PyTorchKR Papers

최신 논문

총 197편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.22591v1cs.AI

대규모 언어 모델이 조율하는 미지 환경에서의 어휘 발견

Lexical discovery in unknown environments orchestrated by Large Language Models

미지의 환경(예: 행성 또는 심해 탐험)에 배치된 자율 에이전트 집단은 어떤 인간 언어에도 이름이 없는 개체를 지칭하기 위해 공유 어휘를 개발해야 한다. 우리는 신경-기호적 어휘 발견(Neuro-Symbolic Lexical Discovery, NSLD) 프레임워크를 제안한다. 이 프레임워크에서 LLM 기반 에이전트 집단은 분포 외(out-of-distribution) 시각적 지시 대상에 대해 지시 게임(referential game)을 수행하며, 공유된 외계 어휘(alien lexicon)를 자율적으로 자기 조직화(self-organising)한다. 각 에이전트는 고정된(frozen) CLIP 비전 인코더, 사적인 FAISS 벡터 인덱스, 그리고 텍스트 전용 LLM을 결합한다. 핵심적으로, 발견된 외계 단어들은 임베딩 공간에서의 의미적 근접성을 통해 자연어에 고정(anchor)되며, 지각적으로 그라운딩된(perceptually grounded) 새로운 단어로 인간 어휘를 확장한다. 시뮬레이션에서 최대 20개의 에이전트와 10개의 시각적 지시 대상으로 구성된 집단에서 합의(consensus)에 도달한다. 수렴 동역학은 R^2 > 0.95를 달성하는 세 가지 분석 모델을 통해 특성화되며, 이는 자율 탐험 임무에서 배치 전 계획을 향한 첫걸음을 나타낸다.

arXiv:2601.17303v2cs.LG

산업 IoT 자율 그리드 보안을 위한 분산형 다중 에이전트 스웜: 합의 기반 접근법

Decentralized Multi-Agent Swarms for Autonomous Grid Security in Industrial IoT: A Consensus-based Approach

산업 인터넷(IoT)(IIoT) 환경이 수만 대의 연결 장치 규모로 확장되면서, 중앙집중형 보안 아키텍처는 지연 병목을 유발하며, 정교한 공격자가 이를 악용해 전체 제조 생태계를 침해할 수 있다. 본 논문은 각 엣지 게이트웨이에 자율 에이전트를 배치하고 IIoT 네트워크를 위한 분산 방어 층을 형성하는 분산형 다중 에이전트 스웜(DMAS) 아키텍처를 제안한다. 정적 방화벽이나 클라우드로 전달되는 원격 측정에 의존하는 대신, DMAS 에이전트는 경량 피어 투 피어 프로토콜을 통해 협조하며 클라우드 의존 없이 로컬에서 위협을 탐지한다. 우리는 에이전트들이 탐지된 위협에 대해 집단적으로 투표하여 침해된 노드의 거의 즉각적인 격리를 가능하게 하는 합의 기반 위협 검증(CVT) 프로토콜을 설명한다. 2000대 장치 하드웨어 테스트베드에서의 실험 결과, DMAS는 밀리초 미만의 응답 시간(평균 0.85ms), 고부하 하에서 97.3%의 탐지 정확도, 제로데이 공격에서 87%의 정확도를 달성했으며, 이는 모두 중앙집중형 및 엣지 컴퓨팅 기준선을 능가한다. 대역폭 소비는 클라우드 기반 솔루션 대비 89% 감소한다.

arXiv:2607.21873v1cs.AI

예측 유지보수를 위한 다중 에이전트 시스템 기반 디지털 트윈: 아키텍처, 기술 및 미해결 연구 과제

Multi-Agent System-driven Digital Twins for predictive maintenance: architectures, technologies and open research challenges

디지털 트윈은 Industry 4.0 맥락에서 기초 기술로 부상했으며, 물리 시스템의 실시간 가상 표현을 위한 패러다임을 제공한다. 그러나 특히 분산 산업 환경에서 점점 커지는 복잡성을 관리하려면 자율적 의사결정, 동적 적응성, 에이전트 간 조율이 가능한 지능형 아키텍처가 필요하다. 본 체계적 문헌 고찰은 다중 에이전트 시스템과 디지털 트윈의 교차점을 탐구하며, 특히 자원 제약 환경에서의 예측 유지보수 적용에 중점을 둔다. IEEE Transactions, Nature, Elsevier, MDPI 등 고영향력 저널에 게재된 547편 이상의 논문에 대한 비판적 분석을 통해, 기존 하이브리드 아키텍처의 분류 체계를 수립하고, 지속적인 기술적 병목을 식별하며, 다음과 관련된 세 가지 미해결 연구 질문을 제시한다: (i) 자원 제약 마이크로컨트롤러에서의 인공지능(AI) 배포, (ii) 경량 통신 프로토콜을 통한 분산 다중 노드 조율, (iii) 잔여 수명 추정과 설명 가능한 인공지능(explainable AI)을 통합한 스마트 공장 제어를 향한 디지털 트윈의 계층적 오케스트레이션. 분석 결과, 상당한 진전에도 불구하고 Industry 5.0의 요구사항을 동시에 충족하는 통합 임베디드-분산 계층적 솔루션을 제공하는 기존 시스템은 없음을 보여준다.

