PyTorchKR Papers

최신 논문

총 293편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2611.24932v1cs.AI

자신이 아는 것을 안다는 것: 인간-AI 인지 시스템에서 검토자 가치에 대한 특성 이론

Knowing What You Know: A Trait Theory of Reviewer Value in Human-AI Cognitive Systems

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.

arXiv:2611.24810v1cs.CE

LAaDT-DSS: 튀르키예 요금 규정 하에서 옥상 태양광, 인센티브, 계통 시뮬레이션에 대한 비전문가용 의사결정 지원

LAaDT-DSS: decision support for non-experts on rooftop PV, incentive and grid simulations under Turkish tariff rules

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.

arXiv:2611.24739v1cs.LG

단백질-RNA 친화도 및 돌연변이 효과 예측에서의 불균등한 향상

Uneven gains in protein-RNA affinity and mutation-effect prediction

정확하게 짝지어진 친화도는 돌연변이 효과를 결정하지만, 전체 친화도 예측에서의 향상이 평균 효과, 순서 및 국소 정확도로는 불균등하게 전이될 수 있다. 우리는 방법별로 짝지어진 집단을 사용하여 11개의 방법 계열을 평가하였다. 통제된 CoPRA는 절대 친화도의 평균 절대 오차를 1.2898에서 1.1431 pKd로 줄였다. 20개 계열의 220개 돌연변이 쌍에서 더 강한 반응을 생성하고 평균 효과 정확도를 향상시켰으나, 순서 향상은 불확실했으며 평균 중심화 국소 오차의 감소는 없었다. 독립적인 외부 시험(출처가 일치하는 세 계열의 정량적 쌍 24개)에서는 절대 오차와 일반 돌연변이 효과 오차가 세 계열 모두에서 감소하였다. 평균 중심화 국소 오차는 0.4198에서 0.3761 pKd로 감소했으며, 두 계열에서는 개선되고 한 계열에서는 오차가 더 높았다. 오차 분해는 향상이 지형 평균에 국한됨을 보였다. PRA-Pred 특징 추적, 가중치 고정 M2-PRNet 입력 통제, 그리고 짝지어진 지도학습 개입은 돌연변이 반응에 대한 특정한 제약을 규명하였다. 이러한 결과는 평균 효과, 순서, 정량적 국소 변동을 함께 평가할 필요가 있음을 보여 준다.

arXiv:2611.24377v1cs.LG

LLM 지원 다중 충실도 베이지안 최적화: 전문가 지식과 수치 데이터의 융합

LLM-Assisted Multi-Fidelity Bayesian Optimization: Fusing Expert Knowledge with Numerical Data

다중 충실도 베이지안 최적화(MFBO)는 저렴한 저충실도(LF) 모델과 소수의 정확한 고충실도(HF) 평가를 결합하고 평가할 설계를 순차적으로 선택함으로써 공학 설계 비용을 줄인다. 그러나 HF 데이터가 부족하면 LF와 HF 사이의 불일치를 수치 데이터만으로 학습하기 어렵고, LF 모델에서 누락된 물리가 이를 설계 의존적으로 만드는 경우 특히 그러하다. 그럼에도 도메인 전문가는 충분한 데이터가 없어도 LF 모델이 어떤 물리를 누락했는지, 그리고 어떤 조건에서 그 영향이 커지는지를 알고 있는 경우가 많다. 기존의 다중 충실도(MF) 모델은 이러한 정성적 지식을 직접 사용할 수 없지만, 대규모 언어 모델(LLM)은 이를 해석하여 그에 따라 설계를 비교할 수 있다. 제안하는 LLM 지원 MFBO는 기존 MF 모델에 지식 기저를 추가한다. 누락된 물리에 대한 전문가의 설명을 바탕으로 LLM이 두 설계 중 어느 쪽이 더 큰 부호 있는 잔차 보정을 필요로 하는지 판단하고, 쌍별 가우시안 프로세스가 이 판단을 기저로 변환한다. HF 데이터가 그 기여도와 부호를 보정하므로 지식을 맹목적으로 신뢰하지 않는다. 리튬 이온 배터리 설계 문제에서 제안 방법은 기존 MFBO의 후회 곡선 아래 면적을 61% 줄였다. 탐색이 가속되었는지는 LLM의 선택이 아니라 지식의 품질이 결정했으며, 이는 두 요인을 독립적으로 변화시킨 통제 연구로 확인되었다. 지식 수준의 절제 연구는 각 지식 진술의 기여도를 추가로 정량화했다. 이러한 결과는 LLM이 해석한 전문가 지식이 MFBO에서 수치 데이터를 보완하는 정보원이 될 수 있음을 보여 준다.

arXiv:2611.23473v1cs.CE

구조를 통한 신뢰성: 자연어로부터 검증된 다중물리 시뮬레이션을 수행하는 에이전트형 워크플로

Reliability by Architecture: Agentic Workflows for Validated Multi-Physics Simulation from Natural Language

