calibration) 문제입니다. 모델이 매칭된 정상(clean) 전략까지 거짓으로 결함이 있다고 표시(flag)한다면 결함 재현율(recall)이 높아도 유용하지 않습니다. 본 연구에서는 전략, 기간, 코드 스타일, 라벨, 보고 스캐폴드를 고정한 채 방법론 세부사항 단 하나만을 변경하여 결함이 있는 모든 백테스트마다 정상 대조군(clean control)을 둔 96개 항목의 쌍체(paired) 벤치마크를 구축합니다. 결정론적 평가기(deterministic scorer)는 결함 재현율, 정상 대조군 위양성(false positive), 증거 위치 파악(localization), 수정 적합성을 분리하여 측정합니다. 네 가지 텍스트 엔드포인트에서 캐시된 1,440개의 감사를 평가한 결과, 기본 DeepSeek 감사 모델은 100.0%의 폐쇄형 및 정상 인식(clean-aware) 코드 재현율을 달성했으나, 개방형 프롬프트에서는 정상 코드 대조군의 93.8%를 과도하게 결함으로 표시했으며, 재현율이 포화된 영역에서도 정상 인식 전체(all-three) 특이도(specificity)는 87.5%에 머물렀습니다. 정상 인식 경고를 제공하면 동일한 재현율을 유지하면서 DeepSeek의 코드 위양성률이 20.8%(95% CI 11.7--34.3)에서 0.0%(0.0--7.4)로 떨어지는 반면, 예산 앵커(budget anchor) 모델은 동일한 프롬프트 하에서도 여전히 48개 중 38개의 정상 대조군에 결함 표시를 남겼습니다. 재현율만을 보고할 경우 이 네 모델 중 세 모델의 순위가 동일하게 매겨지지만, 정상 대조군 비율을 함께 보고하면 이들 간의 격차는 79포인트까지 벌어집니다.

arXiv:2609.27764v1cs.LG

기호적 실패 탐지 학습: 머신러닝과 블랙-숄즈 모형의 한계

Learning to Detect Symbolic Failure: Machine Learning and the Limits of Black-Scholes

우리는 옵션 가격 결정을 표현(representation) 문제로 다룬다. 즉, 260만 건의 실제 옵션 계약을 사용하여 머신러닝이 블랙-숄즈(Black-Scholes)로부터의 체계적인 편차를 탐지할 수 있는가? 우리는 세 가지 방식을 비교한다. 학습된 추상 임베딩(커널 PCA), 보존된 도메인 구조(트리 기반 앙상블), 그리고 신경망 검증이다. 트리 기반 방법은 커널 차원 축소보다 21.5%p 높은 성능(93.8% 대 72.3%)을 보였으며, 도메인 전문가가 설계한 특징(그릭스, 머니니스)은 엔지니어링된 특징보다 더 우수한 성능을 보였다. 신경망 기반 편차 레이블과 BS 기반 편차 레이블은 99.9974%의 비율로 일치하며, 이는 편차가 모델의 인위적 결과물이 아니라 시장 구조를 반영함을 시사한다. 우리는 전문가가 설계한 기호적 특징이 존재하는 도메인에서는 추상화를 학습하는 것보다 구조를 보존하는 것이 더 낫다고 결론짓는다. 우리는 활용 가능한 오가격(mispricing)이 존재한다고 주장하지 않는다.

arXiv:2609.27216v1cs.CE

KATOsuper: 민감도 일관 Fourier 신경 연산자 기반 대리 모델 가속 신경 토폴로지 최적화

KATOsuper: Surrogate-accelerated neural topology optimization with sensitivity-consistent Fourier neural operators