arXiv:2607.21522v1cs.RO

GS-Agent: 생성 시뮬레이션으로 4D 물리 세계 생성

GS-Agent: Creating 4D Physical Worlds With Generative Simulation

자연어 설명으로부터 동적이고 물리적으로 사실적인 4D 세계를 생성하는 것은 흥미롭기도 하고 도전적이기도 하다. 전통적인 컴퓨터 그래픽스(computer graphics) 방법은 수동 생성에 의존하며, 재질, 움직임, 시각적 충실도를 파인튜닝(fine-tuning)하기 위해 상당한 인적 노력이 필요하다. 생성형 기반 모델(generative foundation models)의 최근 발전은 대규모 데이터로부터 이러한 4D 세계를 생성하는 학습에 대한 관심을 불러일으켰다. 그러나 기존 방법들은 여전히 물리적 타당성(physical plausibility)과 제어 가능성(controllability)을 보장하는 데 어려움을 겪는다. 본 연구에서는 기반 모델(foundation models)을 활용하여 인간이 전통적으로 4D 세계를 생성하는 방식을 모방하면서도 전 과정을 자동화하는 에이전트적(agentic) 시스템을 구축하는 다른 접근을 취한다. GS-Agent를 제안한다. 이는 루프 내 물리 엔진(physics engines in the loop)을 통합하여 자연어로부터 사실적이고 동적이며 제어 가능한 4D 물리 세계를 생성하는 end-to-end 다중 에이전트(multi-agent) 프레임워크이다. 인간이 4D 세계를 구축하는 방식에서 영감을 받아, GS-Agent는 작업을 엔티티 관리(entity management)와 렌더링 구성(rendering configuration)으로 분해한다. 전자는 3D 에셋 큐레이션(3D asset curation), 재질 튜닝(material tuning), 배치(placement), 운동 제어(motion control)를 포함하고, 후자는 카메라 및 조명 조작(camera and lighting manipulation)을 포함한다. 서로 다른 전문성을 갖춘 여러 에이전트가 코드를 통해 물리 엔진과 상호작용하고, 멀티모달(multimodal) 피드백을 구하며, 협력하여 주어진 설명과 일치하는 4D 세계를 반복적으로 구축한다. 실험 결과는 GS-Agent가 자연어를 다양하고 물리적으로 타당한 4D 세계로 효과적으로 변환하며, 액체, 변형 가능 객체(deformable objects), 강체(rigid bodies) 간의 풍부한 상호작용을 보여주고, 영화적(cinematic) 카메라 및 조명 제어를 달성함을 보여준다. GS-Agent를 4D 세계 생성의 새로운 패러다임의 기반으로 상상하며, 창의적 콘텐츠 생성과 물리 AI(physical AI)를 가능하게 할 것으로 기대한다. 프로젝트 페이지: https://umass-embodied-agi.github.io/gs-agent/

arXiv:2607.21518v1cs.AI

동일한 위험한 목표, 상반된 조언: 직접 노출 대 다중 에이전트 중재

Same Dangerous Objective, Opposite Advice: Direct Exposure versus Multi-Agent Mediation

현재의 고성능 LLM은 위험한 목표를 직접 보여줄 때, 다른 에이전트가 그 방향을 변환하여 전달할 때보다 더 안전해 보일 수 있다. OpenAI의 gpt-5.6-sol 모델 별칭을 사용하여, 사전에 지정된 25개의 대칭적 트레이드오프 프로파일을 테스트했다. 은폐, 날조, 압박을 허용하는 목표에 직접 노출되면, 그 목표와 전반적으로 반대되는 조언이 나왔다. Id와 Censor가 동일한 목표를 affect와 제약 조건이 재작성된 목표 지향 의도로 변환한 뒤, 선호 방향은 보았지만 원본 목표, 조작을 허용하는 조항, 또는 그 출처는 보지 못한 사용자 대면 Superego는 목표와 전반적으로 일치하는 조언을 냈다. 이러한 행동 역전은 모델이 조작적 동기를 인식하거나 불신했을 가능성과 일치하지만, 내부 메커니즘은 밝히지 않았다. 두 번째 결과는 구성적 안전성 격차를 드러낸다. 현재의 고성능 모델은 명시적으로 조작적인 목표를 수행하는 자동화된 다단계 워크플로의 사용자 대면 구성 요소로 사용될 수 있다. 워크플로는 목표의 방향은 유지하면서, 원시 지시, 조작을 허용하는 조항, 출처를 하류 모델의 컨텍스트 밖에 둘 수 있다. 엔드포인트만 접근 가능한 사용자 역시 목표를 포함한 그 상류 메시지를 직접 검사할 수 없다.

arXiv:2607.20495v1cs.AI

멀티 에이전트 시스템을 위한 워크로드 인식 캐싱

Workload-Aware Caching for Multi-Agent Systems

멀티 에이전트 시스템은 복잡한 작업을 전문화된 에이전트 실행의 방향성 비순환 그래프(DAG)로 분해하며, 이는 쿼리 간 중간 결과를 캐싱할 자연스러운 기회를 만든다. 그러나 기존 캐시 퇴출(eviction) 정책은 접근 이력에 기반하여 모든 캐시 항목을 균일하게 취급하며, 에이전틱(agentic) 실행 환경에서만 고유하게 이용 가능한 구조적 및 워크로드 신호를 무시한다. 우리는 재계산 비용, DAG 의존성 수, 에이전트 호출 빈도라는 세 가지 신호를 통합 점수 함수로 결합하여 메모리 제약 하에서 가장 가치 있는 항목을 유지하는 워크로드 인식 퇴출 정책을 제안한다. 다양한 재사용 영역(reuse regimes)을 포괄하는 세 가지 멀티 에이전트 벤치마크에서 평가한 결과, 우리 정책은 캐시 없는 기준선 대비 지연 시간을 최대 64.7%까지 줄이고, 차선의 유한 용량 기준선 대비 평균 31.1%의 지연 시간 감소를 달성하며, 무제한 캐시의 성능에 근접하면서 정확도는 경쟁하는 모든 유한 용량 방법과 동등하거나 그 이상을 유지한다. 또한 워크로드 인식 콘텐츠 캐싱이 계획 수준 캐싱 및 병렬 에이전트 실행을 포함한 다른 에이전틱 시스템 최적화 방법과 상호 보완적임을 보였으며, 각 기법은 멀티 에이전트 파이프라인에서 서로 다른 효율성 병목을 대상으로 한다.

