PyTorchKR Papers

최신 논문

총 16편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.13995v2cs.AI

마케팅 연구에서의 합성 데이터: 평가 방법과 신뢰할 수 있는 시점

Synthetic Data in Marketing Research: How to Evaluate and When to Trust

마케팅 연구에서 합성 데이터(synthetic data)에 대한 논쟁은 대규모 언어 모델(LLM)이 인간 응답자를 불필요하게 만든다는 주장과 이를 전면 배제해야 한다는 요구 사이에서 양극화되어 왔습니다. 우리는 두 입장 모두 합성 응답자가 효과가 있는지 여부가 아니라 '언제' 효과가 있는가라는 더 유용한 질문을 흐린다고 주장합니다. Brand, Israeli, and Ngwe (2026)를 기반으로 하여, 본 연구는 세 가지 기여를 제시합니다. 첫째, 세 가지 유형의 합성 데이터(비그라운딩 LLM 응답, 세그먼트 수준 페르소나, 개인 수준 디지털 트윈)를 구분하고 각각이 지원할 수 있는 의사결정과 매핑합니다. 둘째, 정확도 측정 항목을 네 가지 계열의 분류 체계로 정립하고, 거의 완벽한 수준에서 무작위 확률 수준에 이르기까지 보고된 트윈 정확도의 넓은 범위가 방법론의 질적 차이라기보다는 주로 무엇을 측정하고 있는가의 차이를 반영한다는 점을 시사합니다. 집계 측정 지표는 LLM에 제공된 정보가 거의 없을 때도 좋은 성능을 보이는 경우가 많으며, 응답자 수준의 변별력이 전혀 존재하지 않는 현상을 가릴 수 있습니다. 셋째, 현장 연구에서 질문이 누락되는 '누락된 질문 문제(forgotten question problem)'를 기존 데이터를 트윈 기반으로 증강하는 설정으로 도입합니다. 우리는 그라운드 트루스(ground truth)가 필요 없는 사전 답변 가능성 진단법으로, 트윈을 구축하는 데 사용된 데이터로부터 트윈의 출력을 예측하는 랜덤 포레스트의 R^2을 제안합니다. 전국 대표 표본 설문조사(N = 3,063)의 108개 태도 질문 전반에서 R^2 > 0.7 기준으로 스크리닝하면 트윈-인간 간 개인 수준 평균 상관관계가 15% 상승하고 잘못 답변된 질문의 비율이 25.9%에서 4.3%로 감소합니다. 임베딩 유사도와 숙련된 연구자의 판단 또한 상관관계가 있는 스크리닝 기준을 제공하지만 상대적으로 효과가 더 약합니다.

arXiv:2607.22613v1cs.CY

문화적·정치적 기억을 통한 공공 도시 공간 재활성화: LLM과 증강 현실을 활용한 기술적 접근

Revitalizing Public Urban Places through Cultural and Political Memory: A Technological Approach with LLMs and Augmented Reality

본 논문은 기억, 장소, 정체성의 교차점을 탐구하며, 특히 Apple Vision Pro와 같은 신기술이 이 연결고리를 어떻게 조명할 수 있는지 검토한다. 디지털 트윈(digital twin)과 가상 현실(VR)을 활용하여, 기억이 문화적·역사적 의미를 지닌 경관과 도시 환경에 어떻게 짜여 있는지 조사하고, 기억과 유산을 불러일으키는 시각적 요소를 식별한다. Apple Vision Pro와 같은 애플리케이션은 이미지 확장(image extension)을 통해 장소 정체성을 정의하는 데 기여할 수 있으며, 시간대를 넘어 문화적·정치적 실체에 대한 정보를 시청자에게 제공한다. 시각적 스토리텔링은 경관의 변화와 문화유산 보존을 보여줄 수 있으며, 가상 현실(VR)은 역사적 경관과 도시 경관의 재현을 가능하게 한다. 이 몰입형 접근은 사용자가 시간적 경계를 넘어 과거를 역동적으로 경험하도록 한다. 의미론적 이미지 검색(Semantic Image Search)은 기념물, 전통, 또는 문화적 정체성과 관련된 이미지를 발굴함으로써 연구를 지원할 수 있다. 본 연구는 디지털 트윈과 가상 환경을 도시 및 비도시 경관과 연결하여 문화적, 역사적, 환경적 지속가능성을 보여주는 방법론을 제시한다. 이 접근의 핵심은 현재 상태의 회복력, 그 미래적 진화, 그리고 과거의 중요성을 정의하는 것이다. 이러한 기술은 역사적·문화적 포용을 촉진하면서, 수년 후 특정 장소로 돌아온 듯한 감각을 불러일으킨다. 해당 방법론은 문화적·정치적 기억을 통해 공공 도시 공간을 재활성화하는 데 필요한 기술 통합을 개략적으로 설명한다. 이러한 애플리케이션을 통해 본 논문은 공간의 디지털 트윈, 도시 변화, 문화유산 보존에 관한 연구에 기여한다. 디지털 시대의 기억, 장소, 정체성 간 관계에 대한 통찰을 제공함으로써, 공동의 과거와 그것이 현재에 미치는 영향에 대한 더 깊은 이해를 지원한다.

