복잡한 물리 시스템의 고정밀 시뮬레이션(high-fidelity simulation)은 반복적인 예측, 설계, 제어에 사용하기에는 비용이 지나치게 큰 경우가 많다. 축소 모델(reduced-order model)은 고차원 동역학을 신속하게 평가할 수 있는 저차원 표현으로 압축함으로써 이러한 계산 비용 문제를 해결하지만, 온라인 동역학이 오프라인 학습 데이터의 범위를 벗어나면 정확도를 잃는 경우가 많다. 적응형 방법(adaptive method)은 전체 차수 보정(full-order correction)이나 센서 스냅샷과 같은 외부의 범위 밖(out-of-span) 정보를 사용하여 축소 부분공간(reduced subspace)을 온라인으로 갱신함으로써 이러한 한계를 해결한다. 우리는 현재의 축소 부분공간 내부에 이전까지 활용되지 않았던 상보적인 범위 내(in-span) 적응 채널이 존재함을 발견했다. 이 채널을 활용하기 위해, 우리는 망각 계수(forgetting factor)를 적용한 점진적 특이값 분해(incremental singular-value decomposition)를 통해 모델 자신의 예측값을 이용하여 축소 표현을 지속적으로 갱신한다. 이는 축소 부분공간 자체는 그대로 유지된 채, 전개되는 동역학이 지나간 방향에 따라 기저(basis)가 재가중되고 재정렬되는 궤적 기반(trajectory-informed) 스펙트럼 전처리자(spectral preconditioner)를 만들어낸다. 이러한 내부 재구성은 향후의 범위 밖 보정을 더 효과적으로 흡수할 수 있도록 기저를 준비시켜, 추가적인 외부 정보 없이도 적응 성능을 향상시킨다. 우리는 3차원 나선(spiral) 예제를 통해 이 메커니즘을 드러내고, 점성 버거스(viscous Burgers) 및 피셔-KPP(Fisher-KPP) 동역학을 포함한 비선형 편미분방정식(nonlinear partial differential equation)에서 그 이점을 입증한다. 또한 우리는 범위 내 학습(in-span learning)이 문맥 내 학습(in-context learning)의 동역학 시스템적 유사물(analogue)로 해석될 수 있는지를 논의한다. 더 넓게 보면, 범위 내 학습은 계산 과학(computational science)을 위한 새로운 원리를 시사하며, 모델이 생성한 궤적이 이전에 인식된 것보다 더 많은 활용 가능한 정보를 담고 있음을 보여준다.
공학적 예측은 물리적 메커니즘을 방정식, 이산화, 코드 및 검증(validation)으로 일관되게 변환해야 하지만, 국소적인 확인에도 불구하고 오류가 전파될 수 있습니다. 인공지능(AI) 에이전트(agent)는 과학적 작업을 자동화하지만, 물리적 제약과 인간의 감독 하에 이론에서 솔버(solver)에 이르는 과정을 조율하고 독립적으로 감사하는 문제는 아직 해결되지 않았습니다. 본 연구에서는 인간 전문가가 허용 가능한 물리 및 모델링 경계를 정의하고, 에이전트가 증거를 검색하고 방정식을 유도하며 솔버를 구현하고 이론-코드 체인을 감사하는 인간 참여형(human-in-the-loop) 물리 제약 멀티 에이전트 워크플로를 소개합니다. 석션 케이슨 설치 중 토양 플러그(soil-plug) 발달에 적용했을 때, 물리적 지식과 입력이 준비된 후 2.9시간의 에이전트 실행만으로 6개의 정식화(formulation)를 생성하고 감사했습니다. 이러한 정식화 중에서 기하학적 기준선(baseline)에 침투류 기반 토양 간극비 발달을 추가하자 14개 프로파일 전반에서 평균 절대 최종 융기 오차가 58.4%에서 9.0%로 감소했습니다. 최종 선정된 모델(model)은 벽체 부근 팽창(dilation)을 추가로 통합하여 9개의 최종 상태 사례에서 12.4%, 5개의 과정 이력 종점(endpoints)에서 4.2%의 평균 절대 백분율 오차를 달성했습니다. 예측 성능을 넘어, 블라인드 리플레이(blinded replay)를 통해 9개의 목표 문제를 모두 재현한 반면, 독립적인 감사를 통해 36개의 사전 정의된 검사가 통과된 후에도 5개의 구현 문제를 발견했습니다. 전반적으로 본 연구는 멀티 에이전트 AI를 단순한 작업 자동화를 넘어 인간이 관리하는 공학 솔버 영역으로 확장합니다.
본 논문은 안전성, 윤리, 문화적 민감성에서 AI가 직면한 핵심 과제를 해결하기 위해 "responsible intelligence"를 위한 프레임워크를 제안한다. 세 가지 핵심 영역을 발전시킨다. 첫째, 능동 학습(active learning)과 그래프 기반 지식을 활용해 전문 분야에서의 도메인 적응을 개선하여 환각을 줄인다. 둘째, 실시간으로 유해한 텍스트 생성을 선제적으로 차단하는 새로운 디코딩 시점 정렬(decoding-time alignment) 메커니즘을 통해 윤리적 엄격성을 강화한다. 셋째, 다양한 언어적·사회적 규범을 존중하는 언어별 스티어링(steering)을 통해 문화적·다국어 안전성을 보장한다. 궁극적으로 본 연구는 맥락적으로 지식이 풍부하고, 윤리적으로 건전하며, 문화적으로 적응 가능한 차세대 AI를 구축하기 위한 청사진을 제공한다.