토폴로지 최적화(TO)는 각 반복마다 유한요소 해석(FEA) 평가를 반복해야 하므로 여전히 계산 비용이 크다. 신경망 기반 대리 모델은 가속 가능성을 제공하지만, 기존 접근법은 예측 목적함수와 민감도 사이의 그래디언트 불일치로 인해 최적화 불안정을 겪는 경우가 많다. 본 연구는 신경 재매개변수화 토폴로지 최적화와 민감도 일관 Fourier 신경 연산자(Sensitivity-Consistent Fourier Neural Operator, SC-FNO)를 결합한 목적함수 비의존 프레임워크 KATOsuper를 제안한다. 이 프레임워크는 forward_split 아키텍처를 사용하며, 예측된 목적함수 장에 대한 자동 미분을 통해 배포 민감도를 도출하여 예측 목적함수와 최적화에 사용되는 그래디언트 간의 일관성을 유지한다. 사례 연구에는 준수(compliance) 또는 응력 최소화를 다루는 2D 벤치마크 문제 3건과 3D 구조 3건이 포함된다. Fourier 위치 임베딩을 갖춘 물리 정보 다채널 입력 인코딩은 해상도 불변 학습을 가능하게 하여, 재학습 없이 학습 해상도를 넘어서는 제로샷 외삽을 지원하며, 중간 정도의 스케일링 계수에서는 유용한 성능을, 최대 64배까지는 토폴로지를 보존하는 탐험을 제공한다. 이 프레임워크는 학습 가능한 B-spline 활성화를 갖춘 새로운 KANConv3D 블록을 특징으로 하는 KATO3D를 통해 3D로 확장된다. KATOsuper는 MATLAB 기준 대비 배포 시간 15–110배 속도 향상을 보이면서 경쟁력 있는 최적성을 유지하며, 가장 뚜렷한 이득은 복잡한 3D 및 응력 최적화 사례에서 관찰된다. 민감도의 크기보다 방향이 더 중요하다는 통찰은 근사 물리 평가에서도 견고한 최적화를 가능하게 하며, 다른 미분 가능한 물리 기반 설계 목적함수로도 확장할 수 있다.

arXiv:2604.26160v2stat.ME

Fitting Large Nonlinear Mixed Effects Models Using Variational Expectation Maximization

비선형 혼합효과(Nonlinear Mixed Effects, NLME) 모델은 계층적·종단 데이터를 분석하기 위해 약동학(pharmacometrics) 및 관련 분야에서 널리 쓰인다. 그러나 매개변수와 랜덤 효과(random effects) 수가 늘면, 주변 가능도(marginal likelihood)를 최대화하는 전통적 방법은 계산 비용이 커진다. 본 논문은 NLME 모델 적합을 위한 확장 가능한 대안인 변분 기대 최대화(Variational Expectation Maximization, VEM) 알고리즘을 다룬다. VEM은 확률 그래프 모델(probabilistic graphical models) 맥락에서 처음 도입되었고 이후 변분 오토인코더(variational autoencoders)를 통해 널리 알려졌으나, NLME 모델링에는 광범위하게 적용되지 않았다. 유연한 변분군(variational families)과 역전파 자동 미분(reverse-mode automatic differentiation)을 활용하면 VEM은 주변 가능도를 효율적으로 최대화할 수 있으며, 15,000개 이상의 모집단(population) 매개변수를 갖는 NLME 모델까지 확장 가능하다. 본 연구는 VEM을 상세히 기술하고 다른 NLME 적합 알고리즘과 비교하며, 계산 실험을 통해 확장성을 보인다. Pumas 통계 소프트웨어로 두 가지 시험 모델을 적합했다: 1) 표준 warfarin 모델, 2) 불필요하게 과매개변수화된 DeepNLME Friberg 모델(모집단 매개변수 15,410개, 랜덤 효과 16개). warfarin 모델은 VEM의 정확성을 보이기 위해 끝까지 적합했고, DeepNLME Friberg 모델은 장난감(toy)이지만 대규모인 모델에서 VEM의 확장성을 보여준다. VEM은 실용적인 반복당 비용으로 수백 번의 반복에 걸쳐 로그 가능도(log likelihood)를 꾸준히 개선하는 반면, FOCE는 하루 안에 한 번의 반복도 완료하지 못했다. 해당 모델은 작은 데이터셋에 대해 의도적으로 과매개변수화되어 과적합(over-fits)하므로, 이 실험이 확립하는 것은 VEM이 이 규모의 모델 목적 함수를 실용적 비용으로 최적화한다는 점이다. 진정으로 유용한 대규모 모델에 VEM을 적용하는 것은 향후 연구로 남긴다.