강하게 결합된 다중물리 시뮬레이션을 준비, 실행, 검증하려면 전문가의 시간이 필요하다. 에이전트형 워크플로는 대규모 언어 모델(LLM)을 사용해 자연어 설명으로부터 이를 조율하지만, 신뢰성을 위해서는 물리적 일관성과 문제 설명에 대한 충실성을 점검해야 한다. 본 연구의 에이전트 하네스는 명시적인 작업 할당을 구현한다. LLM은 사용자 요청과 시뮬레이터 진단을 해석하고, 사전 정의된 구성 규칙이 다루지 않는 입력 요소를 생성하며, 수리를 제안한다. 반면 결정론적 루틴은 지원되는 요소를 구성하고 입력, 편집, 결과를 점검한다. 우리는 다중물리 시뮬레이터 GEOS를 사용하여 조성 유동에서 마찰 단층 접촉을 포함하는 유동-공극역학까지 CO2 저장 문제를 평가한다. 두 가지 유동 문제에 대한 80회 시도에서 그라운딩은 구조적으로 유효한 입력의 비율을 5/20에서 20/20으로 높이지만, 수용률은 규칙 기반 입력 준비가 완전할 때에만 20/20에 도달한다. 동일한 입력에서 국소 수리는 유효한 입력을 보존하면서 심어 둔 세 가지 결함을 수정한다. 보조 시험은 문제 설명이나 기준 결과와 다름에도 물리 점검을 통과하는 시뮬레이션을 식별한다.

arXiv:2611.23253v1cs.SE

AI 시대에 중요한 것을 측정하기: 연구 소프트웨어 지표의 현황

Measuring What Matters in the Age of AI: The Research Software Metrics Landscape

연구 소프트웨어는 이제 과학의 핵심 도구로 자리 잡았지만, 그 품질, 지속가능성, 재사용 및 영향력을 판단하기 위해 커뮤니티가 사용하는 방법들은 소프트웨어 공학, 오픈 사이언스, FAIR 소프트웨어, 인용, 연구 평가 문헌 전반에 흩어져 있다. AI 지원 개발은 이 문제를 더욱 첨예하게 만든다. 코드가 인간의 검토 역량을 넘어서는 속도로 생산될 수 있고, 출처와 기여 표기를 추적하기가 더 어려우며, 학술적 공로 인정 체계가 이를 따라가지 못하고, 기존 지표는 더 이상 적용되지 않을 수 있는 연구 소프트웨어 개발 방식에 대한 가정을 내포하고 있다. 이러한 과제를 헤쳐 나가는 데 도움을 주기 위해, 본 논문은 49개의 핵심 문헌에 기반한 연구 소프트웨어 지표의 집중적 현황 종합을 제시하고, 반복적으로 나타나는 지표를 데이터 출처, 주장하는 구성개념, 타당성 근거, 자동화 가능성, 오용 가능성에 따라 기술되는 여덟 개의 계열로 정리한다. 널리 인용되는 많은 연구 소프트웨어 지표는 부분적인 신호로 기능하지만, 과학적 영향력에 대한 단독 척도로는 취약하다. AI 시대에는 출처, 생성된 코드의 유지보수성, 검토자의 노력, 모델 및 데이터 의존성, 재사용 및 커뮤니티 건전성 신호의 부풀림, 그리고 AI가 수행하지 않는 인간 노동에 대한 공로 인정과 관련된 격차가 새로 생기거나 확대된다. 본 논문은 연구 소프트웨어 지표를 책임감 있게, 맥락에 맞게, 혼합 방법으로 사용할 것을 주장하며, 더 나은 소프트웨어, 더 공정한 공로 인정, 더 신뢰할 수 있는 과학을 뒷받침하는 지표를 선택하는 연구 소프트웨어 엔지니어(RSE), 연구책임자, 기관 및 연구비 지원기관을 위한 의사결정 지침을 제시한다. 모든 연구 결과는 49개 문헌에 대한 집중 검토에 근거하며, 재현 가능한 검색 및 선별 프로토콜과 727개 레코드의 선별된 코퍼스가 향후 전체 체계적 매핑 연구를 위한 투명성 산출물로서 논문과 함께 제공된다.

arXiv:2609.32495v2cs.CR

전언(Hearsay): 배포된 에이전트 하네스가 작성한 기록을 누가 감사할 수 있는가?

Hearsay: Who Can Audit the Record a Deployed Agent Harness Writes?