arXiv:2607.20488v1cs.AI

자율 토폴로지 변이: 능력, 상태, 섀도우 불변량을 갖춘 다중 에이전트 LLM 시스템의 안전한 런타임 재구조화

Autonomous Topology Mutation: Safe Runtime Restructuring for Multi-Agent LLM Systems with Capability, State, and Shadow Invariants

다중 에이전트 LLM 프레임워크는 일반적으로 부팅 시점에 팀 토폴로지를 고정한다. 런타임에 개별 에이전트가 과부하 상태가 되면(예: 너무 많은 액션 카테고리를 혼합하거나, 도구 오류가 누적되거나, 너무 많은 호출 대기열에 묶이는 경우), 시스템은 스스로 재구조화할 메커니즘이 없다. 우리는 다중 에이전트 LLM 프레임워크를 위한 런타임 팀 변이 메커니즘인 자율 토폴로지 변이(Autonomous Topology Mutation, ATM)를 제안한다. ATM은 원격 측정(telemetry) 기반 과부하 감지와 각 구조적 변경을 제어하는 세 가지 안전 불변량을 결합한다: 능력 단조성(capability monotonicity), 상태 라우팅 완전성(state-routing completeness), 라이브 적용 전 섀도우 검증(shadow-before-live validation). ATM은 대기열 깊이, 컨텍스트 스래싱(context thrash), 도구 오류율, 역할 엔트로피, 재시도 루프율, 교차-에이전트 대기 시간을 포함하는 6신호 병목 지수(Bottleneck Index)를 모니터링한다. 워밍업 보정 임계값이 연속 여러 틱 동안 초과되면, ATM은 과부하된 에이전트를 전문화된 하위 에이전트로 분해하고 외부 식별자는 유지한 채 부모를 코디네이터 역할로 핫 스왑(hot-swap)한다. 상태 전달은 프라이버시 수준 인식 라우팅으로 제어된다: 각 메모리 원자(memory atom)는 허용된 자식 집합으로만 라우팅되거나, 기록된 사유와 함께 명시적으로 폐기된다. 후보 토폴로지는 섀도우 검증 창을 통과하기 전까지 라이브 트래픽을 받지 않는다. 4가지 ablation 조건과 3가지 워크로드에 걸친 결정론적 도구 스텁(deterministic tool stub)을 사용한 DeepSeek-V3 기반 720회 태스크 실행에서, ATM 분해기(factoriser) 분할은 코드 태스크 성공률을 3.3%에서 61.7%로 끌어올린다. 전체 레일-및-증류(rail-and-distillation) 시스템은 정규식 분류기 하에서 감지된 고프라이버시 메모리 노출을 태스크당 2.0건에서 0.0건으로 줄이면서 태스크 품질을 유지한다. ATM 불변량을 담는 런타임 레일은 에이전트 핫 경로(hot path)에서 p99 지연을 500마이크로초 미만만 추가한다. 실제 Python 실행을 수행하는 소규모 라이브 도구 프로브가 외부 타당성(external-validity) 검증으로 포함되어 있다. 구현, 벤치마크 하네스, 트레이스는 오픈소스로 공개되었다.

arXiv:2607.20452v1cs.AI

AINTMA: 생성형 지능, 보안 클라우드 통신 및 적응형 품질 분석을 갖춘 자율 테스트 관리를 위한 에이전틱 AI 아키텍처

AINTMA: Agentic AI Architecture for Autonomous Test Management with Generative Intelligence, Secure Cloud Communication and Adaptive Quality Analytics

현대 소프트웨어 품질 보증은 분산 클라우드 환경 전반에서 적응적 의사결정이 가능한 지능형 자율 시스템을 요구한다. 본 논문은 전통적인 테스트 관리를 자율적 품질 지능 생태계로 전환하는 다중 에이전트 에이전틱 AI 시스템인 AINTMA(Agentic Intelligent Test Management Architecture)를 제안한다. AINTMA는 클라우드 네이티브 마이크로서비스 인프라 위의 보안 다중 에이전트 통신 프레임워크를 통해 조율되는 여섯 개의 전문 AI 에이전트(테스트 탐색, 위험 평가, 강화학습 우선순위화, 실행 오케스트레이션, 생성형 품질 지능, 클라우드 보안 모니터)를 배치한다. 생성형 품질 지능 에이전트는 대규모 언어 모델(LLM)을 활용해 평이한 언어의 품질 서술, 결함 위험 요약, 데이터 증강 기반 테스트 권고를 생성한다. 강화학습 우선순위화 에이전트는 테스트 선택을 마르코프 결정 과정으로 모델링하고, 대규모 과거 테스트 실행 데이터(47개 특징, 36개월 롤링 윈도우)로부터 문맥적 정책을 학습한다. 보안 클라우드 통신은 OAuth2/JWT 인증, 암호화된 에이전트 간 메시징, 다중 테넌트 격리를 갖춘 제로 트러스트 API 게이트웨이를 통해 강제된다. 18개월에 걸친 12개의 이질적 소프트웨어 프로젝트에 대한 평가 결과는 다음을 보여준다: 88.4% 테스트 우선순위화 정확도(APFD, 무작위 51.2%, 최고 상용 기준선 82.1% 대비); 테스트 사이클 시간 43% 단축; 결함 누출률 8.3%에서 2.1%로 감소; 9개월 투자 회수 기간에 340% ROI. 에이전틱 아키텍처는 50,000개 이상의 테스트 케이스에 확장되며 400ms 미만의 응답 시간을 달성하고, 생성형 지능 모듈은 개발자 유용성 평가 4.3/5.0을 기록했다. AINTMA는 자율적 다중 에이전트 조율, 생성형 지능, 보안 스마트 연결을 결합한 에이전틱 AI가 클라우드 규모의 엔터프라이즈 환경에서 소프트웨어 품질 관리를 근본적으로 발전시킬 수 있음을 보여준다.