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:2607.20535v1cs.LG

제로샷 디지털 트윈을 위한 그래프 신경망 접근법

A Graph Neural Network approach to zero-shot Digital Twins

전통적인 예측형 디지털 트윈은 종종 기하학적으로 경직되어, 기반 물리 영역이나 경계 조건이 바뀔 때마다 광범위한 재학습 또는 미세조정을 필요로 한다. 이 한계를 극복하기 위해, 우리는 실시간 시각 인식과 기하학에 무관한 물리 정보 기반 추론 엔진을 원활하게 결합하는 제로샷 디지털 트윈(Zero-Shot Digital Twins)을 위한 새로운 프레임워크를 제시한다. 우리 아키텍처의 핵심은 Thermodynamics-Informed Graph Neural Network 아키텍처로, 메트리플렉틱(metriplectic) 열역학 형식론에 기반한 기하 심층 학습(Geometric Deep Learning) 솔버이며, 그래프 메시지 전달을 통해 국소적으로 에너지 보존과 비음 엔트로피 생성을 강제한다. 이 프레임워크는 보조 그래프 신경망을 통합하여 희소한 초기 시각 경계로부터 직접 관측 불가능한 필드(응력 텐서, 속도 및 에너지 분포 등)를 추론함으로써 수치적 시작 과도 현상을 완화한다. 시뮬-실제(sim-to-real) 격차를 메우기 위해, 우리는 연속적인 폐루프 데이터 동화 메커니즘을 구현한다. 파이프라인은 심층 분할 신경망과 희소 광학 흐름을 결합하여 거시적 변형과 자유 표면 유체 경계를 실시간으로 추적하고, 자기회귀 시뮬레이션 롤아웃을 동적으로 보정하여 수치적 드리프트를 제거한다. 우리 접근법의 타당성을 검증하기 위해, 우리는 두 가지 이질적인 물리 체제에서 접근법의 극단적인 일반화 능력을 입증한다: 점탄성 보의 대변형과 점성 유체의 비선형 슬로싱(sloshing). 두 시나리오 모두에서, 통합 프레임워크는 사례별 재학습 없이 새로운, 보지 못한 기하학에서 물리적으로 정확한 시뮬레이션을 생성하며, 실시간 지연(latency) 예산(프레임당 약 25ms) 내에서 동작하고 증강 현실(AR)을 통해 잠재 기계 변수의 직접 투영을 가능하게 한다.

arXiv:2607.13693v1cs.MA

사회 시뮬레이션: 에이전트 기반 모델링에서 디지털 트윈까지

Social Simulations: from Agent-Based Modeling to Digital Twins

본 장은 고전적 에이전트 기반 모델, 즉 명시적으로 정의된 행동 규칙에 따라 에이전트들이 상호작용하는 모델에서부터 출발하여, 대규모 언어 모델(LLM)에 기반한 AI 강화 시뮬레이션, 그리고 궁극적으로 현실 세계의 사회-기술 시스템을 고충실도·데이터 기반으로 표현한 사회 디지털 트윈(Social Digital Twins)에 이르는 진화를 살펴본다. 이 궤적을 따라 각 패러다임의 주요 방법론적 기반, 응용, 장점, 한계를 논하며, 일반적인 사회적 메커니즘을 탐구하기 위해 설계된 추상적 모델에서 특정 사회 시스템의 점점 더 현실적인 계산적 표현으로의 점진적 전환을 강조한다.