에이전트의 실행 기록은 그 에이전트를 구동하는 하네스가 작성한다. 실행 이후 분쟁이 발생하면 감사자는 현장에 없었으므로 이 기록만을 가지고 판단해야 한다. 본 연구는 현장에 없었던 사람이 그 기록을 검증할 수 있는지, 그리고 그 답을 결정하는 요인이 무엇인지를 묻는다. 답은 검증이 신뢰할 수 있는 내용을 누가 작성했는가에 달려 있다. 하네스가 기록 전체를 작성했다면 그 기록은 하네스 자신의 진술에 불과하며, 우리는 이를 전언(hearsay)이라 부른다. 우리는 과제가 아니라 기록 자체를 검토하는 벤치마크인 Hearsay를 구축한다. 다섯 개의 하네스가 열네 개의 과제를 수행하고, 세 곳의 벤더가 제공한 모델 검토자와 사람 패널이 기록을 읽고 실행에 관한 질문에 답하며, 이들이 인용한 모든 구절에는 누가 작성했는지가 기계적으로 표시된다. 또한 실제 배포된 환경을 감사한 결과, 열여섯 개 프레임워크 모두에서 하네스가 유일한 작성자였다. 작성자가 하나뿐이면 독자는 최대 열 번 중 아홉 번까지 기록으로부터 결함을 짚어낼 수 있으나 기록을 검증할 수는 없다. 모델 검토자들은 자신이 제시한 근거 중 라벨이 뒷받침하는 수준보다 18~55%p 더 많은 부분이 교차 확인되었다고 주장하는데, 이 격차는 다른 벤더의 모델이 구동한 실행에 대해 예측되었고 실제로 다시 확인되었다. 또한 가장 우수한 검토자도 우리가 기록에 가한 변경 가운데 절반만 알아차리며, 결함을 가장 자주 짚어내는 두 검토자는 하네스가 누락한 내용을 구별하지 못한다. 작성자가 둘이면 기록을 검증할 수 있다. 우리의 샌드박스는 하네스와 모델 사이에 오가는 내용의 원장(ledger)을 보관하며, 원장을 기록과 양방향으로 대조하면 기록이 누락한 내용과 추가한 내용이 드러난다. 우리는 이를 감사자가 사용하는 방식대로, 한 번에 하나의 미공개 기록에 대해 시험한다. 기록이 만들어지기 전에 모든 규칙을 확정한 상태에서 세 번째 벤더의 모델이 구동한 실행에 적용했을 때, 66건의 변경 중 64건을 보고했고 84건의 정상 기록 가운데 어느 것도 오탐으로 표시하지 않았다. 다섯 가지 형식의 보류(held-out) 기록에서는 115건 중 109건을 보고했다. 기록을 증거로 만드는 것은 더 나은 독자가 아니라 두 번째 작성자이다.

arXiv:2512.11273v4cs.CE

통합 예측 및 다기간 포트폴리오 최적화

Integrated Prediction and Multi-period Portfolio Optimization

다기간 포트폴리오 최적화는 단일 기간 모델이 포착하지 못하는 거래 비용, 경로 의존적 위험, 거래 의사결정의 기간 간 구조를 고려하므로 실제 포트폴리오 관리에서 중요하다. 고전적인 방법은 대개 2단계 프레임워크를 따른다. 즉 머신러닝 알고리즘으로 실현 수익률에 가깝게 부합하는 예측값을 생성한 뒤, 그 예측값을 후속 포트폴리오 최적화 문제에 사용해 자산 비중을 결정한다. 이러한 분리는 예측과 의사결정 결과 사이에 근본적인 불일치를 초래하며, 거래 비용의 영향도 무시한다. 이러한 간극을 메우기 위해 최근 연구들은 두 단계를 하나의 파이프라인으로 통합하는 종단간 학습 아이디어를 제안하였다. 본 논문은 회전율 페널티를 갖는 다기간 평균-분산 포트폴리오 최적화 모델인 IPMO(Integrated Prediction and Multi-period Portfolio Optimization)를 소개한다. 예측기는 미분 가능한 볼록 최적화 계층을 매개변수화하는 다기간 수익률 예측값을 생성하며, 이 계층은 다시 포트폴리오 성과를 통해 학습을 이끈다. 확장성을 위해 Karush-Kuhn-Tucker(KKT) 시스템의 분해를 피하는 미러 디센트 고정점(MDFP) 미분 기법을 도입하며, 이를 통해 안정적인 암시적 기울기를 얻고 의사결정 기간이 늘어나도 실행 시간이 규모에 거의 민감하지 않게 된다. 실제 시장 데이터와 대표적인 두 시계열 예측 모델을 사용한 실험에서 IPMO 방법은 거래 비용을 차감한 위험조정 성과에서 2단계 벤치마크를 일관되게 능가하였으며 더 일관된 배분 경로를 달성하였다. 본 결과는 다기간 환경에서 머신러닝 예측과 최적화를 통합하면 재무 성과가 개선되며 계산적으로도 다룰 수 있음을 보여준다.

arXiv:2611.22921v1cs.LG

행동과 결과의 결합도: 공급망 운영에서 오프라인 강화학습의 투자 전 타당성 평가

Action-outcome coupling: a pre-investment feasibility audit for offline reinforcement learning in supply chain operations

물류 분야의 오프라인 강화학습이나 차선 행동 추천 시스템 같은 처방적 분석 사업은 보유한 이력 로그가 더 나은 의사결정 정책을 뒷받침하는지 확인하기 전에 예산이 배정되는 경우가 많다. 기록된 행동에 따라 결과 기댓값이 얼마나 바뀌는지 측정하는 총효과 분산 지표인 행동–결과 결합도로 이 투자 전 타당성 문제를 정식화한다. 결합도는 알고리즘과 무관하게 어떤 정책이 달성할 수 있는 가치의 상한을 제공한다. 단일 단계 목적과 할인된 순차 목적 모두에서 의사결정당 화폐 단위로 표현된다. 가치 모델의 적합과 그 모델의 탐욕적 정책 평가에 같은 데이터를 쓰는 잘못된 워크플로가 부당하게 승인될 점근적 위험도 분석한다. 잘못된 승인율은 주로 선택을 수행하는 상태 셀의 수에 좌우된다. 셀이 하나면 검정의 명목 수준이지만 수십 개면 거의 확실해진다. 데이터의 겹침은 영향이 더 작았다. 로그를 고정 정책과 문맥별 정책에 대해 각각 네 가지 의사결정 지원 수준으로 분류하고, 진행을 멈추는 이유를 명시하는 평가를 제안한다. 무작위 배정 전자상거래 로그에서는 고정 추천 정책이 적합했으며, 이론적 상한의 30%에 해당하는 이득을 확인했다. 나머지 차이는 80개 행동을 포함한 설계에서 상한이 느슨했기 때문이다. 공개 물류 로그 두 개는 서로 다른 단계에서 기준을 넘지 못했다. 하나는 목표값이 행동에서 회계상 항등식으로 정해졌다. 다른 하나는 클러스터 27개에서 추정한 결합도가 설계의 탐지 한계보다 낮았다. 다만 보수적인 오프라인 학습기는 시드 30개 중 29개에서 개선을 확인했다.