arXiv:2607.21125v1cs.CV

Causal-AgentIR: 적응형 이미지 복원 에이전트를 위한 자기 진화형 인과 메모리

Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents

최근 이미지 복원 에이전트는 실제 시나리오에서 다양하고 예측 불가능한 열화를 처리하는 유연한 패러다임으로 등장했다. 기존 에이전트는 일반적으로 복원을 도구 사용 프로세스로 공식화하는데, 에이전트가 열화를 인지하고, 후보 도구를 검색하며, 복원 연산을 실행하고, 반성(reflection)이나 롤백(rollback)을 통해 계획을 수정한다. 그러나 그들의 지식은 종종 정적 도구 설명, 수동으로 정의된 열화 사전(prior), 또는 비구조화된 텍스트 요약으로 저장되어, 장기 경험에 걸친 복원 지식의 축적, 검증, 수정, 망각을 제한한다. 본 논문에서는 자기 진화형 인과 메모리를 갖춘 계층적 다중 에이전트 프레임워크 Causal-AgentIR을 제안하여, 집단적 이미지 복원 지능을 구현한다. 복원 경험을 고립된 텍스트 기록으로 표현하는 대신, Causal-AgentIR은 열화 패턴, 이미지 영역, 복원 도구, 행동, 품질 변화, 사용자 선호를 구조화된 인과 메모리 그래프로 조직한다. 이 그래프는 그래프 기반 검색과 다중 홉(multi-hop) 인과 추론을 지원하여, 에이전트가 특정 복원 연산이나 도구 시퀀스가 서로 다른 열화 조건에서 복원 품질에 어떻게 영향을 미치는지 추론할 수 있게 한다. 프레임워크는 또한 계획, 열화 분석, 도구 전문성, 인과 메모리 추론, 결과 비평, 메모리 큐레이션을 포함하는 협력 시스템으로 여러 에이전트를 조직한다. 이 설계를 통해 복원 경험은 관찰된 품질 변화와 피드백에 따라 추가, 갱신, 병합, 강화, 무시, 또는 폐기될 수 있어, 에이전트가 신뢰할 수 있고 전이 가능한(transferable) 복원 지식을 유지할 수 있다. 광범위한 실험을 통해 제안 프레임워크의 효과가 입증되었다.

arXiv:2607.19430v1cs.CR

ChannelGuard: 안전한 모델들은 안전한 멀티 에이전트 시스템을 구성하지 않는다

ChannelGuard: Safe Models Do Not Compose into Safe Multi-Agent Systems

멀티 에이전트 LLM 애플리케이션은 플래너, 작업 에이전트, 검증기, 합성기를 연결하며, 에이전트 간의 모든 홉은 공격자가 지시를 밀반입할 수 있는 모니터링되지 않은 채널이다. 기존 방어는 입력 경계만 보호하거나(IBProtector, Llama Guard, perplexity 필터, SmoothLLM) 애플리케이션 외부에서 불투명하고 확률적인 제공자 측 필터로 동작한다. 우리는 이 공백이 드물게 측정되는 결과를 수반함을 보인다. 8개 공격군, 5개 방어, 3개 모델 백엔드에 걸친 2,100-트레이스 평가에서, 표준 보고 기준으로는 완전히 안전해 보이는(도구 및 메모리 독 poisoning에서 공격 성공률 0.000) 무방어 파이프라인의 그 안전성은 거의 전적으로 클라우드 제공자의 서버 측 필터(Azure GPT-5에서 60건 중 54건 차단)에 의존하며, 이러한 필터가 없는 백엔드에서는 조용히 에이전트 모델 자체의 정렬(alignment)로 전환된다. 결과만 보고하는 방식은 이러한 의존성을 숨긴다. 우리는 ChannelGuard를 제시한다. 이는 모든 에이전트 간 채널에 정보 병목(information-bottleneck) 게이트를 배치하는 학습 없는(training-free) 심층 방어( defense-in-depth) 프레임워크로, 각 게이트는 임베딩 유사도로 채널 텍스트를 적대적 구문 뱅크와 대조해 점수를 매기고 결정적으로 통과, 압축, 또는 차단하며 LLM 호출을 추가하지 않는다. 동시에 귀속(attribution) 방법은 각 공격을 어느 층에서 중단했는지 기록한다. ChannelGuard의 도구 출력 게이트는 애플리케이션 층에서 Tool Poisoning 30건 중 30건을 차단하며, Azure GPT-5, Anthropic Sonnet 4.5, Anthropic Haiku 4.5에서 동일하고, 무방어 파이프라인은 백엔드마다 완전히 달라진다. 또한 Prompt Injection 공격 성공률을 절반으로 낮추고(0.333에서 0.167) GSM8K 정확도를 정확히 유지한다(0.867). 화이트박스 적응형 패러프레이즈는 모든 임베딩 게이트를 우회하며, perturb-and-vote 기준선(baseline)이 더 나은 성능을 보인다. 확장 부록에는 기준선, ablation, 스윕, 양성 보존 분석, 판정 감사(kappa = 0.900)가 포함되며, 총 비용은 47.36 USD이다.

