코딩 에이전트(agent)는 점점 더 장기적인 과제를 수행하고, 자율화되며, 범용 셸에 의존하고, 자체 개선을 위해 영구 메모리를 유지하도록 발전하고 있습니다. 이러한 기능 덕분에 에이전트는 더욱 강력해졌지만, 외부 공격자로부터 방어하기는 더욱 어려워졌습니다. 타입 기반 도구, 정보 흐름 제어, 정책 예측 엔진과 같이 이러한 아키텍처를 제한하는 방어 방식은 채택하기에는 너무 많은 기능을 희생시킵니다. 현재 배포된 에이전트(예: Claude, Codex)는 주요 방어 수단으로 사용자 중재형 샌드박싱과 자동 모드 샌드박싱의 결합에 의존합니다. 사용자 중재형 샌드박싱에서는 사용자가 관리하는 정책이 시간이 지남에 따라 약화되고 반복적인 권한 요청으로 사용자 피로가 발생하는 반면, 자동 모드의 도구 호출 분류기는 사용자별 정책을 학습하지 않으며 적대적 설정에 대한 방어를 목적으로 하지 않습니다. Pincer는 리소스 층(layer)에서 작동하며 자동 모드와 같은 도구 호출 층의 기존 방어 체계와 함께 작동하는 새로운 방어 방식입니다. Pincer의 핵심에는 격리된 컨텍스트 모델(model)인 디지털 트윈이 있으며, 이는 동적인 사용자별 최소 권한 정책을 자동으로 학습하고 시행합니다. 디지털 트윈은 사용자의 선호도를 지속적으로 학습하여 에이전트의 권한 요청에 대해 사용자의 대리인 역할을 수행할 수 있도록 합니다. 학습 단계를 모사하기 위해, 수일에 걸친 사용자-에이전트 상호작용 트랜스크립트를 따르는 예제를 포함한 새로운 사용자 중심 데이터셋(dataset)을 제안합니다. 평가 결과, Pincer는 다양한 대규모 언어 모델(LLM) 판정관 변형 및 Conseca(HotOS '25)의 적응 버전을 포함한 여러 베이스라인과 비교하여 보안성과 유용성 모두에서 뛰어난 성능을 보였습니다. Pincer의 설계가 다른 모든 베이스라인에 비해 현저한 보안 향상을 가져오는 공격 유형을 조명하며, 다른 유형의 공격에 대해서도 베이스라인을 능가함을 보입니다.
온실 기후 관리는 에너지 사용을 제한하면서 작물 생산성을 향상시키는 것을 목표로 합니다. 이를 위해서는 환경 조건을 변경하기 전에 작물이 어떻게 반응할지 미리 파악해야 합니다. 작물 디지털 트윈(digital twin)은 식물의 생리와 구조가 어떻게 함께 발달하는지를 표현할 수 있을 때에만 이러한 의사결정을 지원할 수 있습니다. 본 연구에서는 개별 잎의 생리학적 특성을 바탕으로 상추의 성장을 시뮬레이션하는 통합 프레임워크를 개발했습니다. 각 잎은 수관(canopy) 내 위치에 따른 조건을 전달받아 광합성을 통해 탄소를 공급했습니다. 이 탄소의 일부는 유지에 사용되었고 나머지는 성장을 뒷받침하는 데 활용되었으며, 나이, 크기 및 국소 환경에 따라 잎 사이에 분배되었습니다. 예측된 잎의 질량, 면적, 나이는 NVIDIA Isaac Sim에서 진화하는 3차원 식물 형태를 생성했습니다. 광선 추적(ray tracing)을 통해 각 잎이 가로채는 일사량을 계산하여 다시 광합성에 반영함으로써, 시간에 따라 구조와 성장이 상호작용하도록 했습니다. 온실 측정값 대비 상대 평균 제곱근 오차(RRMSE)는 총 건물중(dry weight)에서 9.5%, 잎 수, 수관 직경, 최대 잎 면적에서 각각 9.2%, 12.7%, 13.1%를 기록했습니다. 입사 일사량이 30% 감소했을 때 최종 건물중은 10.4% 감소한 반면, 동일한 비율로 증가했을 때는 6.9% 증가했고, 이산화탄소 200 ppm을 추가했을 때는 46.1% 증가했습니다. 40개 식물로 구성된 시뮬레이션 블록 내에서 내부 식물은 동일한 초기 상태의 외곽 식물에 비해 건물중 축적량이 8.6% 적었으며, 온실 식물에서 팁번(tipburn) 현상이 발생한 기간 동안 내부 잎의 잎별 팁번 지수가 상승했습니다. 따라서 개별 잎 수준의 해석은 국소적 환경 노출이 온실 내 식물 성장을 어떻게 변화시키는지 설명해 줍니다. 이 프레임워크는 실제 식물의 관측값을 통해 예측을 갱신하고 온실 기후 의사결정을 지원할 수 있는 양방향 디지털 트윈에 필요한 순방향 식물 모델을 제공합니다.