arXiv:2611.21937v1cs.AI

SLED: 엣지에서 데이터센터까지의 센서 슬라이싱

SLED: Sensor SLicing from Edge to Datacenter

현대 센싱 시스템은 여러 센서 모달리티로부터 대량의 이질적인 데이터 스트림을 생성하며, 이에 따라 연산, 인공지능/초지능(AI/SI) 추론, AI/SI 학습을 위한 데이터센터 의존도가 높아지고 있다. 각 센서 스트림은 유형과 데이터량에 따라 네트워크 및 연산 요구 사항이 다를 수 있다. 그러나 현재의 무선 시스템은 일반적으로 장치 수준에서 자원을 할당하므로, 같은 위치의 센서 스트림 간에 경합이 발생하고 대용량 데이터 전송이 지연에 민감한 텔레메트리를 고갈시킬 수 있다. 이를 위해 본 논문은 센서 슬라이싱(SL)을 소개한다. SL은 개방형 무선 접속망(O-RAN)에서 단일 사용자 장비(UE) 내의 개별 센서에 대해 결정론적인 매체 접근 제어(MAC) 수준의 격리를 제공한다. 에이전트 코딩 기법을 사용하여 SL을 O-RAN 규격을 준수하는 두 패키지로 구현하였으며, 개발 시간을 400배 단축하고(2시간 40분 [OCUDU] 대 6.5주 [OAI]), 사람의 프롬프트를 228분의 1로 줄이고(4회 대 913회), 토큰을 절반 미만으로 줄였다(0.64B 대 1.43B). 엣지, 캠퍼스, 원격 고성능 컴퓨팅(HPC) 계층 전반에 걸쳐 센서별 무선 및 네트워크 격리를 구현하기 위해 연관된 엔드투엔드 프레임워크인 SLED를 구현하였다. 무선 전송(over-the-air) 실험은 기존 네트워크 슬라이싱이 높은 트래픽 부하에서 임계 지연을 2,300배 넘게 증가시키는 반면 SLED는 안정적인 지연을 유지함을 보여 준다. 두 RAN 스택에 대한 확장성 평가에서는 센서 슬라이스 수가 증가해도 처리량이 기대 할당량의 0.9% 및 1.4% 이내로 유지된다. 이 결과는 SLED가 센서-HPC 파이프라인 전반에서 자원을 효과적으로 활용하면서도 지연에 민감한 텔레메트리를 보존함을 보여 준다. SLED 소프트웨어와 평가 데이터셋은 https://github.com/UNL-CPN-Lab/SLED-Sensor-SLicing-from-Edge-to-Datacenter 에서 공개되어 있다.

arXiv:2611.21707v1cs.CE

장부 정리는 판단이 아니다: 켤레 열전달 설계 캠페인으로 구축한 공학적 판단 벤치마크 EJBench

Bookkeeping Is Not Judgement: EJBench, an Engineering Judgement Benchmark Built from a Conjugate Heat Transfer Design Campaign

우리는 공학적 판단 벤치마크인 EJBench를 소개한다. 이는 모델이 몇 가지 이전 결과로부터 새로운 조건에서 설계가 어떻게 거동할지 예측하고 이에 대해 결정을 내릴 수 있는지를 평가한다. 에이전트가 시뮬레이션이나 CAD 소프트웨어를 조작할 수 있는지를 시험하는 기존 공학 벤치마크와 달리, EJBench는 소프트웨어에 무관하며 엔지니어가 시뮬레이션을 실행하지 않고 어떤 결론을 내릴지를 묻는다. 과제는 배터리 냉각판에 대한 켤레 열전달 설계 캠페인에서 나왔으며, 라벨이 없는 시험 결과를 운전 조건에 대응시키기, 설계를 승인하기 전에 저장된 실행 결과 중 무엇을 공개할지 선택하기, 새로운 부하를 셀 최고 온도 기준으로 순위 매기기의 세 계열로 구성된다. 모든 정답은 LLM 판정자가 아니라 수렴된 시뮬레이션에서 가져온다. 10개의 최전선 모델 중 최고 성능인 GPT-6 Astra는 0.71점을 기록했으며, 모델들은 틀린 과제와 맞힌 과제에서 거의 같은 수준의 확신을 나타낸다. 또한 Qwen3.5-9B를 LoRA와 강화학습으로 사후 학습시켰으며, 시뮬레이션 결과가 확인해 주는 정답 기준의 비율을 보상으로 사용했다. 홀드아웃 시험 분할에서 점수는 0.071에서 0.106으로 상승한다. 학습, 검증, 시험 분할과 평가 하네스, 리더보드를 공개한다.