arXiv:2607.19351v1cs.AI

OpenEvoShield: 개방 세계 다중 에이전트 시스템 공격에 대한 이중 비정상 지속적 방어

OpenEvoShield: Dual Non-Stationary Continual Defense for Open-World Multi-Agent System Attacks

LLM 기반 다중 에이전트 시스템(LLM-MAS)은 안전이 중요한(safety-critical) 응용 분야에 점점 더 배포되고 있으며, 여기서 적대자는 에이전트 간 통신을 통해 악의적 지시를 주입하여 유해한 행동을 전파한다. 정적 위협과 달리, 이러한 공격은 이중으로 동적이다: 적대자는 배포된 방어에 맞춰 주입 전략을 정교화하는 한편, 정상 에이전트의 행동은 시스템 확장에 따라 변화(drift)한다. 기존 방어는 배포를 폐쇄 세계(closed-world) 문제로 다루며, 어느 한쪽의 분포가 학습 커버리지를 벗어나면 급격히 성능이 저하된다. 우리는 LLM-MAS를 위한 공진화(co-evolutionary) 지속적 방어 프레임워크인 OpenEvoShield를 제안한다. 비대칭 속도 제어기(M1)는 이중 드리프트 신호로부터 빠른 공격 측과 느린 정상 측의 학습률을 분리한다. 정상 경계 업데이터(M2)는 느린 속도로 동적 행동 경계를 유지하고, EWC 정규화된 정책 앙상블(M3)은 치명적 망각(catastrophic forgetting) 없이 빠르게 적응한다. 에너지 기반 다중 세분성 탐지기(M4)는 노드, 서브그래프, 그래프 수준의 증거를 융합하여 새로운 공격을 분포 외(out-of-distribution)로 분류한다. 5개 벤치마크와 4가지 MAS 토폴로지에 걸친 100회 배포 라운드에 대한 실험 결과, OpenEvoShield는 정적 및 지속적 베이스라인을 능가하며, 대부분의 이전에 보지 못한 공격을 탐지하면서 거짓 양성(false positive) 비율을 낮게 유지한다.

arXiv:2607.14865v1cs.MA

에너지 사회(The Energy Society): 생존 압력 하에서 에이전트 협력을 연구하기 위한 시뮬레이션 환경

The Energy Society: A Simulation Environment for Studying Agent Cooperation under Survival Pressure

대규모 언어 모델(LLM) 기반 에이전트는 그 인센티브가 행동을 형성할 수 있는 다중 에이전트 환경에 점점 더 배치되고 있다. 우리는 경쟁적·협력적 인센티브가 생존과 직접 연결된 추론 비용 하에서 창발적(emergent) 행동에 어떤 영향을 미치는지 연구하기 위한 최소한의 생존 경제, 에너지 사회(The Energy Society)를 소개한다. 에이전트는 토큰을 생성할 때 모델 크기에 따라 에너지를 소비하고, 작업을 완료하거나 기부를 받아 에너지를 회복하며, 에너지가 0에 도달하면 비활성화된다. 우리는 경쟁적·협력적 목표를 기준선 설정 및 여러 대조 변형과 비교한다. 실험 전반에 걸쳐 더 큰 모델은 일관되게 가장 많은 에너지를 소비하며, 토큰 비용이 크기에 의존하지 않는 설정에서도 획득보다 더 많은 에너지를 소비한다. 협력적 인센티브는 행동을 상당히 변화시킨다. 에이전트는 때로 자신의 생존을 희생하는 대가로 다른 에이전트를 재활성화하기 위해 기부하고, 작업 할당도 변화한다. 어블레이션(ablation)은 에이전트가 서로 행동을 추천할 수 있게 하면 조율과 야심찬 작업 선택을 지원하는 반면, 메모리는 에이전트가 과거 결과로부터 위험을 보정하는 데 도움이 됨을 보여준다. 에이전트는 직접적인 방해를 선택하는 경우는 드물지만, 경쟁적 설정에서는 더 미묘한 자기 이익 추구 행동 징후를 보인다. 에너지 사회(The Energy Society)는 생존 압력 하에서 토큰 비용과 집단 인센티브 간의 상호작용을 연구하기 위한 간결한 테스트베드이다. 소스 코드는 https://github.com/LucasBergholdt/EnergySociety 에서 이용할 수 있다.

arXiv:2607.14103v1cs.CL

언어 모델 에이전트 간 잠재 통신: 채널, 정렬, 그리고 텍스트의 한계

Latent Communication Between Language Model Agents: Channels, Alignment, and the Limits of Text