전산유체역학(CFD)은 재실 건물의 환기 및 오염 물질 이송을 평가하는 데 널리 사용되지만, 값비싼 스캐닝 하드웨어나 수동 CAD 모델링 없이 실내 형상을 획득하는 문제, 장면을 개별적으로 조작 가능한 객체로 분해하는 문제, 그리고 실내를 다시 촬영하지 않고도 대체 레이아웃에 맞춰 해당 객체들을 재구성하는 문제라는 세 가지 병목 현상으로 인해 대규모 배포가 제한됩니다. 본 연구에서는 단일 360도 실내 비디오를 개별 편집 및 시뮬레이션이 가능한 형상 에셋으로 변환하는 반자동 워크플로우를 제시합니다. 뉴럴 래디언스 필드(NeRF)를 사용해 조밀한 포인트 클라우드를 복원하고, 텍스트 프롬프트 기반 SAM 3 세그멘테이션으로 얻은 2D 인스턴스 마스크를 다중 뷰 일관성 및 심도 대역 필터링을 통해 3D로 투영합니다. 포인트들은 옥트리(octree)를 통해 객체 인스턴스로 분리되며, 가려짐으로 인한 결손 영역은 연결성 그래프를 통해 보충됩니다. 의자 템플릿은 ICP(Iterative Closest Point) 정렬을 통해 피팅되고, 테이블 형상은 절차적으로 생성됩니다. 브라우저 기반 에디터는 품질 보증과 대체 레이아웃 구성의 신속한 구축을 지원합니다. 이후 정상 상태 레이놀즈 평균(Reynolds-averaged) OpenFOAM 솔루션이 비정상 수동 스칼라 이송을 구동하며, 해당 설정은 격자 민감도 연구를 통해 검증되고 IEA Annex 20 벤치마크를 바탕으로 유효성이 입증됩니다. 본 워크플로우를 두 곳의 대학교 강의실과 계단식 계단 강의실에 적용했습니다. 캡처에서 형상 생성까지의 과정은 소비자용 워크스테이션에서 실당 2~5시간이 소요됩니다. 한 강의실에서 진행된 제어된 장애물 추가 시퀀스에서 가구가 추가됨에 따라 모델링된 반감 제거 시간(half-clearance time)은 비단조적으로 변하며, 공간 간 비교 결과 제거 특성을 공간 간에 신뢰성 있게 외삽할 수 없음을 보여줌으로써 공간별 형상 획득의 필요성을 입증합니다. 본 워크플로우는 이러한 형상 획득을 저비용으로 가능하게 함으로써 교실과 같은 공간에 대해 형상이 상세히 반영된 비교 환기 연구를 실용적으로 수행할 수 있도록 합니다.
국경 간 FM 주파수 조정은 수천 개의 송신기와 수백만 개의 송신기-픽셀 관계를 포함하는 점점 더 방대해지는 전파 계획 데이터셋 속에서 외국 방송 서비스를 보호하는 동시에 국내 커버리지를 보존하는 것을 수반한다. 이러한 시나리오에서는 관련된 전력 제어 문제의 높은 차원수로 인해 기존의 최적화(optimization) 방식은 계산 부담이 커진다. 본 논문에서는 대규모 FM 주파수 조정을 위한 간섭 기반 클러스터링 최적화 프레임워크를 제안한다. 제안된 방법은 외국 서비스 보호 기준 위반이 일반적으로 제한된 일부 송신기들에 의해 지배된다는 관찰 결과를 활용한다. 따라서 보호 서비스를 분석하여 주요 간섭원(dominant interferer)을 식별하고 간섭에 미치는 영향을 정량화한다. 이러한 관계는 간섭 그래프를 통해 표현되며, 이 그래프로부터 최적화 지향적 송신기 클러스터가 추출된다. 이 클러스터들은 전역 전력 제어 문제를 클러스터링 기반 시뮬레이티드 어닐링(simulated annealing)으로 해결되는 더 작은 최적화 작업들로 분해하며, 이후 잔여 클러스터 간 상호작용을 포착하는 전역 정밀 조정(refinement)이 뒤따른다. 커버리지와 간섭은 주파수 의존적 보호 기준과 동적 최강 서비스 할당 모델(dynamic strongest-service assignment model)을 사용하여 평가된다. 운용 가능한 규모의 계획을 가능하게 하기 위해, 본 프레임워크는 희소 행렬(sparse matrix)과 GPU 가속 연산을 사용한다. 실제적인 국경 간 FM 조정 시나리오에 대한 테스트 결과, 클러스터링 전략은 외국 서비스 보호와 국내 커버리지를 유지하면서도 최적화 복잡도와 실행 시간을 크게 줄이는 것으로 나타났다. 또한 이 방법은 유해 간섭에 가장 크게 기여하는 송신기들의 해석 가능한 순위를 제공하여 최적화 및 주파수 계획을 지원한다.