arXiv:2607.12662v1cs.AI

에이전틱 사물인터넷: 폐루프 IoT 오케스트레이션을 위한 네트워크 AI 에이전트

Internet of Agentic Things: Networked AI Agents for Closed-Loop IoT Orchestration

이 논문은 에이전틱 AI, IoT, 사이버-물리 시스템, Physical AI, 엣지 컴퓨팅, 디지털 트윈을 통합된 폐루프 오케스트레이션 프레임워크로 통합하는 아키텍처 프레임워크인 에이전틱 사물인터넷(Internet of Agentic Things, IoAT)을 소개한다. 제안된 아키텍처는 클라우드, 엣지/포그, 물리적 IoT 계층으로 구성되며, 분산된 사이버-물리 환경 전반에서 지각하고, 추론하고, 조정하고, 구동하는 자율 AI 에이전트를 통해 이들이 연결된다. 이 논문은 에이전틱 계획과 물리적 실행을 연결하는 형상론적 동적 프로그래밍(hylomorphic dynamic programming) 프레임워크를 사용하여 중첩된 전략적·전술적 의사결정을 포함하는 결합 워크플로-제어 문제로 IoAT를 형식화한다. 스마트 빌딩 오케스트레이션을 대표적인 사용 사례로 제시하고, 안전성, 보안, 거버넌스, 복원력, 신뢰할 수 있는 배치와 관련된 주요 연구 과제를 논의한다.

arXiv:2512.13919v3cs.LG

예측적 의사결정을 위한 적응형 디지털 트윈: 전이 동역학의 온라인 베이지안 학습

Adaptive digital twins for predictive decision-making: Online Bayesian learning of transition dynamics

동적 베이지안 네트워크(DBN) 기반 디지털 트윈 프레임워크에서 상태 전이 확률을 켤레 사전 분포를 갖는 확률 변수로 모델링하여 온라인 베이지안 학습으로 적응적으로 갱신하는 방법을 제안한다. 파라메트릭 마르코프 결정 과정을 모델 기반 강화학습(MBRL)으로 풀어 동적 제어 정책을 도출하며, 철도 교량의 구조 건전성 모니터링 사례에서 개인화·견고성·비용 효율성이 향상됨을 확인하였다.

arXiv:2607.03585v1cs.LG

디지털 트윈의 시계열 인식을 위한 모듈형 파운데이션 모델

Modular Foundation Models for Time-Series Perception in Digital Twins

이질적인 시계열 데이터에서 전이 가능한 표현을 학습하기 위해, 자기지도 사전학습된 다수의 표현 인코더와 동적 게이팅 메커니즘, Transformer 기반 셀프-어텐션 집계 모듈로 구성된 모듈형 파운데이션 모델을 제안한다. ETT 벤치마크 및 수력 발전기 로터 온도 가상 센싱 산업 사례에서 결측값 보간·장기 예측·퓨샷 학습 등 다양한 PHM 태스크에 걸쳐 경쟁력 있는 성능을 달성했다.

arXiv:2606.28384v1cs.RO

A Query-Driven Communication-Efficient Digital Twins Design for Autonomous Driving

Digital twins (DTs) have become a potential technology to perform risk-free simulation of physical entities for deterministic and high-reliability services in diverse scenarios such as autonomous driving and low-altitude economy. In the autonomous driving scenario, traditional DT methods that rely solely on vehicle's real-time state synchronization, however, might lead to unacceptable computing and communication consumption for construction of high-fidelity DT with redundant data. To address this issue, we first propose a query-driven DT architecture to enable the DT to actively request the desired environment data from vehicles based on its simulation result. Then, we formulate an optimization problem whose goal is to minimize autonomous driving position error while accounting for DT fidelity and communication constraints. We also design a cross-time-step progressive query mechanism to further improve communication efficiency. The simulation results show that our proposed method achieves a 24% reduction in planning position error compared to traditional methods, while reducing communication overhead by 40%.