기후 인식 디지털 트윈 시스템을 지원하려면 단기 대기 온도 예측이 필요하지만, 열 관측이 불완전한 곳에서도 그러한 예측을 생성해야 한다. 본 연구는 위치온도(potential temperature) 예측을 위해 압력 좌표 열역학적 이류-원(source) 방정식과, 직전 12시간 구간에서 적합한 후 미래 시점 학습 전에 고정(freeze)한 비단열(diabatic) 원 폐쇄(closure)로 제약하는 물리정보 신경망(physics-informed neural network)을 평가한다. 세 개 압력 레벨에서 시간별 ERA5 재분석을 사용하여, 모델은 1·2·3시간 선행(lead time)에서 지속(persistence), 국지 추세(local-trend), 그리고 동일한 미래 기상 forcing을 PINN과 같이 받는 신경망 기준선 하나를 포함한 두 개의 대응(match) 신경망 기준선과 비교하는 조건부 후향 예측(hindcast)으로 평가되어, 물리적 제약과 미래 forcing 접근의 효과를 구분하는 데 도움이 된다. 오클라호마 개발 사례에서 가장 강한 기준선 대비 평균 RMSE 개선은 1시간에서 8.1%에서 3시간에서 23.8%까지 증가했으며, 후보 위치의 5%까지 관측 밀도 스weep을 내린 희소성 조건에서도 3시간 우위는 14.6–16.9%로 유지되었고, 밀도가 낮을수록 성능이 개선된다는 증거는 없었다. 알abama 열 이벤트로 고정 프로토콜을 이전하고 세 가지 가상 관측 배치를 적용한 경우, 3시간 개선은 19.7–24.4% 범위였고 origin 수준에서 일관된 우위가 있었다. 고정 압력 레벨이 복잡 지형과 교차하는 몬타나 스트레스 테스트에서는 3시간 성능이 대략 17.5% 악화되어, 해당 formulation의 지형 관련 적용 한계를 드러냈다. 종합하면, 물리 제약의 이점은 예측 horizon이 길어질수록 커지고, 심각한 관측 희소성에서도 유지되며, 지역 간 전이되지만, 복잡 지형 위에서 고정 수직 좌표 표현의 타당성에 의해 한계가 있으며, 이는 기후 인식 예측 및 디지털 트윈 시스템의 물리 제약 구성요소와 관련된 근거이다.
송전망 운영자(TSO)는 재생에너지 연계, 관성 감소, 더욱 엄격해진 보안 여유도로 인해 증가하는 복잡성에 직면해 있습니다. 대규모 언어 모델(LLM)은 자연어 기반 의사결정 지원을 제공하지만, 환각(hallucination), 통제되지 않는 도구 사용, 미흡한 추적성은 제어실의 요구사항과 상충합니다. 본 논문에서는 송전망 제어실을 위한 거버넌스 인식 에이전틱 디지털 트윈을 제시합니다. 대규모 언어 모델은 화이트리스트에 등록된 분석 도구만 선택하고 파라미터를 지정하며, 제안된 모든 동작은 모델이 우회할 수 없는 거버넌스 층을 통과합니다. 이 층은 매 실행마다 네 가지 규칙을 강제합니다. 화이트리스트에 등록된 도구만 실행됩니다. 어떤 실행도 단계 예산(step budget)을 초과하지 않습니다. 부작용(side effect)이 있는 동작은 운영자의 명시적 승인 없이는 실행되지 않습니다. 답변의 모든 숫자는 단위, 변수, 시점과 함께 백엔드 결과로부터 해당 층에 의해 렌더링됩니다. 이 규칙들은 그리스 송전망의 디지털 트윈 상에서 분석, 시뮬레이션, 다단계 워크플로, 12개 계열의 적대적 입력을 다루는 공개된 118개 작업 벤치마크의 모든 실행에 대해 영구 감사 추적(audit trail)을 통해 검증됩니다. 기본 모델의 590회 실행 전반에서 도구 선택은 96.5%, 작업 성공률은 93.7%에 달했으며, 네 가지 규칙 모두 예외 없이 유지되었습니다. 4개의 대규모 언어 모델에 걸쳐 총 1,416회 실행된 별도의 3회 반복 연구에서도 해당 규칙들은 매 실행마다 유지되었으며, 약 95% 하한은 99.8%였습니다. 해당 층을 제거하자 동일한 모델이 승인이 필요한 45회의 실행을 모두 승인 없이 실행했으며, 백엔드 기반 숫자를 포함한 답변은 39.2%에 불과했습니다. 규칙 강제에 소요되는 비용은 요청당 12~16밀리초입니다.