주가 예측은 항상 도전적인 과제였다. 많은 연구 프로젝트가 이 문제를 해결하고자 시도하지만, 주가 간에 존재하는 다양한 수준의 의존성에 주목한 연구는 거의 없다. 본 논문에서는 인접한 주가 간의 의존성을 강조하여 주가 예측 성능을 향상시키는 하이브리드 모델을 소개한다. 제안된 모델인 ResNLS는 주로 ResNet과 LSTM이라는 두 가지 신경망 아키텍처로 구성된다. ResNet은 주가 간의 의존성을 식별하기 위한 특징 추출기(feature extractor) 역할을 하며, LSTM은 잔차(residuals)로 간주되는 의존성 정보와 결합하여 초기 시계열 데이터를 분석한다. 실험 결과, 이전 5영업일 연속 종가 데이터를 입력으로 사용할 때 해당 모델(ResNLS-5)의 성능이 다른 입력을 사용한 경우에 비해 최적임을 보여준다. 또한 ResNLS-5는 현재 SOTA(최첨단) 베이스라인 대비 최소 20%의 성능 향상을 입증한다. ResNLS-5가 고객이 주식 시장에서 위험을 효과적으로 회피하고 수익을 올리는 데 도움을 줄 수 있는지 검증하기 위해 백테스팅을 위한 퀀트 트레이딩 프레임워크를 구축하였다. 그 결과, ResNLS-5의 예측을 기반으로 한 트레이딩 전략이 주가 하락기에는 손실을 성공적으로 완화하고 주가 상승기에는 수익을 창출할 수 있음을 보여준다.
Cryptocurrency forecasting presents a distinctive combination of extreme cross-asset scale heterogeneity, non-stationary dynamics, and structural dependencies among Open, High, Low, and Close (OHLC) variables. We present CryptoL, a unified framework designed to address these challenges within multivariate time-series forecasting. CryptoL evaluates forecasting error in context-normalized coordinates within the RevIN pipeline, preventing inverse normalization from introducing an additional squared-scale weighting into the MSE objective. We formally characterize this effect through the empirical risk and parameter-gradient geometry, establishing the conditions under which large-scale assets can disproportionately influence shared-model optimization. Beyond loss-space normalization, CryptoL examines channel-independent and channel-dependent normalization for OHLC data, showing that a shared channel-dependent affine transformation preserves candle-order relations that independent channel transformations need not preserve. The framework further incorporates scale-adaptive numerical stabilization to reduce distortions caused by a fixed normalization constant across assets spanning many orders of magnitude, together with a soft feasibility loss that penalizes violations of the defining OHLC inequalities. Experiments across heterogeneous cryptocurrency assets evaluate these components through controlled ablations and demonstrate improvements in forecasting accuracy, training stability, and the frequency of financially valid OHLC predictions relative to the considered baselines. CryptoL therefore provides an integrated approach to scale-balanced optimization, structure-preserving normalization, numerical stabilization, and constraint-aware cryptocurrency forecasting.
후각 품질은 고차원 서술어 프로필로 흔히 표현되지만, 이들의 저차원 구조는 여전히 불명확하다. 우리는 2차원 쌍곡 임베딩이 이러한 구조에 대한 해석 가능한 표현을 제공할 수 있는지 조사했다. 쌍곡 거리 다차원 척도법(hyperbolic metric multidimensional scaling)을 두 개의 상보적 데이터셋에 적용했다: 3명의 참가자가 160개 후각 물질에 대해 15개 연속 서술어로 평가한 480개의 Sagar 평가 프로필, 그리고 138개 이진 서술어로 주석이 달린 4983개 GoodScents–Leffingwell 분자. 임베딩은 서술어 쌍별 거리를 상당 부분 보존하여, 이후 반경 및 각도 방향 구조 분석을 뒷받침했다. Sagar에서 평가 프로필 엔트로피는 쌍곡 반경과 강하고 음의 연관을 보였으며, 확산된(diffuse) 프로필은 중심에 가깝고 집중된(concentrated) 프로필은 경계에 가깝게 위치했다. 이 반경 방향 구조는 개별 서술어가 아니라 전체 서술어 프로필 수준에서 주로 나타났으며, 대안적 서술어 표현, 참가자별 분석, 평균 평가에 걸쳐 견고하게 유지되었다. sweet, musky, fruity, pleasantness가 가장 강한 방향성 추세를 보였다. GoodScents–Leffingwell에서는 서술어 다중성을 반영하는 활성 라벨 엔트로피(active label entropy)가 반경과 함께 증가하는 반면, 직교 모드에 걸친 분산을 반영하는 직교화 서술어 엔트로피(orthogonalized descriptor entropy)는 반경과 함께 감소했다. 관련 이진 서술어는 일관된 국소 고밀도 영역을 차지했다. 이러한 결과는 후각 서술어 데이터의 쌍곡 표현에서 상보적인 반경 및 각도 방향 구조를 드러낸다. 이는 반경이 전역 프로필 특성을 요약하고 각도 성분이 연속 서술어 기울기와 범주적 구조를 포착하는, 해석 가능한 기술적 틀로서의 쌍곡 매핑을 뒷받침한다.