arXiv:2609.27621v1cs.AI

SHRAV: 물리 모델링 및 역설계를 위한 상태-가설-추론-행동-검증 프레임워크

SHRAV: State-Hypothesis-Reason-Action-Verify Framework for Physical Modeling and Inverse Design

물리 모델링(physical modeling)과 역설계(inverse design)는 재사용 가능한 상태(state)로부터 이어갈 수 있는 계산을 필요로 합니다. 우리는 상태(State), 가설(Hypothesis), 추론(Reason), 행동(Action), 검증(Verify)을 중심으로 구성된 아키텍처 독립적 계산 프레임워크인 SHRAV를 소개합니다. 이 프레임워크의 핵심 메커니즘은 선언된 재사용 경계와 학습된 진화 및 수치적 양에 대한 명시적 역할을 갖춘 상태 지속(state-continuation) 코어입니다. 순방향 구성은 예측 상태를 진화시키고 물리적 반응을 판독하며, 역설계 구성은 추가로 목표 지향적 수정을 생성하고 평가기 피드백을 활용합니다. 전자기 월드 모델 연구는 순방향 구성에 매핑되며, 선별된 판독 및 재사용 진단 결과가 여기에 보고됩니다. 전산 리소그래피는 역설계 구성을 실증합니다. 즉, 독립적인 스칼라-동공(scalar-pupil) 재생 하에서 4회의 고정 가중치(fixed-weight) 설계 업데이트를 통해 임계값 적용 공중상 IoU(intersection-over-union)를 0.5313에서 0.8153으로 향상시키며, 예측기 추정치와 독립적 재생 간의 최대 절대 예측-재생 차이는 약 0.000824를 나타냅니다.

arXiv:2609.27024v1q-fin.CP

손실 선택인가, 모델 선택인가? 암호화폐 변동성 예측에서 예측 수준의 역할

Loss Choice or Model Choice? The Role of Forecast Level in Cryptocurrency Volatility Forecasting

변동성 예측은 전반적인 수준과 일일 변동이 하류 의사결정에 영향을 미치므로 금융 리스크 관리에서 핵심적인 역할을 한다. 대부분의 연구는 학습 손실을 고정한 채 예측 모델을 비교한다. 그러나 손실은 서로 다른 오차를 강조하고 미래 변동성의 서로 다른 속성을 목표로 할 수 있어, 원시 비교는 지속적인 예측 수준 차이와 일일 예측 변동의 차이를 한데 섞을 수 있다. 이로 인해 손실 선택의 중요성이 주로 목표로 하는 예측 수준에서 비롯되는지, 아니면 수준 조정 이후에도 남는 차이에서 비롯되는지는 해결되지 않은 채로 남는다. 우리는 주요 암호화폐에 걸쳐 일곱 가지 손실과 다섯 가지 모델을 비교하여 이 공백을 다룬다. 검증 기반 정렬은 통계 점수와 1일 VaR(Value-at-Risk)로 원시 및 정렬된 예측을 평가하기 전에 예측 수준을 조정한다. 정렬 이전에는 손실 간 한계 점수 변동이 더 크다. 정렬 이후에는 전체 다섯 모델 비교에서 모델 선택이 변동의 더 큰 원인이 되며, VaR 위반율의 손실 간 차이는 상당히 좁아진다. 우리의 기여는 원시 비교에서 손실이 그렇게 영향력 있게 보일 수 있는 이유와 예측 수준과 하류 리스크를 명시적으로 고려할 때 이러한 해석이 어떻게 달라지는지를 보여 주는 손실 및 모델 선택에 대한 종합적 평가이다.