에이전트형 인공지능(Agentic AI)은 6세대(6G) 네트워크에서 레벨 4 자율성을 실현할 수 있는 유력한 기술이지만, 공유 메모리를 기반으로 추론하는 에이전트는 메모리의 왜곡을 그대로 물려받게 됩니다. 본 연구에서는 에너지를 최소화하는 무선 접속망(RAN) 에이전트와 지연 시간을 최소화하는 엣지 에이전트가 협상하고, 디지털 트윈(DT)을 통해 제안을 검증하며, 집합적 메모리를 공유하는 크로스 도메인 RAN-엣지 오케스트레이션을 연구합니다. 이러한 메모리는 샘플링 장치와 같아서, 에이전트가 무엇을 저장하는가가 아니라 무엇을 검색하는가가 이들의 행동을 결정합니다. 본 논문에서는 유도된 검색 분포와 대표 참조 분포 간의 다이버전스로서 시간적, 확증, 가용성 축을 따라 분해되는 검색 바이어스 지수(Retrieval Bias Index)를 정의하고, 가법적 검색 스코어링이 바이어스가 제거되지 않은 분포의 지수 틸트(exponential tilt)임을 보여 실패 증폭 가중치(failure-amplification weight)에 대한 닫힌 형태의 해(closed form)와 저장소 자체의 구성에 의해 결정되는 포화 하한을 도출합니다. 추가적인 결과로 초과 서비스 수준 협약(SLA) 위반이 검색 바이어스와 DT 불일치에 가법적으로 바운딩됨을 보입니다. 확률적 네트워크 미적분학(stochastic network calculus)이 실행 가능 영역, 오라클, 내시 협상(Nash bargaining) 기준점을 제공하는 탠덤 큐에서, 제안하는 연산자는 최신성 기반 저장소 대비 12.7배의 바이어스 감소를 달성하고 6개의 메모리 아키텍처 중 협상 해와 가장 가까운 거리를 달성합니다.
패혈증은 주요 사망 원인 중 하나이지만, 최적의 치료 정책은 여전히 논쟁 중이다. 기존의 강화학습(RL) 접근법은 패혈증 치료를 위한 고정된 전략을 학습하여, 추론 중 변화하는 임상 목표에 대한 적응력이 제한된다. 우리는 생성형 전자 건강 기록(EHR) 모델 형태의 환자 디지털 트윈을 학습시킴으로써 환자 동역학 학습과 치료 최적화를 분리하는 프레임워크인 EHR-MPC를 제안한다. 디지털 트윈은 개입 하에서의 임상 궤적을 예측하고, 모델 예측 제어(MPC)가 시뮬레이션에 대한 추론 시간 계획을 통해 치료를 최적화할 수 있도록 한다. 우리는 오프-정책 중요도 샘플링과 온-정책 시뮬레이션 기반 평가를 모두 사용하여, Mass General Brigham 의료 시스템의 8개 병원에 걸친 다기관 ICU 패혈증 코호트에서 EHR-MPC를 평가한다. RL 기준선 대비, EHR-MPC는 유사한 오프-정책 성능과 향상된 시뮬레이션 성능을 달성한다. RL과 달리, 이 연구는 패혈증 치료 최적화를 학습된 환자 동역학에 대한 추론 시간 제어로 구성하여, 생성형 임상 모델을 활용한 의사결정을 위한 일반적인 프레임워크를 확립한다.