arXiv:2611.20609v1cs.LG

Newton-PINet: 뉴턴 선형화로 비선형 편미분방정식을 메타 학습하는 빠른 물리 정보 신경망

Newton-PINet: A fast physics-informed neural network with Newton linearization for meta-learning nonlinear PDEs

과학 머신러닝은 매개변수화 편미분방정식(PDE)의 한 계열을 학습하고 처음 보는 사례에 일반화하는 새로운 해법을 열었다. 데이터 기반 연산자 학습은 대개 큰 학습 데이터셋이 필요하다. 물리 정보 신경망(PINN)은 특히 비선형 PDE에서 최적화가 어렵고 일반화 성능이 제한적이다. 본 연구는 뉴턴 선형화를 결합해 비선형 PDE의 메타 학습을 지원하는 물리 정보 신경망 Newton-PINet을 제안한다. 첫째, 건너뛰기 연결이 있는 물리 정보 다층 신경망을 사용하며 출력층 가중치는 최소제곱법으로 구한다. 둘째, 두 단계로 학습한다. 먼저 사용 가능한 학습 과제에서 그래디언트 기반 학습으로 강건한 표현을 얻은 뒤, 출력층을 그래디언트 없이 미세조정해 개별 과제에 빠르게 일반화한다. 셋째, 뉴턴 선형화로 비선형 PDE의 최소제곱 반복 계산을 가속한다. 까다로운 비선형 반응-확산 벤치마크에서 Newton-PINet은 최근 신경망 해법보다 상대 오차가 최대 1,000분의 1 수준으로 낮았다. 학습 과제는 16분의 1만 사용했고, 학습 시간은 수 시간에서 약 5분으로 줄어 10배 이상 단축됐다. 이 연구는 적은 데이터로 빠르게 일반화할 수 있는 물리 해법을 위해 PINN의 메타 학습을 발전시킨다. 코드와 데이터셋은 https://github.com/fycAIwj/Newton-PINet 에 공개한다.

arXiv:2611.19158v1cs.CE

De Novo 단백질 서열 설계를 위한 위상적 공간 청킹 기반 시뮬레이티드 어닐링

Simulated Annealing with Topological Spatial Chunking for De Novo Protein Sequence Design

역 단백질 접힘 문제, 즉 미리 정해진 거시적 구조로 자발적으로 접히는 이산 아미노산 서열을 설계하는 문제는 합성 신약 개발의 핵심이 되는 극도로 어려운 조합 최적화 과제로 남아 있다. SA와 같은 알고리즘은 조밀한 생체분자 에너지 지형을 탐색하는 기본 접근법을 제공하지만, 긴 서열에 SA 휴리스틱을 적용하는 것은 지수적으로 큰 탐색 공간과 깊은 국소 에너지 최솟값 때문에 본질적으로 어려움을 겪는다. 본 연구는 전역 시뮬레이티드 어닐링 래퍼에 내장된 국소적 정확 해법 휴리스틱에 기반한 확장 가능한 서열 설계 구조인 위상적 공간 청킹 시뮬레이티드 어닐링을 제안한다. 지수적 확장의 장벽을 근본적으로 우회하기 위해, 전역 분자 목표를 얕은 k변수 알고리즘 윈도로 분할하는 동적 해결기를 적용한다. 결정적으로, 순차적 1차원 순서에 따라 분할하는 대신 유클리드 공간 근접성에 따라 이산 변수를 동적으로 묶어 중요한 비국소적 열역학적 상관관계를 보존하는 위상적 공간 청킹을 도입한다. 공간적으로 국소화된 하위 문제는 완전 열거를 통해 결정론적으로 풀리며, 전역 탐색은 동적 재가열과 연속적 엘리트 캐싱으로 보강된 외부 시뮬레이티드 어닐링 제어기가 안정적으로 조절한다. 우리는 이 고전적 구조를 표준 HP 생물물리 격자에서 20-merA, 25-mer, 50-mer, 64-mer 목표 기하 구조에 대해 포괄적으로 벤치마크했다. 특히 계산적으로 방대한 50-mer와 64-mer 위상을 평가할 때, 이 프레임워크는 널리 받아들여진 휴리스틱 한계를 성공적으로 넘어섰다. 결정론적 정확 해법을 활용해 고전적 에너지 함정을 뛰어넘음으로써, 이 시스템은 50-mer에 대해 새로운 초고밀도 서열 패킹 구성을 알고리즘적으로 찾아내어 새로운 이론적 전역 최적해를 규정했다.