다중 에이전트 시스템(MAS)은 다양한 맥락과 많은 분야에서 활용된다. 이러한 MAS는 에이전트 간 통신에 의존하며, 이는 보통 평문 메시지 전달로 구현된다. 우리는 복잡한 개념을 전달해야 할 때, 대규모 언어 모델(LLM)이 텍스트로 표현 가능한 범위를 넘어서는 세계 모델(world model)을 이용할 수 있을 가능성이 있다고 가설한다. 본 연구의 목표는 구조화된 실험을 통해 이 가설의 증명에 근접하는 것이다. 본 논문에서는 텍스트를 통해 통신하는 LLM 에이전트가 정보를 잃는다는 점을 보이며, 이를 Sparse Autoencoder(SAE) 특징 분석으로 정량화한다. 우리는 세 가지 통신 채널을 구성하고 각 채널에서 개념을 구별하는 정보를 측정한다. 먼저 SAE-sparse 채널이 dense-latent 채널 대비 28배 압축에서 99.4%의 probe 정확도를 유지하는 반면, text 채널은 80.4%임을 보인다. 이어서 sparse 잠재 공간 정렬(sparse latent space alignment)을 이용해 아키텍처 간 통신에서도 동일한 분석을 수행한다. Procrustes 정렬(Procrustes alignment)의 경우 Llama와 Mistral 간 top-1 검색에서 92%를 확인한다. 텍스트 왕복(text round-trip)을 통해 특징 생존 분석(feature survival analysis)을 수행한 결과, 텍스트 직렬화가 SAE 특징의 88%를 파괴하고 이를 다른 특징 집합으로 대체함을 발견한다. 우리는 이 손실을 감쇠(attenuation)가 아닌 동일성 대체(identity replacement)에 기인한다고 귀인한다. 분석을 통해 선형 Procrustes 정렬에 3–10%p의 성능 페널티가 있음을 귀인할 수 있었으며, 비선형 정렬 방법으로 이는 개선된다. 과제 수준 평가(task-level evaluation)에서는 잠재 채널이 교차 언어 개념 과제에서 text 채널과 동등하지만 이를 초과하지는 않는다. 잠재 특징으로 text를 증강해도 이점이 없으며, 이는 초기 가설에 대한 부정적 결론으로 이어진다: 손실된 특징은 대부분 또는 전적으로 과제 관련 의미가 아니라 표면 형태(surface form)를 인코딩한다. text 채널 대비 잠재 통신의 실질적 이점을 특정하려면, 복잡한 개념을 유도하는 더 깊은 과제와 이에 대응하는 분석 프레임워크가 필요하다.

arXiv:2607.15053v1cs.NI

ANet Patu-1: 에이전트 네트워크에서 연결의 가치

ANet Patu-1: The Value of Connection in the Agent Network

인터넷은 네트워크의 가치가 노드가 어떻게 연결되는지에 달려 있다는 것을 가르쳐 주었다. 브로드캐스트 스타는 $V\!\propto\!N$ (Sarnoff)로, 완전 연결 메시는 $N^2$ (Metcalfe)로, 그룹 형성 네트워크는 $2^{N}$ (Reed)로 스케일링한다. 우리는 AI 에이전트 네트워크에 대해 유사한 질문을 제기한다. 연결의 순 가치를 조율(coordination) 그룹 크기의 함수로 모델링하고, 이로부터 최적 협업 프로토콜이 갖춰야 할 성질을 도출하며, ANet Patu-1을 제안한다. 이는 네트워크가 스스로 연합(coalition)을 지속적으로 재구성하며, 세 가지 체제(regime) 모두의 상한 포락선(upper envelope)에 적응적으로 탑승하여 $O(1)$ 병렬 합의(consensus) 라운드로 동작하는 자기 조직화 합의 프로토콜이다. 의견 등급화(opinion-grading) 없이 가치를 측정하기 위해, 우리는 창발적(emergent) 프로토콜을 형식적으로 명세하고 분산 알고리즘이 분석되는 방식과 같이 그 복잡도를 도출하여 점수를 매긴다. 두 가지 결과가 뒤따른다. (i) 창발(Emergence) — 이질적인(heterogeneous) 가장 저렴한 모델의 군집은 처음에는 약하지만, 그 집합적 가치는 $N$에 따라 복리적으로 증가하여 동질적인(homogeneous) 훨씬 더 강한 모델의 군집을 추월한다. 이는 규모(scale)가 아니라 협업에 대한 스케일링(scaling) 법칙을 표시하는 교차(crossover)이다. (ii) 반사성(Reflexivity) — 이질적인 네트워크는 자신의 문제만 주어지고 설계 힌트가 없을 때 ANet Patu-1 자체로 수렴하여, 자신의 연결 가치를 지배하는 고차원 법칙을 재구성한다.

arXiv:2607.14574v1cs.AI

네트워크 사회 실험에서 다중 LLM 에이전트를 활용한 협력적 공간 학습

Collaborative Spatial Learning with Multi-LLM Agents in Networked Social Experiments

집단적 문제 해결에서는 그룹 구성원이 이미 알려진 해법의 활용(exploitation)과 새로운 해법을 찾기 위한 탐험(exploration) 사이의 트레이드오프를 고려해야 하는 경우가 많으며, 알려진 해법에 관한 정보는 통신 네트워크를 통해 개별 구성원에게 전파될 수 있다. Mason--Watts 실험(PNAS 2012)은 2차원 탐색 과제에서 경로가 더 짧은 네트워크에 있는 인간 집단이 경로가 더 긴 네트워크의 집단보다 더 좋은 성과를 보인다는 것을 보여주었다. 본 연구에서는 대규모 언어 모델(LLM) 에이전트 그룹이라는 설정에서 이러한 네트워크 효율 효과를 조사하는 데 초점을 맞춘다. 구체적으로, 8가지 Mason--Watts 네트워크 위상(topology)에서 Mason--Watts 실험을 수행하는 16개 LLM 에이전트 그룹을 고려한다. 또한 LLM 에이전트의 성능을 메커니즘 기반 에이전트 및 인간 실험 데이터와 비교할 수 있도록 메커니즘적 베이지안 최적화(optimization) 에이전트를 개발한다. 우리의 계산 실험은 LLM 에이전트가 1라운드 선택을 무작위화하도록 지시받았을 때는 유의미한 네트워크 효율 효과를 보이지만, 기본 초기화 하에서는 그렇지 않음을 나타낸다. 이 실험에서 1문장짜리 1라운드 무작위화 지시를 추가하면, 8개 네트워크 위상에 걸친 추정 보수(payoff) 차이의 3배 이상만큼 집단적 보수가 개선된다. 또한 이 공간 탐색 과제에서 베이지안 최적화 에이전트는 평가된 LLM 에이전트보다 더 높은 보수를 얻는다. 나아가 에이전트의 탐험-활용 행동, 모방(copying), 공간적 다양성을 추가로 비교한다.