데이터센터와 그 컴퓨트 노드는 워크로드, 환경 매개변수, 물리적 지표 간의 복잡한 상호작용을 모델링할 수 있는 정확하고 유연한 디지털 트윈이 필요하다. 현재 HPC 및 그 텔레메트리를 위한 머신러닝 접근법은 일반적으로 단일 작업에 맞춰진 익명의 고정 위치 센서 변수의 정적 부분집합에 의존한다. 결과적으로, 목표 작업이 변경되거나 센서 지표가 달라지면 이러한 모델은 더 이상 유효하지 않게 된다. 우리는 컴퓨트 노드 텔레메트리 및 시계열을 위한 최초의 파운데이션 모델인 SeT-Diff를 제안한다. 경직된 아키텍처와 달리, 우리의 확산(diffusion) 기반 접근법은 각 센서의 의미적 설명에 생성 과정을 조건화하여 시스템 역학을 데이터셋의 구조로부터 분리한다. 실제 슈퍼컴퓨터 데이터셋에 대한 실험은 재구성 작업에서 평균 절대 오차(MAE) 0.0470을 보여준다. SeT-Diff는 제로샷(zero-shot) 순열 안정성을 보이며, 센서 순서가 섞여도 정확도를 미미한 저하만으로 유지한다. 단일 사전학습 모델이 데이터 보간(imputation), 예측(forecasting), 가상 센싱(virtual sensing)을 효과적으로 수행하며 — 열 추론에서 0.033 MAE를 달성 — SeT-Diff를 HPC 시스템을 위한 효과적인 데이터 기반 디지털 트윈으로 만든다.
이상의 근본 원인을 진단하는 것은 안전한 산업 운영에 필수적이다. 광범위한 센서 계측에도 불구하고 가설 수립과 증거 수집은 여전히 수동적 프로세스로 남아 있어 주요 운영 병목을 야기한다. 기존 데이터 기반 접근법은 이를 자동화하려 하나, 두 가지 중요한 한계가 배포를 제한한다: 진단을 정당화할 수 없는 블랙박스로 작동하며, 고장 운전에 대한 희소한 라벨 예제가 필요하다는 점이다. 이 공백을 해소하기 위해 증거 그라운딩 근본 원인 분석을 위한 제로샷 에이전트형 프레임워크 AgentRCA를 제안한다. AgentRCA는 고장 특화 매핑을 학습하는 대신, 정상 시스템 동역학을 모델링하는 데이터 기반 디지털 트윈과 도구 증강 언어 모델을 결합하여 추론 시점 추론을 수행한다. 에이전트는 통계적 증거를 반복적으로 수집하고, 경쟁 가설을 평가하며, 관측된 거동을 가장 잘 설명하는 물리적 고장을 식별한다. 실제 다상 흐름(multiphase-flow) 시설과 대규모 화학 공장에서 평가한 결과, AgentRCA는 고장 특화 학습에 의존하지 않고도 완전 지도 학습 기준선과 경쟁력 있는 진단 성능을 달성한다. 중요하게도, 관측된 증상을 근본적인 물리적 원인과 명시적으로 연결하는 투명한 추론 추적을 생성한다. 이러한 결과는 자율적 가설 주도 추론이 확장 가능한 산업 근본 원인 분석의 실용적 토대임을 보여준다.