arXiv:2601.14264v2cs.CY

LLM 기반 디지털 트윈의 심리측정학적 비교 가능성

Psychometric Comparability of LLM-Based Digital Twins

대규모 언어 모델(LLM)은 인간 응답자에 대한 디지털 트윈(digital twin) 역할을 하지만, 이들의 심리측정학적 비교 가능성은 여전히 불확실하다. 우리는 구성 표상(construct representation)과 법칙적 범위(nomothetic span)에 걸친 구성 타당도(construct validity) 프레임워크를 제안하고, 모델을 인간의 금(gold) 기준에 대해 벤치마킹한다. 여러 연구에 걸쳐 디지털 트윈은 높은 집계 수준 정확도와 프로필 상관을 달성했지만, 항목 수준 상관은 약화되었다. 단어 연상 검사에서 LLM 네트워크는 인간과 유사한 소규모 세계(small-world) 구조와 이론에 부합하는 군집(community)을 보였으나, 어휘적으로 그리고 국소 구조에서 벗어났다. 의사결정 및 맥락화된 과제에서는 휴리스틱 편향을 과소 재현하여 규범적 합리성, 압축된 분산, 제한된 시간적 민감성을 보였다. 특징이 풍부하고 특성 관련(trait-relevant) 조건화는 Big Five 성격 예측과 법칙적 범위 정렬을 개선했지만, 네트워크 불변성(invariance)은 여전히 제한적이었고 부분적 구성(configural) 해법과 지속적인 적재(loading) 차이가 남았다. 영어와 중국어 교차 언어 자유 서술 과제에서 특징이 풍부한 디지털 트윈은 구성 수준 서사 내용을 더 잘 근사했지만, 언어적·개인 특수(idiographic) 차이는 지속되었다. 이러한 결과는 디지털 트윈이 구성, 과제, 추론 수준이 인간 데이터의 증거와 일치하는 검증된 경계 내에서 가장 유용하다는 점을 명확히 한다.

arXiv:2606.25185v1cs.LG

Neural operator-based digital twins for modeling amyloid-$β$ and tau propagation and treatment optimization in Alzheimer's disease

종단 PET 영상의 희소·잡음 데이터로부터 피질 표면에서 amyloid-β와 tau의 비선형 반응-확산 역학을 신경 연산자(neural operator) 학습과 reduced-order 표현으로 추론해 환자별 디지털 트윈을 구축한다. amyloid-β 87%, tau 81% 예측 정확도를 달성했으며, 학습된 역학에 PDE 제약 최적 control을 결합해 병리 단백질 전파를 조절하는 개인 맞춤 치료 전략을 설계할 수 있다.

arXiv:2606.21422v1cs.LG

사이버 복원력 IoMT를 위한 연합형 시간적 어텐션 지능: 경량 디지털 트윈과 PPO 기반 허니팟 기만

Federated Temporal Attention Intelligence for Cyber-Resilient IoMT: Lightweight Digital Twins and PPO-Driven Honeypot Deception

의료 사물인터넷(IoMT) 기기의 급속한 확산은, 자원이 제한된 의료 기기가 엄격한 지연 요구사항과 엄격한 데이터 프라이버시 규제 하에서 운영되는 의료 환경에 중대한 사이버보안 취약점을 야기한다. 이러한 과제를 해결하기 위해 본 논문은 경량 디지털 트윈과 연합 강화학습(LDT-FRL) 프레임워크를 제시한다. 이는 프라이버시를 보존하는 방어 아키텍처로, 네 가지 상호 보완적 메커니즘을 통합한다: 플로우 수준 위협 분류를 위해 GRU 백본 위에 구축되고 학습된 시간적 셀프 어텐션(temporal self-attention)을 갖춘 시간적 어텐션 인코더(TAE); 정상 클래스 트래픽으로 학습된 경량 LSTM 기반 디지털 트윈이 디바이스별 이상 점수를 생성하고, 학습된 시그모이드 결합을 통해 TAE 분류기를 게이팅(gating)하는 메커니즘; 7차원 상태에 기반하여 ALLOW, ISOLATE, HONEYPOT_REDIRECT 행동 중 하나를 선택하는 연합 근위 정책 최적화(Federated Proximal Policy Optimization, PPO) 에이전트; 그리고 리디렉션된 의심 트래픽을 실행 가능한 위협 인텔리전스로 변환하는 지능형 허니팟 층. 비동일 분포(non-IID) 클라이언트 분포 하에서 글로벌 모델 업데이트를 안정화하기 위해, EMA 평활화된 클라이언트별 검증 손실을 역가중 FedAvg 계수로 사용하는 연합 집계 전략을 적용한다. CICDDoS 2019 및 TON-IoT 벤치마크에서 평가한 결과, LDT-FRL은 각각 99.66% 및 99.95%의 테스트 정확도와 0.9913 및 0.9995의 macro-F1 점수를 달성하며, DTFL-CD 기준선 대비 81% 더 빠르게 수렴하고 심각하게 불균형한 MITM 클래스에서 완벽한 F1=1.000을 달성한다. SHAP, LIME, Grad-CAM 및 반사실적(counterfactual) 방법을 통한 설명 가능성 분석은 TAE가 의미론적으로 중요한 플로우 특징에 집중함을 확인하여, 각 방어 결정에 대한 해석 가능한 근거를 제공한다.