규모 확장(scale-up)을 위한 회수 공정을 선택하려면 실험실 결과를 제품 요구 사항, 공정 비용, 규모 효과와 연결해야 한다. 본 연구는 자율 선택적 침전을 위한 Pacific Northwest National Laboratory의 CICERO(Computer Intelligence for Critical Element Recovery and Optimization) 워크플로의 기록을 분석한다. 능동 학습(active learning)은 이전 결과를 활용해 실험을 선택한다. 적합된 모델과 재활용 네오디뮴-철-붕소(NdFeB) 자석 기록을 사용한 조건부 후향적 벤치마크에서, 능동 학습은 비적응적 공간 충진(space filling)보다 적은 실험으로 기록된 최선의 결과를 찾아낸다. 농축도(enrichment)는 공급물(feed)에서의 비율 대비 선택된 희토류 대 철의 비율이다. 적응형 정책은 기록된 농축도 최댓값에 16~24개 웰(well, 개별 실험)에서 도달하는 반면, 비적응적 방식은 48개 웰이 필요하다. 본 연구의 2단계 재구성(two-stage reconstruction)은 16개 웰에서 두 가지 적응형 대안과 동률을 이룬다. 재활용 사마륨-코발트(SmCo) 자석에 대한 조건부 분석에서는 2라운드에서 순도와 명목 수율(nominal yield, 가정한 초기량으로부터 계산한 회수 비율) 사이의 상충 관계가 나타나며, NdFeB 1라운드의 경로들은 농축도에서 차이를 보인다. 석유·가스 추출 시 발생하는 생산수(produced water)에 대한 순위는 확인이 필요한 상(phase) 및 희석 가정에 따라 달라진다. 우리는 배치를 하류 베이즈 위험(Bayes risk), 즉 현재의 믿음 하에서 선택 가능한 공정 결정들 중 최소 기대 손실의 기대 감소량을 기준으로 선택할 것을 제안한다. 탐색적 시뮬레이션에서, 후보를 필터링하는 하이브리드 방식은 경로와 조건에 대한 구현된 결합 탐색(joint search)보다 추정 손실이 낮다. 합성 2단계 정책과 관련된 차이는 추정 불확실성에 비해 작다. 우리는 공유된 손실 및 로깅 표준 하에서 사전 등록된 전향적 테스트를 개략적으로 제시하며, 이를 위해서는 명확화된 측정과 기록, 정의된 공정 결정과 관련 출력, 신뢰할 수 있는 경제적 입력값, 그리고 의도한 규모에서의 검증이 필요하다.
복잡하고 실험 중심적인 도메인에서 휴리스틱 설계를 자동화하려면 솔루션 알고리즘의 반복적인 변이 이상의 작업이 필요합니다. 현재 대규모 언어 모델(LLM) 기반의 진화적 방법들은 장기적인 전략적 계획과 과거 실패로부터 학습하는 공식적인 메커니즘이 부족한 확률론적 변이 루프에 의존하는 경우가 많아, 비효율적인 탐험(exploration)과 불필요한 중복 시도를 초래합니다. 이를 해결하기 위해 본 논문에서는 풍부한 실험 환경을 갖춘 최적화(optimization) 문제에서 자동화된 휴리스틱 설계를 위해 고안된 다중 에이전트(agent) 연구 프레임워크인 OR-Agent를 제시합니다. OR-Agent는 분기형 가설 생성 및 체계적인 백트래킹을 명시적으로 모델링하는 트리 기반 워크플로우로 휴리스틱 탐색을 구성합니다. 나아가 현재 에이전트들의 적응형 학습 부족을 해결하기 위해 최적화에서 영감을 얻은 계층적 반추(reflection) 시스템을 도입합니다. 이 시스템에서 단기 반추는 언어적 그래디언트(verbal gradient), 장기 반추는 언어적 모멘텀(momentum), 메모리 압축은 시맨틱 가중치(weight) 감쇠로 작동하여 연구의 역동성을 제어하는 원칙적인 메커니즘을 집합적으로 형성합니다. 고전적인 조합 최적화 문제(예: TSP, CVRP, 빈 패킹) 및 시뮬레이션 기반 협력 주행 시나리오에 대한 광범위한 실험을 통해 OR-Agent가 강력한 진화적 탐색 베이스라인보다 우수한 성능을 보임을 입증합니다. 모든 코드와 실험 데이터는 https://github.com/qiliuchn/OR-Agent 에서 공개되어 이용할 수 있습니다.
