PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09713v1cs.AI

규칙 정렬 소형 언어 모델과 다중 에이전트 자기 수정을 활용한 폐루프 제어

Closed-Loop Control with Rule-Aligned Small Language Models and Multi-Agent Self-Correction

자율 산업 운영을 향한 핵심 단계는 수동 재설계를 최소화하거나 없이 자연어 요구사항 명세로부터 제어 정책을 생성하고 재구성하는 능력이다. 이 환경에서, AI 에이전트에 의한 정책 생성은 실행 전 생성된 후보 액션을 검사할 수 있는 플랜트 인식 검증기(예: 디지털 트윈)와 결합될 때 신뢰할 수 있는 경로가 될 수 있다. 그러나 실용적 배포는 추론 지연과 계산 자원 규모에 의해 제약된다: 대형 클라우드 기반 모델은 엣지 폐루프 사용에 있어 너무 느리거나, 불투명하거나, 데이터 민감도 측면에서 문제가 있는 경우가 많다. 본 연구는 소형 언어 모델(SLM)이 제어 추론을 위해 재훈련되고 검증기 기반 수정 루프에 내장될 수 있는지를 조사한다. 우리는 그룹 상대 정책 최적화(GRPO)를 통해 정렬된 Qwen2.5-1.5B 모델을 (i) 액션 에이전트, (ii) 심볼릭/디지털 트윈 방식의 검증 층, (iii) 유효한 액션을 향해 출력을 반복적으로 조정하는 리프롬프팅 에이전트와 결합하여 사용한다. 무작위화된 열 제어 시뮬레이션(각 500 스텝의 30회 실험)에서, 이 프레임워크는 평균 추론 지연 3.84초에 평균 액션 정렬 정확도 91.5%(사례별 86.3%--100%)를 달성한다. 심볼릭 재매핑 하에서 95%의 범위 내 비율을 유지하며, 이는 감소된 토큰 수준 일치도에도 불구하고 견고한 물리적 조절을 나타낸다. 이러한 결과는 SLM+검증기 아키텍처가 엣지에서의 재구성 가능한 자율 제어를 향한 실용적인 경로임을 지지한다.

arXiv:2606.31635v1eess.SY

A Tutorial on Autonomous Fault-Tolerant Control Using Knowledge-Grounded LLM Agents

공정 플랜트에서 사전 정의된 감독 로직 외부의 고장 복구를 지원하기 위해, 대규모 언어 모델(LLM) 에이전트를 지식 그래프와 디지털 트윈으로 그라운딩된 제약적 감독 계획자로 활용하는 프레임워크를 제시하며, 모든 복구 제안은 외부 검증기를 통해 실행 전 검증된다. 적용 패턴, 검증 전략, 배포 제약 등 세 가지 설계 차원을 체계화하고, 재현 가능한 두 가지 Python 실행 환경(혼합 모듈, 연속 교반 탱크 반응기)을 공개하여 커스텀 복구 및 검증 방법을 직접 테스트할 수 있도록 한다.