본 논문에서는 데이터로부터 비선형 시스템에 대한 희소(sparse)하고 해석 가능한 피드백 정책을 학습하는 프레임워크인 희소 딕셔너리 미분 가능 예측 제어(SD-DPC, sparse dictionary differentiable predictive control)를 제안합니다. 먼저 그래디언트 기반 및 다단계(multistep) 정식을 기반으로 한 롤아웃 기반 비선형 동역학 희소 식별(SINDy)을 통해 예측 모델을 식별합니다. 그런 다음 정책을 딕셔너리 함수의 희소 조합으로 매개변수화하고, 이 모델을 통해 제약 조건이 있는 유한 구간(finite-horizon) 예측 제어 목적식을 미분하여 학습함으로써 이전에 학습된 제어기를 모방하는 대신 폐루프(closed-loop) 성능에 따라 해당 항들이 선택되도록 합니다. 그 결과 극소수의 항만을 갖는 명시적 피드백 법칙이 도출됩니다. 세 가지 벤치마크 제어 문제에서 SD-DPC는 모든 테스트 시나리오의 제약 조건을 만족하고, 동일한 항으로 증류된 정책보다 최대 한 자릿수(order of magnitude) 이상 뛰어난 성능을 보였으며, 최적화 벤치마크 대비 수 자릿수 적은 메모리와 온라인 연산량만을 요구하는 동시에 명시적인 민감도 경계를 제공합니다.
대규모 언어 모델(LLM)은 의사결정 및 추론 작업에 점점 더 많이 사용되고 있지만, 물리 시스템의 제어기로서의 잠재력은 아직 거의 탐구되지 않았다. 본 연구는 LLM이 동적 열 환경에 대한 해석 가능한 제어기로 기능할 수 있는지 조사하며, setpoint 추종, 자연어 명령 해석, 액추에이터(actuator) 효과에 대한 추론, 사전 모델 기반 지식의 통합 능력을 검토한다. 다양한 규모의 LLM 5개를 히터 또는 팬 사용에 대한 페널티가 있는 설정과 모델이 물리 기반 예측 도구에 접근할 수 있는 경우를 포함한 여러 시나리오에서 평가한다. 결과는 제어 성능이 모델 복잡도에 달려 있음을 보여준다. 저·중규모 모델은 액추에이터 동역학을 자주 오해하거나 일관성 없는 추론을 생성하는 반면, Qwen-3~14B 및 GPT-4o와 같은 고복잡도 모델은 정확한 온도 추적, 안정적인 액추에이터 사용, 물리 원리와 일치하는 일관된 설명을 달성한다. 물리 기반 모델을 통합하면 예측적 의사결정을 가능하게 하여 제어의 부드러움과 에너지 효율이 크게 향상된다. 상세한 추론 분류체계는 소형 모델의 인과적 오해에서 대형 모델의 응집적이고 시간적으로 인식된 추론으로의 뚜렷한 진행을 추가로 보여준다. 이 결과는 LLM이 충분한 능력을 갖추고 도메인 지식에 적절히 그라운딩(grounding)될 때 해석 가능한 제어기로 작동할 수 있음을 보여주며, 그럴듯한 설명을 제공할 수 있는 하이브리드 모델 기반 및 언어 기반 제어 전략의 유망한 가능성을 강조한다.