arXiv:2408.01526v2cs.CV

다중 유닛 평면도의 인식 및 재구성

Recognizing and Reconstructing a Multi-Unit Floor Plan

디지털 트윈은 피난 경로의 더 효율적인 설계, 비상 상황에서의 더 나은 위치 파악, 그리고 더 빠른 구조 대응을 가능하게 하므로, 비상 계획 수립 시 도시 관리의 중요한 부분을 형성할 큰 잠재력을 가지고 있습니다. 그러나 3D 표현(3D-representations)은 일부 신축 건물에 대해서만 제한적으로 제공되므로, 디지털 트윈 생성은 여전히 대부분 수작업에 의존하고 있습니다. 따라서 본 논문에서는 널리 이용 가능한 2D 건축 평면도(floor plans)에서 3D 정보를 생성하는 것을 목표로 합니다. 본 연구에서는 개선된 스킵 연결(skip connections), 어텐션(attention) 메커니즘, 학습(training) 목적함수를 통합한 MDA-Unet 및 MACU-Net 아키텍처를 기반으로 하는 두 가지 새로운 픽셀 단위 분할(segmentation) 방법을 제안합니다. 또한 분할된 평면도를 벡터화하여 3D 모델(model)을 생성하는 파이프라인의 재구성 부분을 함께 제안합니다. 제안된 방법들은 다른 두 가지 최첨단 기법과 여러 벤치마크 데이터셋(dataset)을 통해 비교 평가되었습니다. 널리 사용되는 CubiCasa 벤치마크 데이터셋에서 본 방법들은 5개의 대상 클래스에 대해 평균 F1 점수 0.86을 달성하여, 테스트된 다른 픽셀 단위 접근 방식보다 우수한 성능을 보였습니다. 또한 해당 분야의 연구를 지원하기 위해 코드를 공개했습니다.

arXiv:2606.18272v1cs.NI

에너지 효율적인 6G 자율 네트워크를 위한 LLM 기반 에이전트의 앵커링 바이어스 완화

Mitigating Anchoring Bias in LLM-Based Agents for Energy-Efficient 6G Autonomous Networks

6G 제로 터치 네트워크 슬라이싱을 위한 LLM 에이전트 리소스 협상에서 초기 휴리스틱 제안에 고착되는 앵커링 바이어스(anchoring bias)로 과잉 프로비저닝이 발생하는 문제를, 절단 3-매개변수 Weibull 분포 기반 무작위 앵커링과 CVaR(Conditional Value at Risk)을 쓰는 버스트 인식 디지털 트윈(DT)으로 완화하는 프레임워크를 제안한다. 경량 1B 모델(otel-llm-1b-it) 실험에서 SLA 꼬리 지연을 유지하며 시스템 에너지를 최대 25% 절감하고, 평균 0.95초 추론으로 O-RAN non-RT RIC 운영 시간 척도와 호환됨을 확인했다.

arXiv:2606.17298v1cs.CV

액션 구동 디지털 트윈을 통한 수술실 클립의 추론 기반 텍스트-비디오 검색

Reasoning Text-to-Video Retrieval for Operating Room Clips via Action-Driven Digital Twins