arXiv:2611.19101v1cs.CE

Apple Neural Engine의 엔진별 에너지 소비를 예측하는 루프라인 모델

A predictive, per-engine energy roofline of the Apple Neural Engine

Apple Neural Engine(ANE)은 10억 대가 넘는 기기에 탑재되어 있으나, 그 특성은 CoreML을 통해 간접적으로 파악돼 왔다. 우리는 CoreML을 거치지 않고 융합 그래프를 실행하는 경로를 사용해 같은 기기의 ANE, Apple GPU, CPU를 측정하고 엔진별 에너지 소비량을 계산했다. 소비자가 이용할 수 있는 기존 루프라인으로는 실제 ANE 동작을 예측할 수 없었다. 중요한 보정은 ANE에 유효 메모리 대역폭이 두 가지라는 점을 반영하는 것이다. 활성화 데이터를 처리하는 경로는 느리고, 가중치 스트림 경로는 빠르다. 이에 따라 루프라인의 전환점이 두 개 생기며, 가중치 스트림의 전환점은 GPU보다 낮다. ANE에서 피연산자가 하나인 경우 연산 성능의 상한은 일정해지지 않고 낮아진다. fp16 가중치 스트림은 바이트 처리량에 제약을 받는 반면, int8에서는 역양자화기의 원소 처리 속도가 한계를 정한다. 따라서 int8 압축은 처리량을 유지하면서 에너지를 절약하며, int4 조회 테이블 스트림을 사용하면 ImageNet 상위 1개 예측 정확도가 2.55%포인트 낮아지는 대신 처리량과 효율이 높아진다. 보정한 루프라인은 에너지 소비가 낮은 ANE 실행 경로를 식별하고 에너지 소비의 하한을 제시한다. 이렇게 작성한 기기별 도식은 서로 다른 ANE 4세대에서 재현됐다. 결과는 성능을 최적화하려면 연산 집약도에 따라 연산자를 배치하고 융합해야 함을 보여 준다.

arXiv:2611.18614v1q-bio.QM

호기성 계분 퇴비화 바이오리액터의 암모니아 배출에 대한 물리 기반·이벤트 인식 예측: 기호 동역학 추출을 갖춘 PINN-PatchTST-GPR 프레임워크

Physics-informed and event-aware forecasting of ammonia emissions in aerobic chicken manure composting bioreactors: A PINN-PatchTST-GPR framework with symbolic dynamic extraction

호기성 계분 퇴비화 과정에서 암모니아(NH3) 농도를 예측하면 지능형 통기를 위한 중요한 피드포워드 신호를 얻을 수 있다. 그러나 장기적인 생화학적 진화와 간헐적인 강제 통기 펄스가 동시에 나타나기 때문에, 안정적 기저 구간, 일시적 급증, 위험 정량화 전반에 걸쳐 모델링이 크게 어렵다. 기존의 데이터 기반 모델은 물리적 일관성이 부족하고, 기계론적 동역학 모델은 환경 교란에 대응하기 어렵다. 이러한 간극을 메우기 위해 물리 기반 뉴로-심볼릭 예측 프레임워크인 PINN-PatchTST-GPR를 제안한다. 여섯 개의 수직형 바이오리액터에서 28일간 진행된 퇴비화 실험으로 검증한 이 프레임워크는 채널 독립적 PatchTST 백본을 거시적 동역학 제약, 동적 물리 경계, 가우시안 과정 회귀(GPR) 이벤트 전문 모델과 결합한다. 다채널 센서 스트림은 이산 미분방정식 잔차와 비음수 경계를 구동하여 물리적 타당성을 엄격히 보장한다. 블록 분할 컨포멀 예측 모듈은 명목상 90%의 분포 무관 예측 구간을 산출하며, PySINDy와 PySR은 정지 구간과 급증 구간에 대한 저복잡도 기호 방정식을 추출한다. 모델은 전체 RMSE 0.8256 +/- 0.0132 ppm, R2 0.9817 +/- 0.0006, Epeak 1.6793 +/- 0.0725 ppm, Etime 0.7 +/- 0.2 min을 달성한다. 불확실성 정량화에서는 PICP90 99.792 +/- 0.047%, MPIW 6.951 +/- 0.128 ppm, IS0.1 6.968 +/- 0.128 ppm을 얻는다. 기호 회귀 측면에서 PySINDy는 RMSE 0.4624 +/- 0.0758 ppm(R2 = 0.9896)을, PySR은 2.4084 +/- 0.0864 ppm(R2 = 0.9523)을 기록한다. 생물학적으로는 20분 통기 전략이 누적 NH3 배출을 최소화한다. 종합하면 PINN-PatchTST-GPR는 정밀 퇴비화를 위해 전역 예측, 국소적 과도 응답성, 위험 정량화를 조화시킨다.

arXiv:2611.17141v2cs.LG

ISLA: 경계 구동 편미분방정식을 위한 좌표 무관 측도 가중 트랜스포머

ISLA: A Coordinate-Free, Measure-Weighted Transformer for Boundary-Driven PDEs

대칭성은 물리학의 근본 원리이다. PDE로 기술되는 시스템의 거동은 이를 표현하는 데 사용한 좌표계, 단위계, 메시에 의존하지 않으며, 대리 모델 역시 그러해야 한다. 그러나 오늘날의 선도적인 신경 대리 모델은 이러한 불변성을 갖추지 못하여 동일한 문제에 대한 단순한 변환에서도 실패한다. 한 가지 자세(즉 병진과 회전)의 자동차 PDE로 학습한 모델의 경우, 전체 PDE를 회전시키면 표면 압력 오차가 4%에서 100% 이상으로 증가하고, 경계를 재샘플링하면 약 30%로 증가한다. 본 논문은 정상 상태의 경계 구동 PDE를 위한 슬라이스 어텐션 트랜스포머인 ISLA(Invariant Slice Attention)를 제안한다. 경계가 내부 해를 결정하므로, ISLA는 배치된 경계를 학습된 슬라이스로 한 번 인코딩하고, 트리로 가속된 학습 경계 커널을 통해 임의의 내부 점을 독립적으로 평가한다. 입력은 경계로부터 계산된 스케일로 무차원화되고, 경계 셀에 대한 합은 메시 세분화에 따라 수렴하는 면적 가중 구적법이며, 기하 정보는 등변 슬라이스 앵커까지의 거리와 상대 각도로만 입력된다. 이에 따라 모델은 선택적 토큰 부분 샘플링과 트리 클러스터링을 제외하면 강체 운동과 반사에 대해 등변이다. 다양한 기하, 자세, 물리적 스케일, 경계 조건에 걸친 2,816개의 3D 유동으로 구성된 AeroZoo에서 ISLA의 기준 스케일 평균 속도 및 압력 오차는 어떤 기준 모델보다 각각 최소 1.9배, 2.2배 낮다. 전체 AirfRANS에서는 ISLA가 명시적 경계적분 네트워크(GLOBE)에 이어 두 번째이며, 모든 필드에서 Transolver와 GeoTransolver보다 오차가 최소 1.6배 낮다.