arXiv:2609.25145v1stat.ML

역문제에서 상환 베이지안 추론을 위한 변분 목적함수: 사후 조건화의 역할

Variational objectives for amortized Bayesian inference in inverse problems: The role of posterior conditioning

변분 오토인코더(VAE)는 역문제에 대한 상환 베이지안 추론(inference)을 효율적으로 수행하는 접근을 제공하지만, 역문제에 약하게 식별되는 매개변수 방향이 포함될 때 특히 사후 정확도는 변분 정규화(regularization) 선택에 크게 의존할 수 있다. 본 연구는 세 가지 목적함수를 조사한다: 역 Kullback–Leibler 형식(VAE-KL), 비대칭 Jensen–Shannon 형식(VAE-JS), 그리고 역 Kullback–Leibler 정규화항을 제곱 2-Wasserstein 거리로 대체하면서 순방향 Kullback–Leibler 사후 지도는 유지하는 Jensen–Shannon–Wasserstein 형식(VAE-JSWA). 상환 사후 추론에는 full-covariance 가우시안 인코더와 사전학습된 물리 기반 서로게이트(surrogate)를 사용한다. 일반화 Fisher 기저에서의 국소 선형–가우시안 분석을 개발하여 세 목적함수의 분산 의존 기울기를 특성화한다. 이 형식들은 먼저 알려진 사후 해가 있는 선형–가우시안 벤치마크로 평가한 뒤, 선형 ODE에 의해 지배되는 역문제 하나와 PDE 제약 역문제 두 개를 포함한 비선형 물리 기반 역문제에서 검증한다. 세 접근 모두 유사한 사후 근사를 내놓는 잘 조건화(well-conditioned)된 벤치마크에서는 VAE-KL이 다른 형식들보다 약간 더 나은 성능을 보이는 반면, 강하게 ill-conditioned된 벤치마크에서는 VAE-JSWA가 사후 오차를 현저히 더 낮춘다. 비선형 물리 기반 문제에서도 유사한 조건화 의존 경향이 나타나며, 사후 ill-conditioning이 커질수록 JS 기반 형식이 더 큰 이득을 제공한다. 이러한 결과는 사후 조건화(posterior conditioning)가 변분 목적함수 선택에 중요한 요인임을 시사하며, 베이지안 역문제를 위한 기하학 적응형 변분 추론을 동기 부여한다.