수술실(OR)에서의 텍스트-비디오 검색(text-to-video retrieval)은 이해관계자가 특정 사건의 기록을 검색하고 검사할 수 있게 하여 수술실 안전성(safety)을 실현하는 기술입니다. 그러나 안전에 가장 중요한 사건들은 일반적인 구조를 따르지 않을 수 있으므로, 텍스트-비디오 검색의 잠재력을 완전히 발휘하려면 올바른 비디오를 식별하기 위해 추론(reasoning)이 필요한 암시적 쿼리(implicit query)를 처리할 수 있어야 합니다(예: 클리핑(clipping) 바로 전 단계). 하지만 기존 방법들은 이러한 쿼리에 대해 추론할 수 없는 전역 임베딩(global embedding)에 의존합니다. 본 논문에서는 클립을 액션 구동 디지털 트윈(action-driven digital twins, ActDTs)으로 변환하여 겹치지 않는 시간 구간 내에서 동시에 발생하는 주체-행동-객체(subject-action-object) 삼중항을 그룹화하는 텍스트-비디오 검색 방법인 OR3를 제안합니다. 또한, 쌍을 이루는 인코더를 통한 교차 모달 매칭(cross-modal matching) 대신, OR3는 대규모 언어 모델(LLM)이 쿼리에서 가상의 ActDT를 생성하는 상상 기반 검색(imagination-based retrieval)을 수행합니다. 이를 통해 ActDT에 맞춤화된 하드 네거티브(hard negative)로 훈련된 단일 인코더를 통한 내부 모달 매칭(intra-modal matching)이 가능해집니다. 마지막으로, 증거 기반 정제(evidence-grounded refinement)는 수술 절차 특정 패턴을 포착하기 위해 상위 후보군과의 불일치를 바탕으로 상상된 ActDT를 수정합니다. 우리는 로봇 무릎 수술 절차의 386개 클립에서 4가지 추론(reasoning) 범주에 걸쳐 276개의 암시적 쿼리를 포함하도록 MM-OR 데이터셋을 기반으로 벤치마크를 구성했습니다. OR3는 57.6%의 R@1과 77.3%의 R@5를 달성하여 가장 강력한 기준선(baseline)을 능가했습니다. 이러한 결과는 OR3가 시간적 행동 추론(temporal action reasoning)을 통해 시각적으로 유사한 수술실 비디오 클립 간의 정밀한 구별(fine-grained discrimination)을 가능하게 함을 입증합니다.

arXiv:2606.18154v1cs.AI

하이브리드 구조의 에이전트 기반 발견을 통한 심장 전기생리학 디지털 트윈 학습

Learning Cardiac Electrophysiology Digital Twins Through Agentic Discovery of Hybrid Structure

개인화된 심장 전기생리학(EP) 디지털 트윈을 구축하려면 단순히 매개변수를 적합(fitting)시키는 것보다 각 환자에게 적합한 모델 구조를 식별하는 것이 필요합니다. 기존 방법은 전문가가 수동으로 하이브리드 물리-신경망 아키텍처를 규정하는 데 의존하므로 깊은 도메인 전문 지식이 필요하며 환자 간에 전이되지 않습니다. 최근 연구에서는 대규모 언어 모델(LLM)을 적용하여 하이브리드 모델을 생성하거나 하이브리드 모델로 작동하게 했습니다. 그러나 유망한 일반화 능력에도 불구하고, 이러한 LLM 기반 방법들은 안정적인 심장 시뮬레이션에 필요한 구조적 사전 지식(structural priors)이 부족합니다. 따라서 우리는 심장 EP 도메인 지식을 구조화된 행동 공간으로 공식화하고 LLM 에이전트를 활용하여 하이브리드 모델을 발견하는 LEADS 프레임워크를 제안합니다. 에이전트는 반복적인 추론 및 행동 루프를 통해 하이브리드 모델을 선택, 결합 및 정제(refine)하고, 경사하강법은 매개변수 적합을 처리합니다. 제안된 LEADS는 개방형 아키텍처 발견을 허용하면서 모든 후보 모델이 물리적 근거(physically grounded)를 가지며 해석 가능하고 수치적으로 안정적이 되도록 설계합니다. 우리는 세 가지 실제 반응 모델(ground-truth reaction models)이 있는 합성 데이터와 실제 심장 EP 데이터에서 LEADS를 검증하여, 인간이 설계한 하이브리드 모델과 다른 LLM 기반 하이브리드 모델링보다 우수한 성능을 보임을 입증했습니다.