arXiv:2610.04337v3physics.soc-ph

FLAT: 학습 가능하고 표본 효율적인 교통 보정을 위한 거친 지형의 평탄화

FLAT: Smoothing the Rugged Landscape for Learnable, Sample-Efficient Traffic Calibration

도시 디지털 트윈을 위한 미시적 교통 모델 보정은 비용이 큰 블랙박스 최적화 문제이다. 차량 추종 및 차선 변경 매개변수 조합을 평가할 때마다 전체 시뮬레이션이 필요하여 재보정 구간당 가능한 평가 횟수가 제한된다. 원시 궤적을 맞추면 희소 대리 모델이 학습하기 어려운 거친 목적 함수가 만들어져 순차적 획득이 거의 무작위 탐색으로 전락한다. 본 논문은 무엇을 최적화할지와 다음에 어디를 샘플링할지를 결합하는 FLAT을 제시한다. 8차원 행동 지문이 매개변수-오차 지형을 평탄화하여 수십 개의 표본만으로도 목적 함수를 학습 가능하게 하고, 이후 어닐링된 하한 신뢰 한계(LCB) 획득이 남은 각 실행을 오차를 가장 크게 줄이는 곳에 사용한다. LCB 루프는 가우시안 과정(GP), 랜덤 포레스트(RF), 다층 퍼셉트론(MLP) 앙상블을 지원한다. 여섯 가지 이질적인 실제 장면에서 FLAT-GP는 장면 평균 행동 오차가 가장 낮았으며, 100회 실행 예산을 동일하게 맞춘 조건에서 SPSA, GA, CMA-ES에 대해 6/6 장면, TPE에 대해 5/6 장면에서 앞섰다. 일부 기준 모델은 동일한 수준에 도달하려면 최대 4.4배의 시뮬레이션이 필요하다. 절제 실험은 목적 함수 선택이 최종 행동 오차를 평균 80.6% 변화시키고, 순차적 LCB를 제거하면 여섯 장면 평균이 21.7% 상승하며, 대리 모델 선택은 최대 4.2%만 변화시킴을 보여 주어, 이득이 대리 모델 용량이 아니라 목적 함수의 기하와 순차적 할당에서 비롯됨을 확인한다.

arXiv:2608.21761v2cs.AI

CLIP은 지역 지오로컬라이제이션을 위해 무엇을 학습하는가? 적응 후 시각적 단서와 장면 구성 탐색

What Does CLIP Learn for Regional Geolocalization? Probing Visual Cues and Scene Configuration After Adaptation

대규모 스트리트 뷰 이미지 컬렉션은 도시 환경에 대한 풍부한 시각적 정보를 제공하지만, 이러한 데이터로부터 세밀한 지리 정보를 추출하는 것은 여전히 어려운 과제입니다. 특히 인접한 지역들은 조잡한(coarse) 지리적 단서를 공유하는 경우가 많아 세밀한 지역 지오로컬라이제이션(regional geolocalization)은 어렵습니다. 본 연구에서는 대도시권 내의 지역 지오로컬라이제이션을 연구하며, 사전학습된(pretrained) CLIP 특징이 지역 구분에 충분한지, 그리고 적응(adaptation) 후 어떤 시각적 정보가 성능을 뒷받침하는지 질문을 던집니다. 그레이터 로스앤젤레스(Greater Los Angeles) 8개 지역의 스트리트 뷰 이미지 9,085장을 활용하여 제로샷(zero-shot) CLIP, 동결된 인코더 판독(frozen-encoder readout), 부분 인코더 업데이트, LoRA(Low-Rank Adaptation), 완전 미세조정(full fine-tuning)을 비교합니다. 동결된 판독 방식은 제로샷 정확도인 39.03% 부근에 머무르는 반면, 인코더 적응 방식은 75.94-82.10%를 달성합니다. 또한 완전 미세조정은 예측된 지역 중심까지의 평균 거리를 12.30 km에서 3.86 km로 줄입니다. 저자들은 의미론적 단서 제거, 에지 맵과 블러(blur)를 사용한 외형 정보 감소, 패치 스크램블링(patch scrambling)을 통한 장면 구성 붕괴 실험을 통해 이러한 성능 향상을 탐색합니다. 적응된 모델들은 더 높은 에지 및 블러 정확도를 달성하며, 스크램블링 후 예측의 42.92-45.56%를 변경하여 동결된 방식들의 10.79-14.60%와 대조를 보입니다. 그러나 외형 정보 감소 후 유지되는 성능의 비율은 적응을 거쳐도 향상되지 않았으며, 식생과 하늘은 여전히 영향력을 유지합니다. Caltech101 대조 실험을 통해 스크램블링 민감도가 지오로컬라이제이션에만 국한된 현상이 아님을 추가로 확인합니다. 종합적으로, 인코더 적응은 인접 지역 구분을 크게 향상시키며 온전한 장면 구성에 대한 더 높은 민감도와 연관되어 있으나, 조잡한 구조만으로 예측에 충분해진다는 증거는 확인되지 않았습니다. 이러한 결론은 지리적으로 완전히 분리된 일반화보다는 알려진 위치 주변의 시점 변화에 관한 것입니다.

