PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.30320v2cs.CV

MonoPhysics: 단안 비디오로부터 기하 구조, 외관, 물리 매개변수 추정하기

MonoPhysics: Estimating Geometry, Appearance, and Physical Parameters from Monocular Videos

기존의 역물리(inverse physics) 방법들은 다중 시점(multi-view) 비디오로부터 물리적 매개변수를 복원하며, 이때 시점 간 기하학적 제약(geometric constraints)이 스케일과 3D 구조를 결정짓는다. 그러나 단안(monocular) 환경에서는 이러한 제약이 존재하지 않아 심각한 스케일 모호성(scale ambiguity), 부정확한 기하 구조, 그리고 외관 최적화와 물리 시뮬레이션 간의 약한 결합(weak coupling)이 발생한다. 이러한 문제를 해결하기 위해, 우리는 변형 가능한 물체(deformable objects)에 대한 단안 역물리 추정 프레임워크인 MonoPhysics를 제안한다. 이는 미분 가능한 시뮬레이터(differentiable simulator)와 3D 가우시안 스플래팅(3D Gaussian Splatting)을 사용하여 기하, 외관, 물리 매개변수를 공동으로 최적화한다. 우리의 핵심 기여는 기존 방법들이 요구하던 다중 시점 촬영 요건을 제거한 것으로, 이는 야외(in-the-wild) 비디오를 다루기 위한 필수적인 단계이다. MonoPhysics는 장면 재매개변수화(scene re-parameterization), 물리 인식 기하 정제(physics-aware geometry refinement), 미분 가능한 위치 맵(differentiable position map)이라는 세 가지 시각-물리 교량(visual-physical bridges)을 도입한다. 우리는 Vid2Sim, 실세계 촬영 데이터, 그리고 우리가 새롭게 공개하는 탄성체 및 플라스티신 물체 데이터셋(dataset)에서 평가를 수행한다. MonoPhysics는 미래 예측(future prediction)에서 단안 기준선(baseline)들을 능가하며, Vid2Sim에서 다중 시점 기준선과 비슷한 정확도로 영률(Young's modulus)을 복원한다. 코드와 데이터는 https://daniel03c1.github.io/MonoPhysics/ 에서 확인할 수 있다.

arXiv:2607.07962v1cs.CV

열화상 이미징을 넘어서: 시간 분해 열 관측으로부터 열물리적 특성 추론

Beyond Thermal Imaging: Inferring Thermophysical Properties from Time-Resolved Thermal Observations

열화상 관측으로부터 기하학과 열물리적 특성을 동시에 추론하는 새로운 프레임워크 ThermoField를 제안하며, 온도 분포를 시각적 속성이 아닌 열전달 물리 과정의 측정값으로 해석하여 공간적으로 변화하는 신경 필드(neural field)로 표현한다. 미분 가능한 열전달 시뮬레이터와 신경 장면 표현을 결합함으로써, 복잡한 3D 장면에서 열 확산도(thermal diffusivity) 추정과 미관측 환경 조건에서의 열 진화 예측을 가능하게 한다.

arXiv:2607.02954v1cs.NE

Microcosmos: GPU 시대를 위한 인공 생명 재구상

Microcosmos: Reimagining Artificial Life for the GPU Era

대부분의 인공 생명 시뮬레이터는 물리적 현실과 분리된 추상적인 기반 위에서 동작하거나, 물리적으로 근거한 세계를 시뮬레이션하더라도 개방형 진화(open-ended evolution)에 필요한 개체군 규모로 확장되지 않는다. 본 논문에서는 Microcosmos를 제안한다. 이는 인공 생명체를 2차원 점성 유체 세계에 서식하는 탄성 필라멘트 체인으로 모델링하는 시뮬레이션 엔진으로, 현대 GPU 하드웨어와 엔드투엔드 미분 가능 시뮬레이션을 위해 처음부터 설계되었다. 본 엔진은 네 가지 실험을 통해 검증된다. 수동 설계된 이동 전략은 유체 결합이 알려진 물리적 제약을 준수함을 확인한다. 필라멘트 폴딩의 그래디언트 기반 최적화는 시뮬레이터의 완전한 미분 가능성과 필라멘트 인코딩의 표현력을 입증한다. 뉴로에볼루션(neuroevolution)과 품질-다양성 탐색(quality-diversity search)은 다양한 수영 및 주화성(chemotaxis) 행동을 자동으로 생성한다. 입자 수에 대한 선형 스케일링은 엔진이 대규모 시뮬레이션을 지원함을 확인한다. Microcosmos는 물리적으로 타당하고 계산적으로 확장 가능하도록 설계된 대규모 개방형 진화 시뮬레이션 지원을 장기 목표로, 오픈 플랫폼으로 공개된다.