모바일 헬스 개입은 사용자를 더 건강한 행동으로 유도할 시점을 개인화하기 위해 점점 더 온라인 학습 및 의사결정 알고리즘을 사용하고 있지만, 설계가 부실한 알고리즘은 참가자에게 부담을 주고 이탈을 유발할 수 있다. 따라서 새로운 알고리즘 설계 결정은 각 실제 배포 전에 현실적인 시뮬레이션 사용자에 대해 검증되어야 한다. 우리는 적시 적응형 개입(JITAI) 배포 전에 후보 온라인 알고리즘을 비교하기 위한 목표 하위 집단의 디지털 트윈인 ``JITAI-Twin''을 개발하는 방법을 제안한다. 이 방법은 조건부 시계열 확산 모델을 기반으로 하며, 시간적으로 일관되어(미래 행동이 생성된 과거에 영향을 주지 않음) 세 가지 정보원으로부터 세 단계에 걸쳐 반복적 갱신을 지원한다: 대규모 관찰 데이터셋에 대한 사전학습, 관련 집단에서의 소규모 이전 개입 배포에 대한 미세조정, 그리고 도메인 과학자의 전문 지식을 바탕으로 한 다음 목표 집단에 대한 추론 시점 보정. 우리는 신체 활동 제안 개입 배포의 장기 HeartSteps 시리즈(v2부터 v4까지)의 각 사전 배포 단계에서 트윈을 검증하며, 각 연속 배포를 다가오는 연구로 취급한다. 제안된 방법은 더 단순한 시뮬레이터보다 목표 하위 집단의 시간적 구조 및 참가자 간 구조를 더 잘 재현한다. 이러한 결과는 우리의 트윈이 실행 전에 목표 배포를 시뮬레이션하는 데 사용될 수 있음을 시사하며, 이는 온라인 알고리즘 설계 결정을 테스트하고 정보를 제공하기 위한 전제 조건이다.
스마트폰 개인 비서는 종단적(longitudinal) 개인 데이터를 추론하지만, 이를 평가하려면 정답이 알려진 맥락이 풍부한 평가 데이터가 필요하며, 실제 기기 추적 기록은 공유하기에 개인정보 민감도가 너무 높다. 이 문제를 해결하기 위해, 우리는 물리적으로 기반(grounded)되고 결정론적이며 이벤트 소스(event-sourced) 방식의 디지털 트윈 시뮬레이션인 SenWorld를 제안한다. SenWorld는 구조적으로 고정된 정답(ground truth)과 함께 이러한 데이터를 생성한다. SenWorld에서 페르소나(persona)는 실제 지도, 날씨, 공휴일, 네트워크 데이터로 구축된 세계에서 하루를 살아간다. 모든 관측 가능한 신호는 전체 시스템 스냅샷에 보관되며, 각 평가 사례는 사후 주석(post-hoc annotation)이나 대규모 언어 모델(LLM) 판정자(judge)가 아닌, 기존 기록을 가리키는 포인터로 레이블링된다. 우리는 베이징에서 16개의 페르소나로 이 방법을 평가한다. 생성된 데이터는 범주 분포(젠센-섀넌 발산(JSD) 0.070)와 통신 기록의 일일 리듬(JSD 0.1 미만)에서 보류(hold-out)된 실제 사용자 벤치마크와 밀접하게 일치하지만, 생성된 기록은 실제 기록보다 짧은 편이다. 스크립트화된 상호작용 없이도, 페르소나는 완전히 상호(reciprocated)적인 대화 서브그래프와 차별화된 행동 레퍼토리를 형성한다. 717개의 평가 사례로 투영했을 때, 생성된 데이터는 프로덕션 스마트폰 비서에서 78건의 실패를 드러내며, 통화 및 단문 메시지 서비스(SMS) 기록에 집중되는 반면 연락처, 일정, 알람에서는 실패가 발생하지 않는다. 스냅샷 포인터는 LLM 판정자 개입 없이 각 실패가 비서 측 검색(retrieval) 오류임을 확인한다. 전반적으로 SenWorld는 레이블이 구조적으로 고정된 평가 데이터를 위한 개인정보 보호에 안전하고, 재현 가능하며, 분포가 검증된 경로를 제공한다.