arXiv:2609.23367v1hep-ph

검증 기반 미세조정을 통한 LLM 기반 FORM 코드 생성

LLM-Based FORM Code Generation with Verification-Driven Fine-Tuning

FORM은 다중 루프 파인만 다이어그램(multi-loop Feynman diagram) 계산에서 발생하는 매우 큰 대수식을 처리하기 위해 입자물리학에서 널리 사용되는 도메인 특화 기호 조작 언어입니다. 정밀도(precision) 이론물리학에서의 핵심적인 역할에도 불구하고, 우리가 아는 한 물리학자의 FORM 코드 작성을 지원하는 인공지능 툴링은 존재하지 않습니다. 본 연구에서는 수천억 개의 파라미터를 보유한 프론티어 모델을 포함한 최신 대규모 언어 모델(LLM)이 문서 참조가 없는 단일 시도 조건에서 우리의 지시 준수 및 튜토리얼 형태의 FORM 작업에 대해 0%의 실행 성공률을 기록함을 보이며, 본 논문 작성 시점에서 FORM이 LLM에게 진정한 제로샷(zero-shot) 언어임을 입증합니다. 이어 FORM 바이너리 자체를 실행 오라클(execution oracle)로 활용하여 결정론적 계산, 개방형 프로그램, 튜토리얼 코드, 지식 기반 질의응답 쌍에 걸친 4,633개의 학습(training) 예제 코퍼스를 생성하고 검증하는 검증 기반 데이터 생성 파이프라인을 제시합니다. 양자화된 저차원 적응(QLoRA)을 통해 소형 오픈 가중치 모델(Qwen3-8B)을 미세조정(fine-tuning)하여 특화 모델을 구축하였으며, 4개의 상호보완적 벤치마크(840개 작업, 각 단일 시도)에서 평가한 결과, 더 큰 벤치마크에서 최대 756B 파라미터를 갖춘 프론티어 모델을 실행률 및 엄격한 FORM 검증 출력 일치도 측면에서 결정적으로 능가하였고, 더 작고 어려운 벤치마크에서는 통계적으로 구별되지 않는 성능을 유지했습니다. 일반적인 추론 및 코딩 능력은 2.6%포인트 이내로 보존되었습니다.

arXiv:2609.22984v1cs.LG

LPINNs: 물리 정보 신경망을 위한 첫 번째 층 게이트 국소화

LPINNs: First-Layer Gated Localization for Physics-Informed Neural Networks

물리 정보 신경망(PINN)은 계산 영역 전반에서 하나의 공유된 표현을 사용하므로, 긴 영역 및 고계 도함수 연산자에서 최적화(optimization)가 어려워질 수 있습니다. 본 연구에서는 영역을 분할하거나 경계면 손실(interface loss)을 추가하지 않고 첫 번째 층 단위에 수용장(receptive field)을 부여하기 위해, 기존 구조를 그대로 유지한 완전 연결 PINN의 첫 번째 은닉 활성화 값에 입력 의존적 국소화 함수를 곱하는 최소한의 대안을 연구합니다. 비선형 조화 진동자(HO), 긴 공간 구간에서의 열 방정식, 그리고 인위적으로 설계된 4차원(4D) 4계 문제에 대해 총 10개의 대응 시드(paired seed)를 사용하여 각각 최대 세 가지 매개변수화를 갖는 13개 계열의 국소화 함수를 선별 평가합니다. 동일한 계산 예산에서 세 가지 구성이 해의 오차를 크게 줄였습니다: (i) $2\pi$ HO 영역에서 고정된 가우시안 국소화 함수는 3천 에포크(epoch)에서 평균 해 RMSE를 $4.8369\times10^{-1}$에서 $8.83\times10^{-3}$으로 낮춥니다. (ii) 학습 가능한 중심과 폭을 가진 역이차(inverse-quadratic) 계열은 $8\pi$ 열 영역에서 1만 에포크 기준 $2.896\times10^{-1}$에서 $3.06\times10^{-2}$로 낮춥니다. (iii) 고정된 범프(bump) 국소화 함수는 $4\pi$ 4D 영역에서 1만 에포크 기준 $1.75947\times10^{1}$에서 $2.260\times10^{-1}$로 낮춥니다. 이 세 가지 비교에서 모든 대응 시드의 성능이 개선되었습니다. 또한 이 선별 평가는 해당 메커니즘이 무조건적인 이득을 주는 것은 아님을 보여줍니다. HO에서는 13개 계열 중 2개만이 기준선을 능가했으며, 나머지 11개 중 10개는 9배에서 23배 더 나빴습니다. 4D에서는 4개 계열이 무한대/발산 값을 가졌고 5개는 기준선보다 3자릿수(orders of magnitude) 이상 더 나빴습니다. 세 방정식 모두에서 기준선을 능가한 것은 역이차 계열뿐이었습니다. 전반적으로 이러한 결과는 첫 번째 층 국소화가 긴 영역 및 고계 문제에서 기존 기준선 PINN에 대해 측정 가능한 개선을 제공할 수 있음을 보여줍니다.