arXiv:2606.21525v1cs.LG

시뮬레이션을 통한 역전파: 샘플 및 학습 효율적인 미분 가능 연속 제어를 위한 해석적 정책 그래디언트

Backpropagating Through Simulation: Analytic Policy Gradients for Sample and Learning Efficient Differentiable Continuous Control

Proximal Policy Optimization(PPO)와 같은 모델-자유(model-free) 강화학습 알고리즘은 환경을 블랙박스로 취급하여 샘플링된 보상으로부터 정책 그래디언트를 추정한다. 이 과정은 수백만 번의 상호작용을 요구하며 분산이 큰 어드�antage 추정에 의존한다. 환경 역학이 미분 가능할 때 return은 정책 매개변수의 end-to-end 미분 가능 함수가 되어, 시뮬레이션을 통한 역전파로 정확한 그래디언트 계산이 가능해진다. 우리는 이 접근법을 Analytic Policy Gradients(APG)라고 명명하고, 역학적 복잡도가 점점 증가하는 네 가지 연속 제어 과제에서 PPO와 비교 평가한다: 1차원 점질량(point-mass) 목표 도달 과제, 장애물 회피가 포함된 2D 점질량 내비게이션 과제, 2D 강체 T-block 밀기 과제, 7-DOF Franka FR3 end-effector 도달 과제. 두 알고리즘은 동일한 모델 아키텍처, 관측 정규화, 옵티마이저 설정을 공유한다. 샘플 효율과 연산 효율을 분리하기 위해, 환경 스텝 및 그래디언트 스텝 대비 성능을 기록하는 다축 평가 프로토콜을 설계한다. 장기 호라이즌 과제에서 그래디언트 저하를 완화하는 MC 및 critic 기반 부트스트랩 모드를 갖춘 분할 역전파(segmented backpropagation) 기법을 보고하고, 세그먼트 길이와 부트스트랩 전략에 대한 ablation을 제시한다.

arXiv:2606.11247v1cs.LG

반도체 제조를 위한 물리 정보 기반 생성형 AI: 구조적 방식을 통해 생성 모델에 엄격한 물리적 제약조건 강제하기

Physics-informed generative AI for semiconductor manufacturing: Enforcing hard physical constraints in generative models by construction

생성 모델은 물리적 시스템을 위한 설계, 데이터, 제어 동작을 제안하는 데 점점 더 많이 사용되고 있지만, 많은 이러한 시스템은 지각적 타당성보다는 엄격한 물리적 제약조건에 의해 지배됩니다. 반도체 제조는 까다로운 테스트 케이스를 제공합니다. 생성된 마스크, 레이아웃, 합성 결함 데이터, 공정 레시피는 리소그래피, 수송, 반응, 소자 물리 제약조건을 준수해야 하며, 그 이유는 물리적으로 유효하지 않은 샘플은 단순히 품질이 낮은 것이 아니라 사용 불가능하기 때문입니다. 이 논문은 반도체 제조가 더 광범위한 계산 과학적 문제를 드러낸다고 주장합니다. 즉, 제약이 있는 물리적 영역을 위한 생성형 AI는 사후 필터링(post-hoc filtering)을 통해서만 수정되는 것이 아니라, 구조적으로 물리 정보 기반(physics-informed)이어야 한다는 것입니다. 우리는 물리 정보 기반 디퓨전(physics-informed diffusion), PDE 제약 변분 모델(PDE-constrained variational models), 신경 연산자 사전(neural-operator priors), 보존 법칙 준수 생성 네트워크(conservation-law-respecting generative networks)를 포함하여 새로 떠오르는 아키텍처 툴킷을 조사하고, 이것이 미분 가능 리소그래피(differentiable lithography), TCAD, 공정 시뮬레이션, 자율 실험과 어떻게 연결되는지 보여줍니다. 우리는 생성 모델과 물리 기반 시뮬레이터 사이의 4가지 통합 패턴을 식별하고, 물리적 충실도 벤치마크(physics-fidelity benchmarks), 미분 가능 시뮬레이터 인프라(differentiable simulator infrastructure), 물리적 설계 및 제조를 위한 멀티모달 파운데이션 모델(multimodal foundation models)을 중심으로 하는 연구 의제를 제안합니다. 핵심 주장은 수사적이기보다는 분석적입니다. 물리적 타당성이 성공의 구속 기준인 곳에서는, 이를 구조적으로 강제하는 아키텍처가 사후에 이를 필터링하는 아키텍처보다 성능이 뛰어날 것으로 예상되며, 제작 공장(fab)은 이러한 구분이 가장 명확한 환경입니다.