Shallow Recurrent Decoder 네트워크는 원자로와 같은 공학 시스템에서 정확한 상태 추정을 제공할 수 있는 새로운 데이터 기반 방법론이다. 이 심층 학습 아키텍처는 소수의 희소 측정값의 시간 궤적을 관측 불가능한 장(field)을 포함한 전체 상태 공간으로 매핑하는 견고한 기법으로, 센서 위치에 무관하며 앙상블 전략을 통해 노이즈 데이터를 처리할 수 있고, 짧은 학습 시간을 활용하며 하이퍼파라미터 튜�ning이 필요하지 않다. 이 아키텍처는 용융염 FAST 원자로(Molten Salt Fast Reactor) 개념에 성공적으로 적용되었으며, 본 연구는 실제 배치된 원자로 개념에 대한 Shallow Recurrent Decoder의 성능을 다룬다. 기저 모델은 TRIGA Mark II 연구용 원자로의 유체 역학 모델로 표현되며, 아키텍처는 수치 모델에서 얻은 합성 온도 데이터와 이전 캠페인에서 기록된 실험 온도 데이터를 모두 활용한다. 따라서 본 연구의 목표는 다음과 같다: 1) 배치된 원자로(TRIGA Mark II)에 대한 SHRED의 최초 적용 제시; 2) SHRED 프레임워크 내 합성/실험 하이브리드 데이터 통합; 3) 물리적으로 제약된 저역학(low-dynamics) 센서 위치에서 SHRED 견고성의 체계적 평가; 4) 모델-데이터 불일치가 존재할 때 SHRED 자기 교정(self-correction) 능력의 정량적 평가. 실제로 이 접근법은 합성 데이터(유클리드 노름에서 평균 상대 오차 4% 미만)와 실험 데이터(온도 RMSE 1.52 K, CFD의 1.85 K 대비)를 모두 사용하여 관심 있는 모든 장을 실시간으로 정확히 재구성할 수 있어, 원자로 디지털 트윈 구축 맥락에서 해석 가능한 모니터링 및 제어 목적에 적합하다.
최근 데이터 기반 방법론의 발전은 공학 시스템의 정확한 상태 재구성을 제공하는 새로운 접근법의 토대를 마련했습니다. 특히 4세대(Generation-IV) 원자로와 같은 신기술의 경우, 관련된 강결합 물리 현상의 복잡성과 극도로 가혹하고 적대적인 환경으로 인해 원자로는 이러한 과제에서 특히 까다로운 적용 대상입니다. 데이터 기반 기법은 전산 대리 모델과 시스템의 국소적 노이즈 측정값을 포함한 다양한 정보 소스를 결합하여 상태를 강건하게 추정할 수 있습니다. 본 연구에서는 새로운 얕은 순환 디코더(Shallow Recurrent Decoder) 아키텍처를 활용하여, 단 3개의 노외 시계열 중성자속 측정값만으로 원자로의 전체 상태 벡터(중성자속, 전구물질 농도, 온도, 압력 및 속도 포함)를 추론(inference)합니다. 특히 본 논문은 매개변수화된 시계열 데이터를 처리할 수 있도록 표준 아키텍처를 확장하여, 다양한 사고 시나리오를 조사할 수 있도록 보장하고 여러 운전 조건에서 정확한 상태 추정을 제공하는 본 접근법의 성능을 보여줍니다. 본 논문에서는 액체 상태의 연료 특성으로 인해 중성자 물리학과 열수력학 간의 강한 결합이 특징인 4세대 원자로 개념인 용융염 고속로(MSFR, Molten Salt Fast Reactor)를 테스트 케이스로 고려합니다. 본 연구의 유망한 결과는 상당히 낮은 학습(training) 비용 덕분에 상태 추정과 관련된 불확실성을 정량화할 수 있다는 점에 의해 더욱 강화됩니다. 실시간으로 모든 특성 필드를 정확하게 재구성할 수 있어, 본 접근법은 원자로 디지털 트윈 프레임워크 내에서 모니터링 및 제어 목적에 적합합니다.
본 연구는 디지털 트윈에서 가상 자산의 토대가 될 수 있는 매개변수 동역학 시스템의 데이터 기반 축소 차수 모델(ROM)을 지능적으로 보강하기 위한 능동 학습(active learning) 프레임워크를 개발한다. 데이터 기반 ROM은 복잡한 동역학 시뮬레이션의 근간이 되는 물리를 보존하는 것을 목표로 하는, 설명 가능하고 계산 효율적인 과학적 기계학습 모델이다. 데이터 기반 ROM의 품질은 제한된 학습 데이터의 품질에 민감하므로, 우리는 연관된 학습 데이터를 사용했을 때 가능한 한 최상의 매개변수 ROM이 만들어지도록 하는 학습 매개변수를 찾고자 한다. 본 접근법은 다양한 종류의 문제에서 특정 매개변수 구조에 맞게 조정할 수 있는 회귀 기반 전략인 연산자 추론(operator inference) 방법론을 사용한다. 우리는 학습 문제를 베이지안 선형 회귀(Bayesian linear regression)로 설정하여, 매개변수 연산자 추론의 확률적 버전을 정립한다. 이렇게 얻어진 확률적 ROM 해에서 비롯되는 예측 불확실성은, 매개변수 영역 전반에서 ROM의 안정성과 정확도를 높이는 새로운 학습 매개변수 벡터를 선택하기 위한 순차적 적응형 샘플링 기법을 설계하는 데 사용된다. 우리는 여러 비선형 매개변수 편미분방정식 시스템에 대해 수치 실험을 수행하고, 그 결과를 무작위 매개변수 샘플로 학습한 ROM과 비교한다. 그 결과, 제안한 적응형 샘플링 전략은 동일한 계산 예산 하에서 무작위 샘플링보다 일관되게 더 안정적이고 정확한 ROM을 산출함을 보여준다.