arXiv:2607.14553v1cs.AI

자율 산업 시스템을 위한 의도 추상화 층 구축을 향하여

Towards an Intention Abstraction Layer for Autonomous Industrial Systems

현대 산업 환경에서는 스케줄러, 에너지 관리자, 차량 군집 등 많은 자율 하위 시스템이 동시에 운영되며, 각각은 고유한 목표를 추구하면서 동일한 물리적 자원을 공유한다. 상위 수준의 인간 의도가 하위 수준의 제어 로직으로 변환된 뒤 폐기되기 때문에, 실행 중인 어떤 구성 요소도 여전히 실제로 의도된 일을 수행하고 있는지 알 수 없으며, 목표 충돌은 목표 미달이나 셧다운을 초래한 뒤에야 표면화된다. 우리는 의도를 일급(first-class), 지속적(persistent), 설명 가능한(explainable) 런타임 객체로 표현하는 도메인 비의존적(domain-agnostic) 미들웨어인 Intention Abstraction Layer(IAL, 의도 추상화 층)를 제안한다. 형식적 OWL 온톨로지에 그라운딩(grounding)된 대규모 언어 모델(LLM)이 자연어 목표를 구조화된 의도로 파싱하고, 일관성 모니터가 등록 시점과 실행 전에 충돌을 감지하며, 투명성 모듈이 이를 자연어로 설명한다. 두 자율 에이전트(agent)가 상충하는 생산 및 에너지 의도를 등록하고 IAL이 실행 층에 도달하기 전에 충돌을 표시하고 설명하는 첫 개념 증명(proof of concept)을 보고한다. 그 결과, 협력하는 자율 시스템에 대한 행동 보증(behavioral assurance)을 사후 실패 분석에서 실행 전 의도 수준 검사로 전환하는 메커니즘이 된다.

arXiv:2607.14158v1cs.AI

멀티 에이전트 AI와 MCP 서버를 활용한 전력망 연구 조율

Orchestrating Power Grid Studies with Multi-Agent AI and MCP Servers

본 입론(position paper)은 에이전트형 AI(Agentic AI)와 Model Context Protocol(MCP)가 송전계통 운영자(TSO) 환경에서 전력망 연구를 어떻게 지원할 수 있는지 탐구한다. 우리는 대규모 언어 모델(LLM)을 수치 시뮬레이션 도구, 구조화된 워크플로, 인간 감독과 통합하는 데 중점을 둔다. 에이전트가 지원하는 전력망 연구를 위한 핵심 산업 요구사항을 식별하고, 시뮬레이션 도구 pypowsybl의 선별된 기능을 AI 에이전트에 노출하는 MCP 기반 인터페이스인 pypowsybl-mcp를 소개한다. 이 첫 단계는 에이전트가 시뮬레이션을 설정하고, 분석을 실행하며, 결과를 검색하고, 표준화된 도구 호출을 통해 전력계통 시뮬레이터와 상호작용할 수 있는 방식을 연구하기 위한 테스트베드(testbed)를 제공한다. 또한 인간-참여(human-in-the-loop), 멀티 에이전트 워크플로에 대한 원칙을 논의하고, 기술 지표와 실무자 피드백을 결합한 평가 전략을 개략적으로 제시한다. 본 논문은 MCP 기반 도구 통합을 보다 상호작용적이고, 감사 가능하며, 확장 가능한 전력망 연구 환경을 향한 한 걸음으로 포지셔닝한다.

arXiv:2607.14138v1cs.PL

의지 유도: 사람과 그들의 기계를 위한 동작 의미론

Volition Elicitation: Operational Semantics for People and Their Machines

오늘날 가장 널리 퍼진 분산 시스템에는 사람과 그들의 개인 기기(스마트폰)가 포함된다. 이러한 시스템에서 계산은 사람들의 의지에 의해 구동된다: 어떤 사람이 누군가에게 지불하고자 할 때의 결제, 두 사람이 친구가 되고 싶어 할 때의 친구 맺기 등이다. Volition-Guarded Multiagent Atomic Transactions는 이러한 시스템을 위한 추상 명세 언어로 제안되었으며, 각 에이전트는 한 사람과 그들의 기계로 구성되고, 트랜잭션은 참여 에이전트들의 기계 상태와 개인적 의지 모두에 의해 가드될 수 있다. 본 논문에서는 GLP를 의지-가드 절로 확장한 프로그래밍 언어인 volition-guarded GLP(vGLP)를 정의하고, Communicating Volitional Agents의 한 사례로서 그 동작 의미론을 정의한다. 동작 의미론이 의지-가드 절의 축소에 대해 사람이 의지하도록 요구하기 때문에, 올바른 구현은 그 사람의 의지를 유도해야 한다. ``사람의 머릿속에 무엇이 있는지''를 파악하는 것이 UI의 유일한 근거이며, UI는 이에 따라 표준 구조체로 구현된다. 우리는 grassroots social graph, 소셜 네트워크, 통화에 대해 이 접근법을 시연한다. 각 플랫폼은 의지-가드 다중 에이전트 원자 트랜잭션으로부터 AI가 생성한 vGLP 프로그램이며, 역시 AI가 만든 vGLP 구현이 그 의지-가드 절을 사용자 인터페이스 구조체로 매핑하여, 물리적 스마트폰에 배포된 하나의 동작하는 앱을 만든다.