뇌종양 진행은 공간적으로 이질적인 성장, 환자별 치료 반응, 주변 해부학과의 복잡한 상호작용을 보여 정확한 장기 예측을 어렵게 만든다. 우리는 뇌종양 진화 예측 및 치료 일정 수립을 위한 AI 증강 적응형 디지털 트윈(DT) 프레임워크를 제안한다. 이 프레임워크는 해석 가능한 반응-확산(RD) 모델, 모델 형태 보정을 위한 3D 잔차 학습 모듈, 재귀적 롤아웃 동안의 환자 특이적 DT 업데이트, 제약이 있는 화학요법 및 방사선치료 일정 수립을 위한 모델 예측 제어(MPC)를 통합한다. 120단계 진화를 갖는 387개의 합성 종양 궤적에 대한 실험은 기준선 RD 모델이 종양 위치와 전반적인 시간적 거동을 포착하지만 장기 예측에서 이질적인 종양 부담을 과소평가함을 보여준다. 하이브리드 RD-잔차 모델링은 밀집 시뮬레이션 관측 하에서 RD 기준선 대비 마스크된 복셀 단위 평균 제곱 오차를 84.3% 감소시키고 Dice 겹침을 43.5% 증가시킨다. 온라인 DT 업데이트는 업데이트되지 않은 하이브리드 모델과 비교하여 평균 제곱 오차를 추가로 45.9% 감소시키고 Dice 겹침을 9.6% 개선한다. MPC 기반 스케줄링 시뮬레이션에서, 업데이트된 DT 컨트롤러는 종말 부담 목적함수 하에서 고정 치료 일정 대비 최종 종양 부담을 22.4% 감소시킨다. 종합하면, 이 결과들은 환자 특이적 초기화, 기전적 모델링, 적응형 학습, 제약이 있는 치료 최적화를 위한 통합 프레임워크를 보여준다. 임상 종단 데이터가 아닌 환자 데이터에 기반한 합성 궤적으로 검증되었지만, 제안된 프레임워크는 실제 세계의 적응형 치료 계획으로의 향후 전환을 위한 기반을 마련한다.
자율주행 시스템은 실세계 배포 전 신뢰할 수 있는 안전 검증(validation)이 필요하다. 그러나 대규모 도로 주행 테스트는 비용이 많이 들고 재현이 어려우며, 희귀한 안전 임계 시나리오를 노출하는 데 비효율적이다. 기존 시뮬레이션은 반복성을 향상시키지만, 오프라인 시뮬레이터 단독으로는 물리적 교통 상태, 가상 재구성, 알고리즘 평가, 시나리오 진화를 지속적으로 연결할 수 없다. 본 논문은 자율주행 안전 검증을 위한 위험 필드 강화 폐루프 디지털 트윈 프레임워크를 제안한다. 이 프레임워크는 물리 데이터 수집, 데이터 동기화, 가상 트윈 재구성, 위험 인식 시나리오 생성, 자율주행 알고리즘 평가, 안전 분석을 통합한다. 주행 위험 필드는 자아 차량(ego vehicle) 주변의 장애물, 차선 이탈, 도로 경계, 충돌 예상 시간(TTC), 승차감 관련 위험을 기술하는 통합 중간 표현으로 도입된다. 위험 필드는 디지털 트윈 시나리오 라이브러리에서 고위험 시나리오의 순위를 매기고, 강화학습(reinforcement learning) 기반 주행 정책에 대한 밀도 있는 안전 지도를 제공한다. 기존 강화학습 베이스라인, 위험 패널티 베이스라인, 제안된 위험 필드 유도 방법을 비교하기 위한 시뮬레이션 방식 평가 프로토콜이 설계된다. 본 연구는 디지털 트윈에 명시적 위험 구조를 임베딩(embedding)함으로써 자율주행 검증을 보다 목표 지향적이고 해석 가능하며 재사용 가능하게 만들 수 있음을 시사하지만, 실질적 효과는 모델(model) 충실도, 위험 보정, 시뮬레이션-실세계 전이(sim-to-real transfer)에 의해 제한됨을 밝힌다.
사용자 특성을 추론하고 페르소나에 일관된 응답을 생성하는 기존 접근법은 정적 프롬프팅에 의존한다. 이러한 방법들은 보정된 불확실성이 부족하고, 순차적 증거를 무시하며, 장기 상호작용 중에 드리프트가 발생한다. 우리는 대화로부터 22개 차원의 성격 프로파일을 지속적으로 업데이트하고 이를 개인 디지털 트윈에 구현하는 프레임워크인 AI YOU를 제시한다. 실제로, 이 시스템은 페르소나 추론을 위해 프롬프팅, 베이지안 업데이트(Bayesian updating), 등각 예측(conformal prediction)을 결합한다. 주기적으로 갱신되는 메모리 앵커와 세 계층으로 구성된 인지 메모리가 장기 상호작용에서 페르소나 일관성을 유지한다. 주요 실험 결과에서, AI YOU는 (i) 0.921에서 0.976 범위의 등각 커버리지를 달성하고, (ii) 불확실성 보정과 메모리에 기반한 추론을 개선하며, (iii) 다중 에이전트 적대적 환경에서 평가된 대부분의 백본에 대해 100턴 이상의 롤플레잉에서 정적 프롬프팅 대비 페르소나 충실도를 향상시키고 특성 드리프트를 감소시킨다. 프로토타입 AI YOU Town은 미래 상호작용을 위한 상상력 넘치는 트윈 세계를 초기화한다. 온라인 데모는 quinnnnnne-ai-you.hf.space에서 이용할 수 있다.