적층된 필라멘트의 기하학적 형태는 3D 콘크리트 프린팅(3DCP) 구조물의 구조적 성능과 안정성에 큰 영향을 미칠 수 있습니다. 그러나 적층성(buildability) 평가를 위한 대부분의 유한요소법(FEM) 기반 접근법은 인쇄된 층(layer)을 단순화된 직사각형으로 표현하여 예측 정확도를 제한할 가능성이 있습니다. 본 연구에서는 실제 필라멘트 형상이 적층성에 미치는 영향을 조사하기 위해, 심층 학습(deep learning) 기반 필라멘트 형상 예측 도구인 ShapeGen3DCP와 층 활성화 FEM 접근법을 통합한 형상 정보 기반 모델링 프레임워크를 제안합니다. 이 프레임워크는 재료 및 공정 파라미터로부터 형상을 인식하는 수치 모델을 직접 생성하므로, 실험적인 필라멘트 특성 분석이나 연산 집약적인 유체 흐름 시뮬레이션이 필요하지 않습니다. 실험 데이터에 대한 검증(validation)과 직선형 벽체에 대한 매개변수 연구는 압출 파라미터와 그에 따른 필라멘트 형상이 적층성 예측에 상당한 영향을 미칠 수 있음을 보여줍니다. 현실적인 필라멘트 표현은 자유 흐름 적층에서 특히 중요하며, 층 압착 전략은 기하학적 단순화에 덜 민감합니다. 조사된 표현 방식 중에서 타원형 근사는 기하학적 충실도와 모델링 단순성 사이의 효과적인 균형을 제공합니다. 더 빠른 시뮬레이션을 위한 규칙적인 연산 격자 생성을 위해 직사각형 표현을 선호하는 경우, 부피 보존을 기반으로 치수를 정의하는 것이 최대 필라멘트 폭이나 층간 접촉 폭을 사용하여 보정하는 것에 비해 예측 신뢰성을 향상시킵니다. 전반적으로 제안된 방법론은 3DCP 시뮬레이션에 필라멘트 형상을 통합하는 것의 중요성을 입증하며, 적층성 평가를 위해 효율적이고 정확한 기하학적 표현을 선택하는 실질적인 지침을 제공합니다.
신뢰할 수 있는 수송 모델은 많은 화학공학 공정을 모델링하고 최적화할 때 필수적이지만, 대부분의 모델은 현실을 반영하지 못할 수 있는 임의로 선택된 구성 법칙(constitutive law)을 가정하며, 초기 조건이 정확히 알려져 있다고 가정하는 경우도 많습니다. 이 두 가지 제약은 모두 모델 예측에 상당한 바이어스를 유발할 수 있으며, 예측 및 제어 환경에서 사용될 때 체계적인 오차로 이어질 수 있습니다. 블랙박스 방식의 신경망 대리 모델(neural surrogate)은 실제 예시 데이터에 더 잘 부합할 수 있지만, 학습된 과제에 국한되며 물리적 일관성을 검증할 수 없습니다. 본 논문에서는 수송 과정, 특히 개체군 균형 방정식(population balance equation)을 위한 범용 미분 가능 하이브리드 모델링 프레임워크를 소개합니다. 우리의 프레임워크는 JAX 기반 유한 체적법(finite volume) 개체군 균형 솔버와 학습 가능한 신경망 구성 요소를 통합하며, 이 구성 요소는 실제 실험 데이터로부터 구성 법칙을 발견하고 초기 조건을 맞추도록 학습되어, 실제 실험 수송 시스템을 더 잘 모델링할 수 있게 합니다. 나아가 우리는 이 프레임워크를 공정 최적화에도 활용하여, 프레임워크의 미분 가능성을 이용해 관심 있는 양에 대한 실험 설정을 직접 최적화합니다. 이 연구는 질량, 에너지 및/또는 모멘텀 수송을 수반하는 모든 화학 분리 공정을 학습하고 최적화하는 데 이러한 미분 가능 하이브리드 모델링 프레임워크가 지닌 막대한 잠재력을 보여줍니다.