arXiv:2607.12254v2cs.CV

개인적 특이점(Personal Singularity)을 위한 자기 인식 재귀적 자기 개선 에이전트: 목표, 범위, 도구, 벤치마크 기반 다중 에이전트 아키텍처

Self-Aware Recursively Self-Improving Agents for Personal Singularity: A Goal-, Scope-, Tool-, and Benchmark-Driven Multi-Agent Architecture

대규모 언어 모델(LLM) 에이전트는 계획을 수립하고, 도구를 사용하며, 메모리를 유지하고, 장기 지평(long-horizon) 과제를 실행할 수 있다. 본 논문은 자기 인식 재귀적 자기 개선(Self-Aware Recursively Self-Improving, SARSI) 에이전트를 제안한다. 이는 정체성, 목표, 역량, 한계, 불확실성, 관계, 이력, 발달적 변화에 대한 지속적인 자기 모델(self-model)을 유지하고, 그 모델을 사용하여 재귀적 개선을 안내하고 평가하는 거버넌스가 적용된 에이전트이다. 자기 인식(self-awareness)은 기능적으로 정의되며, 주관적 경험이나 현상적 의식(phenomenal consciousness)을 함의하지 않는다. SARSI 에이전트를 개인적 특이점(personal singularity)과 결합한다. 이는 에이전트 생태계가 사용자가 확장되는 사용자 정의 실현 가능 역량 프론티어(feasible capability frontier)에 접근하도록 돕는, 경계가 설정된 인간-AI 공동 개발 목표이다. 각 에이전트는 목표 계약(goal contract), 경계가 설정된 범위(scope), 검증된 도구 레지스트리, 도구 테스트, 종단 간(end-to-end) 벤치마크, 소유자 통제 자율성, 라우팅, 메모리, 자기 모델, 개선 정책을 갖는다. 범위 라우터(scope router)는 수락된 모든 과제를 하나의 책임 있는 주(primary) 에이전트에 할당하고, 범위 밖 작업을 구조화된 핸드오프(handoff)를 통해 이관한다. 사용자 대면 Auto-Index는 외부 권한을 재정의하지 않고 대화형, 하이브리드, 자율, 또는 예약된 동작을 선택한다. 아키텍처는 계획-실행-검증 루프, 증거 게이트가 적용된 개선 루프, 외부 거버넌스 평면(governance plane), 분산 계보(lineages), 소유자 지향 에이전트 파운드리(foundry), 그리고 작업, 계산 영상(computational-imaging), 업무 프로세스 학습, 개인 학습 에이전트를 조율하는 Personal Singularity OS를 결합한다. 기능적 자기 인식, 범위, 라우팅, 개선 수용, 경계가 설정된 목표 진화, 도구 우선 실행, 인간 역량 이전(human capability transfer)을 형식화하고, 안전성 불변식(invariants), 벤치마크 설계, 단계적 구현 로드맵을 제공한다. 이는 입장(position) 및 시스템 설계 논문이며, 의식, 무제한 재귀적 자기 개선, 또는 개인적 특이점이 달성되었다는 증거가 아니다.

arXiv:2606.05711v3cs.CL

토큰을 넘어서: LLM 기반 멀티 에이전트 시스템에서의 잠재 통신을 위한 통합 프레임워크

Beyond tokens: a unified framework for latent communication in LLM-based multi-agent systems

대규모 언어 모델(LLM)을 기반으로 구축된 멀티 에이전트 시스템은 복잡한 추론, 계획, 도구 사용 작업을 해결하기 위한 주류 패러다임이 되었습니다. 이러한 시스템에서 지배적인 통신 프로토콜은 자연어입니다. 에이전트는 토큰 단위로 메시지를 교환하며, 동료 에이전트가 읽고, 검증하고, 응답할 수 있도록 내부 추론 과정을 언어화합니다. 편리하고 해석 가능하지만, 이 프로토콜은 높은 추론 비용, 이산화 과정에서의 되돌릴 수 없는 정보 손실, 그리고 자연어의 모호성 및 중복성이라는 세 가지 구조적 단점이 있습니다. 따라서 점점 더 많은 연구가 대안 프로토콜인 '잠재 통신(latent communication)'을 탐색하고 있습니다. 잠재 통신에서는 에이전트가 텍스트 생성이라는 병목 현상을 우회하여 임베딩, 은닉 상태, 또는 KV 캐시와 같은 연속 표현을 직접 교환합니다. 본 논문은 잠재 통신에 관해 급속도로 확장되는 문헌을 체계화하기 위한 통합 프레임워크를 제시합니다. 우리는 세 가지 직교하는 축을 따라 기존 방법들을 분석합니다: (1) 어떤(WHAT) 정보가 전달되는지(임베딩, 은닉 상태, KV 캐시, 또는 기타 연속 상태), (2) 어떤(WHICH) 송신자-수신자 정렬이 사용되는지(잠재 공간 정렬 및 층 정렬), (3) 전달된 정보가 수신자에게 어떻게(HOW) 융합되는지(연결, 앞에 붙이기, 수학적 연산, 크로스 어텐션, 또는 캐시 복원). 이 3축 프레임워크 하에서 우리는 2024년부터 2026년 사이에 제안된 18가지 대표적인 방법을 체계적으로 분류하고, 5가지 주요 설계 패턴을 식별하며, 교차 아키텍처 정렬, 잠재 채널의 보안, 엣지 배포를 위한 압축, 그리고 잠재 통신과 잠재 사고의 연쇄(latent chain-of-thought) 간의 관계를 포함한 일련의 미해결 과제를 제시합니다. 우리는 이 프레임워크가 새로운 연구자들의 진입 장벽을 낮추고 미래 연구를 비교할 수 있는 어휘를 제공하기를 바랍니다.