이기종 대규모 언어 모델(LLM)로 구동되는 체화 에이전트 팀이 스마트 공장, 물류 창고, 서비스 로봇 등 물리적 인공지능 분야에 광범위하게 배포되고 있다. 이러한 에이전트 팀 간의 협업을 가능하게 하기 위해서는 제한된 네트워크 자원 하에서 안정적으로 동작하는 효율적인 조율 메커니즘이 필요하다. 그러나 다중 라운드 자연어 기반 대화에 의존하는 기존의 이기종 LLM 에이전트 조율 프레임워크는 세 가지 상호 연결된 과제를 야기한다. 첫째, 에이전트 간 대화는 팀 규모에 따라 빠르게 증가하는 통신 오버헤드를 발생시킨다. 둘째, 조율 품질이 에이전트 팀 LLM들의 이기종 능력에 의해 제약된다. 셋째, 에이전트들은 반복적인 협상으로 인해 행동 지연을 겪을 수 있다. 이러한 과제들을 해결하기 위해, 우리는 경량 디지털 트윈(DT)을 기반으로 구축된 네트워크 조율 프레임워크인 LDT-Coord를 제안한다. 구체적으로, 각 에이전트는 독립적으로 의도된 행동을 선택하고, 행동 결정과 공유 자원에 대한 구조화된 시간적 제약 조건을 DT 서버에 보고함으로써 조율 성능을 자연어 추론 능력으로부터 분리한다. 이후 DT는 학습 불필요한 규칙 기반 오케스트레이터 알고리즘을 실행하여 에이전트 간 충돌을 해소하고 충돌 방지를 위한 조율 지시를 반환한다. 통신 오버헤드를 추가로 줄이기 위해, 에이전트 보고 제어를 제약된 부분 관측 마르코프 결정 과정(C-POMDP)으로 공식화하고 PPO-Lagrangian 알고리즘으로 풀이한다. 시뮬레이션 결과, LDT-Coord는 통신 오버헤드를 70배 이상 절감하고 LLM 이기종성 하에서도 강건성을 유지하면서 기존 조율 방법에 비견되는 태스크 성공률을 달성함을 보인다.
고객 행동 모델링은 추천, 마케팅, 의사결정 지원의 근간이 되지만, 기존 접근법은 의사결정에 대한 설명 없이 예측 정확도만을 최적화하거나, 실제 행동 데이터에 기반하지 않은 채 사용자를 시뮬레이션하는 데 그쳤다. 본 논문에서는 통합된 사람-환경(Person-Environment) 공식화를 통해 대규모 소매 거래로부터 고객 의사결정을 직접 학습하는 대규모 행동 모델(LBM, Large Behavioral Model)을 제안한다. 고객 상태는 과거 구매 이력에서 도출된 행동 프로파일로 표현되며, 제품 컨텍스트는 검색-증강 생성(RAG)을 통해 반영된다. 이 모델은 언어화된 행동 데이터에 대한 지속적 사전학습, 의사결정 생성을 위한 지도 미세조정, 그리고 증거 기반 보정을 위한 검증 가능한 보상을 활용한 강화학습을 통해 학습된다. 제안된 프레임워크는 구매 예측, 어려운 부정 사례(hard-negative) 판별, 장바구니 완성, 프로모션 반응, 크로스 도메인 바우처 사용 예측 태스크에서 평가된다. 이 모델은 도메인 내 소매 태스크에서 최신 범용 언어 모델을 지속적으로 능가하는 동시에, 소매업체 및 의사결정 도메인 전반에 걸쳐 강력한 제로샷 및 미세조정 전이 능력을 보인다. 절제 연구(ablation study)에 따르면, 지속적 사전학습이 행동 일반화의 주요 동인이고, 검색은 학습과 추론 모두에 적용될 때 가장 효과적이며, 강화학습은 일반적인 언어 모델 사전 분포보다 명시적 행동 증거에 대한 의존도를 향상시킨다. 이러한 결과는 거래 이력에 인코딩된 행동 지식이 언어 모델에 의해 효과적으로 학습될 수 있음을 입증하며, 고객 디지털 트윈 및 행동 시뮬레이션을 위한 확장 가능한 기반을 제공한다.