드리프트-확산(drift-diffusion) 수송에 대한 고정밀 TCAD 시뮬레이션은 차세대 FinFET 소자 설계의 핵심 도구로 남아 있지만, 계산 비용이 크며 특히 3D 구조에서는 메시 복잡도에 따라 실행 시간이 급격히 증가합니다. 이로 인해 다목적 설계 공간 탐색이 크게 제한됩니다. 기존 머신러닝 서로게이트(surrogate)는 고정된 설계 파라미터 집합을 소수의 스칼라 소자 지표로 매핑하기 때문에 기저의 물리를 버리게 되고, 소자 기하 구조와 소자 계열 간의 전이 가능성도 잃게 됩니다. 이에 본 논문은 물리 정보 기반 그래프 어텐션 네트워크(GAT) 서로게이트를 제안합니다. 이 모델은 사면체 TCAD 메시 위에서 직접 동작하며, 모든 메시 노드에서 드리프트-확산 시스템의 기본 미지수인 정전 퍼텐셜과 전자 및 정공의 준-페르미 준위(quasi-Fermi level)를 함께 예측합니다. 학습은 데이터 손실과 유한 체적법(finite-volume) 전류 연속성 잔차를 결합하여, 캐리어 수송 물리를 목적 함수에 내재화합니다. 메시를 그래프로 다루기 때문에 서로게이트는 크기 일반화 능력을 갖습니다. 즉, 소수의 핀(fin)으로 이루어진 메시로 학습한 모델을 수정 없이 훨씬 큰 어레이에 적용할 수 있으며, 추론 시에는 GPU 메모리만이 한계가 됩니다. 딥 앙상블(deep ensemble)이 산출하는 노드별 불확실성은 능동 학습(active learning) 루프를 구동하여, 큰 후보 풀을 수 초 내에 선별하고 가장 정보량이 큰 설계만 전체 시뮬레이션으로 넘깁니다. 다중 핀 트라이게이트(tri-gate) FinFET에 대해 Sentaurus Device와 비교 평가한 결과, 이 서로게이트는 세 가지 드리프트-확산 필드를 필드별 RMSE 1V 미만 수준으로 재현하며, 설계당 처리량은 전체 시뮬레이터보다 수십~수백 배를 넘어 여러 자릿수(orders of magnitude) 높은 수준에 이릅니다. 이러한 이점은 소자 크기가 커질수록 더욱 커집니다. 직접 시뮬레이션하기에는 엄청나게 느린 대형 다중 핀 어레이에서도 추론은 소자당 1초 이내에 완료되며, 이는 직접적인 TCAD 스윕으로는 불가능한 소자 규모 전반에 걸친 파레토 프런트(Pareto-front) 탐색을 가능하게 합니다.
컴퓨터 지원 공학(CAE) 시뮬레이션은 공학 분야에서 가장 규모가 크고 까다로운 영역 중 하나로, OpenFOAM, FEniCS, COMSOL과 같은 솔버(solver)를 설정하는 데에는 상당한 전문 지식이 필요합니다. 대규모 언어 모델(LLM) 에이전트는 자연어 요청을 실제로 작동하는 시뮬레이션으로 변환할 수 있는 가능성을 제시하며, 최근의 CAE 에이전트들은 다중 에이전트 분해, 도메인 검색, 스크립트 기반 성찰(scripted reflection)과 같은 시뮬레이션 전용 메커니즘을 추가하고 있습니다. 이러한 메커니즘은 성능이 취약했던 기본 모델에는 적합했으나, 최신 하네스(harness)는 이미 다중 턴 추론, 도구 사용, 실행 피드백을 기본적으로 제공합니다. 본 논문에서는 CAE 시뮬레이션 에이전트가 범용 하네스를 넘어 여전히 필요로 하는 요소가 무엇인지 질문합니다. 정보 접근 권한과 복구 예산(repair budget)을 동일하게 고정한 상태에서, 단일 에이전트 하네스는 다중 에이전트 기반 전문화 시스템과 대등하거나 더 뛰어난 성능을 보였습니다(FoamBench 기준 96.4% 대 88.2%). 절제 연구(ablation) 결과, 이는 하네스가 이미 제공하는 기능 덕분인 것으로 밝혀졌습니다. 실행 피드백 기반 복구는 복구 라운드가 없을 때의 71.8%에서 96.4%로 FoamBench 성능을 끌어올린 반면, 스크립트 기반 성찰은 추가적인 이점을 주지 못했습니다. 여전히 도움이 되는 유일한 입력은 솔버 튜토리얼 형태로 제공되는 도메인 지식이었으며, 이는 측정된 것 중 가장 큰 성능 향상(80.9%에서 96.4%)을 이끌어냈습니다.