arXiv:2608.16155v2cs.LG

REFLEX: 내생적 거래를 위한 성찰적 균형 고정점 학습

REFLEX: Reflexive Equilibrium Fixed-point Learning for Endogenous eXchanges

장외(over-the-counter) 회사채 시장에서 딜러들은 매수(bid) 및 매도(ask) 호가를 제시하며 고객 거래를 두고 경쟁한다. 호가가 좁을수록 더 많은 거래를 유치할 수 있지만, 불리한 가격 변동에 앞서 거래할 가능성이 높은 정보 우위 고객도 더 많이 끌어들여 딜러가 위험을 떠안게 된다. 딜러들이 호가 설정에 머신러닝을 점점 더 많이 활용함에 따라, 자신의 호가가 유치한 거래로 모델을 재학습하게 되고, 이로 인해 각 모델이 다음 학습 데이터를 생성하는 시장을 스스로 재편하는 피드백 루프가 형성된다. 따라서 문제는 호가 결정 모델의 성능이 좋은지뿐만 아니라, 모델이 그 시장으로부터 학습하는 과정에서 모델이 만들어내는 시장이 안정적으로 유지되는지이다. 기존의 수행적 예측(performative prediction) 이론은 명확한 안정성 조건을 제시하지만, 이를 트레이딩 데스크가 배포 전에 측정할 수 없는 학습 목적 함수의 추상적 속성으로 표현한다. 우리는 이러한 관측 불가능한 양을 딜러 행동에 대한 세 가지 측정 가능한 특성, 즉 호가가 좁아질 때 거래량이 얼마나 강하게 반응하는지, 딜러의 목적 함수가 최적점 주변에서 얼마나 가파르게 휘어지는지, 스프레드가 좁아질 때 정보 우위 거래 흐름이 얼마나 빠르게 증가하는지로 대체하는 프레임워크인 REFLEX를 제안한다. REFLEX는 이들을 하나의 재학습 계수(retraining modulus)로 결합한다. 이는 데스크 자체의 호가 및 체결 이력으로부터 추정되는 배포 전 안정성 마진으로, 반복적인 재학습이 수렴할지 스스로 증폭될지를 예측한다. 시뮬레이션에서 예측된 안정성과 측정된 안정성은 8% 이내로 일치했으며, 예측대로 경쟁 딜러가 두 명일 때 불안정성이 1.74배, 세 명일 때 3.16배 증가했다. 일반적인 재학습이 계수 1.21에서 불안정해지는 경우에도, 구조적으로 고정된(structurally anchored) 보정 방식은 수렴하는 반면 무분별한(blind) 재학습은 붕괴한다. 36년간의 공개 시장 데이터로 보정한 결과, 안정성 여유(headroom)는 평온한 국면에서 위기 국면으로 갈 때 투자등급에서 약 4.4배, 하이일드에서 약 4.3배 감소한다. 궁극적으로 REFLEX는 추상적인 수렴 정리를 시장 수준의 안전 마진으로 전환한다.

arXiv:2512.13749v3cs.LG

금융 뉴스 감성 분석을 위한 임베딩 표현의 비교 평가

Comparative Evaluation of Embedding Representations for Financial News Sentiment Analysis

금융 감성 분석은 시장 이해를 향상시킨다. 그러나 표준 자연어 처리(NLP) 접근법은 소규모 데이터셋에 적용할 때 상당한 어려움에 직면한다. 본 연구는 자원이 제한된 환경에서 금융 뉴스 감성 분류를 위한 임베딩 기반 기법의 비교 평가를 제시한다. 수동으로 레이블링한 349개의 금융 뉴스 헤드라인 데이터셋에서 Word2Vec, GloVe, 문장 트랜스포머 표현을 그래디언트 부스팅과 결합하여 평가한다. 실험 결과 검증 성능과 테스트 성능 사이에 상당한 격차가 확인된다. 검증 지표가 높음에도 모델은 단순 기준선보다 성능이 낮다. 분석에 따르면 사전 학습된 임베딩은 임계적인 데이터 충분성 수준 이하에서는 수확 체감을 보인다. 작은 검증 세트는 모델 선택 과정에서 과적합을 유발한다. 주간 감성 집계와 서사 요약을 통해 시장 모니터링에 대한 실용적 적용을 예시한다. 전반적으로 이 결과는 임베딩 품질만으로는 감성 분류에서의 근본적인 데이터 부족을 해결할 수 없음을 시사한다. 레이블된 데이터가 제한적인 실무자는 퓨샷 학습, 데이터 증강, 사전 기반 하이브리드 방법 등 대안 전략을 고려해야 한다.