자율주행 시스템에 대한 연합 강화학습(FRL)의 포이즈닝 공격 취약점을 해결하기 위해, SecApp은 디지털 트윈 기반 리허설 학습과 이력 집계 파라미터를 활용해 악의적 에이전트의 그래디언트를 필터링하는 방어 프레임워크를 제안한다. 13가지 포이즈닝 공격에 대한 실험과 수렴 이론 분석을 통해 기존 방어 전략 대비 우수한 성능을 입증하였다.
Automated experimentation is moving from closed-loop optimization toward open decision-making, where human or AI planners must forecast the consequences of candidate actions before executing them. Such forecasts require a model of both sides of the experiment: how the sample is likely to respond and what the instrument is likely to detect. We therefore introduce a coupled digital-twin framework that separates these roles and then links them. In this framework, the sample twin encodes material state inferred from prior knowledge and measurements till the moment. The instrument twin captures signal formation, feedback dynamics, and operating constraints based on prior knowledge. When coupled, the two twins estimate expected outcomes, uncertainty, and risk for candidate microscope operations. For amplitude-modulation scanning probe microscopy, we realize this framework with a physics-informed encoder of force-distance curves, a deterministic scanner model of cantilever and feedback dynamics, and sparse learned residual corrections. The encoder first recovers scanner-driving descriptors with sub-nanometer accuracy. The calibrated scanner then reproduces typical traces within a few nanometers and identifies operating-point noise amplification as the main source of mismatch. Supplementary phase analysis localizes residual error to the phase channel, which clarifies where added physics is needed. Together, these results establish coupled sample and instrument twins as a practical foundation for predictive microscope operation and autonomous experimental planning.
희석 냉동기의 극저온 고장 진단에서 임계값 경보의 한계를 극복하기 위해, 물리 기반 디지털 트윈 시뮬레이터 Onnes와 5역할 다중 에이전트 LLM 패널을 결합한 시스템을 제안한다. 퓨샷 대조 데모와 자기일관성 투표를 적용한 결과, 파라미터 업데이트 없이 레이블 6개만으로 분류 정확도를 0.685에서 0.990으로 끌어올려 지도학습 분류기(0.985)와 동등한 성능을 달성했다.
UAV 영상에서 고충실도 3D 건물 모델을 재건하는 것은 대규모 디지털 트윈 개발에 필수적이다. 그러나 기존의 3D 가우시안 스플래팅(3DGS) 기법은 건물 외관 처리에 어려움을 겪으며, 날카로운 기하학적 전환을 포착하는 데 실패하는 경우가 많다. 이를 해결하기 위해, 우리는 3DGS가 선명한 건축 경계를 생성하도록 감독하는 시맨틱 엣지 정규화(edge regularization) 프레임워크를 제안한다. 우리의 방법은 SAM 3을 활용하여 정밀한 건물 마스크를 생성하고, 이로부터 건축적으로 유의미한 엣지를 추출한다. 학습 과정에서 렌더링된 이미지 그래디언트를 추출된 엣지에 정렬하여, 가우시안들이 날카로운 구조적 기하학으로 수렴하도록 강제한다. 캠퍼스 환경, 밀집 도심, 커스텀 주거 데이터셋에 걸친 평가에서 3DGS 파이프라인의 구조적 수정 없이도 엣지 충실도가 크게 향상되었음을 입증한다. 제안하는 방법은 다양한 건물 유형, 지붕 형상, 도시 밀도에 걸쳐 강건함을 보인다.
희소한 cine MRI로부터 심장 디지털 트윈 생성을 위한 4D 전심장 메시 복원 문제를 해결하기 위해, Beer-Lambert 감쇠 원리에 기반한 미분 가능 윤곽 렌더러와 다중 스케일 시간적 모델링 모듈을 결합한 엔드-투-엔드 이미지-메시 매핑 프레임워크를 제안한다. 제안 방법은 전심장 평균 절대 오차 1.68±0.31mm, 모션 지터 0.77±0.17mm/frame³를 달성하며 기존 방법 대비 복원 정확도와 시간적 부드러움 모두에서 우수한 성능을 보였다.