은행 재무제표의 비교 분석은 문서의 복잡성, 방대한 분량, 전문적인 용어, 그리고 관할권과 기관에 따라 텍스트와 수치 내용이 균질하지 않다는 점 때문에 자동 질의응답 시스템에 상당한 어려움을 안겨준다. 본 논문은 금융 질의응답을 위한 새로운 벤치마크 데이터셋인 FinRAG-QA를 소개한다. FinRAG-QA는 2019~2023년에 걸친 유럽 및 미국 주요 은행 24곳의 연차보고서와 Pillar 3 보고서 209건을 근거로 하여, 10개의 표준화된 지표에 대해 실무자가 직접 선별한 질문 999개로 구성된다. 미국 공시 자료와 단일 기관 분석에 초점을 맞춘 기존 금융 QA 벤치마크와 달리, FinRAG-QA는 평균 198k 단어 분량의 문서, 즉 기존 어떤 금융 QA 자료보다 긴 문서를 대상으로 기관 간 검색(cross-institutional retrieval)을 목표로 한다. 이 벤치마크에서 다단계 RAG 파이프라인을 평가하고 각 구성 요소의 기여도를 분리하여 분석한다. 문맥 기반 청크 보강(contextual chunk enrichment)과 검색에 최적화된 임베딩 모델을 함께 사용하면 NDCG@10이 0.322에서 0.710으로 상승한다. 정답 근거가 검색되었다는 조건 하에서, 추론에 최적화된 생성기를 사용하면 답변 정확도가 44.6%에서 79.0%로 상승하지만(+34.4 퍼센트 포인트), 생성 지연 시간은 약 20배에 달한다. 또한 1단계 순위가 이미 우수한 경우 크로스 인코더 재순위화(cross-encoder reranking)가 오히려 검색 성능을 저하시키며, 생성 단계에서는 상위 1개 청크만 사용하는 것이 더 큰 컨텍스트를 사용하는 것보다 성능이 좋다는 점을 보인다. 실험은 2024년 말~2025년 초에 당시 이용 가능했던 모델들로 수행되었다.
대규모 언어 모델(LLM)은 응답을 개인화하기 위해 메모리, 프로필, 역할 프롬프트와 같은 사용자 컨텍스트를 점점 더 많이 활용한다. 이러한 개인화는 근거 기반 판단에 영향을 미칠 수 있다. 즉, 동일한 근거라도 사용자 컨텍스트가 다르면 서로 다른 결론으로 이어질 수 있다. 금융은 의사결정이 길고 복잡한 문서의 해석에 좌우되는 경우가 많아, 이 문제를 연구하기에 위험도가 높은 환경이다. 우리는 12개의 LLM에 걸쳐 3,575건의 SEC 공시 문서를 사용해 이를 검증한다. 근거 선택의 효과와 해석의 효과를 분리하기 위해, 페르소나 조건 검색, 중립 검색, 메모리 프레임 컨텍스트를 비교한다. 그 결과, 사용자 컨텍스트 스필오버(spillover)의 대부분은 서로 다른 근거를 검색하기 때문이 아니라, 모델이 동일한 근거를 역할에 따라 다르게 해석하기 때문에 발생함을 확인했다. 이어서 두 가지 간단한 완화 전략을 검증한다. 하나는 동일한 투자자 성향을 어시스턴트 역할이 아닌 사용자 프로필로 표현하는 것이고, 다른 하나는 근거 기반 출력과 개인화된 출력을 분리하는 것이다. 두 전략 모두 스필오버를 줄이지만 완전히 제거하지는 못하며, 그 효과는 모델에 따라 크게 달라진다.
경로 의존적(path-dependent) 비탄성 재료의 고전적 구성 모델링은 내부 상태 변수에 의존하며, 이러한 변수의 발전 방정식은 도메인 지식을 바탕으로 가정되고 실험 데이터를 통해 보정되어야 합니다. 그러나 많은 실제 환경에서는 관련 내부 변수를 실험에서 측정할 수 없는 경우가 일반적이며, 재료의 내부 상태에 대한 사전 지식 없이 측정된 변형률-응력 데이터만으로 구성 응답을 전적으로 추론해야 합니다. 본 연구에서는 변형되는 재료를 전체 변형률 이력에서 그에 대응하는 응력 응답으로의 함수 매핑으로 취급하는 재료 연산자(material operator) 개념 기반의 데이터 주도 구성 모델링 프레임워크를 제안합니다. 전통적인 자기회귀(autoregressive) 또는 순환(recurrent) 방식과 달리, 이 모델은 함수 대 함수 매핑으로서 전체 하중 경로에 대해 직접 학습(training)되어 단 한 번의 병렬 순전파(forward pass)로 완전한 응력 궤적을 예측합니다. 시간적 경로 의존성은 연산자 내에 내장된 인과 마스크드 어텐션(causally masked attention) 메커니즘을 통해 부여되며, 이는 계산 병렬성을 유지하면서 모델의 어텐션을 과거 재료 상태로만 제한합니다. 스펙트럼 합성곱(spectral convolution)은 주파수 영역에서 이산화 무관(discretization-invariant) 표현을 제공하는 한편, 인과적 어텐션은 고도로 적응적인 비국소적 이력 의존성을 포착합니다. 나아가 비탄성 영역에 내재된 강한 비선형 전이를 해결하기 위해 사인파 활성화 함수(sinusoidal activation function)가 사용됩니다. 이 프레임워크는 비선형 소성 및 연성 손상 축적에 중점을 두고 복잡한 현상을 보이는 다차원 속도 비의존적(rate-independent) 재료 모델에 걸쳐 평가(evaluation)됩니다. 결과는 해상도 무관성(resolution invariance)과 뛰어난 병렬 효율성을 동시에 달성하면서 비가역적 변형 메커니즘을 정확하고 강건하게 예측함을 보여줍니다.