PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.19985v1cs.AI

메모리 기반 조율: 동적 제조 환경에서 다중 에이전트 적응을 위한 그래프 구조 경험 재사용

Coordinating from Memory: Graph-Structured Experience Reuse for Multi-Agent Adaptation in Dynamic Manufacturing

동적 제조 환경에서는 기계 고장, 긴급 작업 도착, 처리 시간 변동과 같은 빈번한 운영 교란 하에서 다중 에이전트 시스템이 효과적으로 조율해야 한다. 기존 다중 에이전트 강화학습 접근법은 각 교란 에피소드를 독립적으로 처리하여, 향후 적응을 가속할 수 있는 귀중한 조율 경험을 버린다. 본 논문에서는 동적 제조 환경에서의 다중 에이전트 조율을 위한 그래프 구조 경험 메모리(GSEM) 프레임워크를 제안한다. 이 프레임워크는 작업 종속성, 기계 상태, 에이전트 간 협업 패턴을 포착하는 이종 관계 그래프로 역사적 조율 에피소드를 인코딩한다. 새로운 교란이 발생하면 그래프 신경망 기반 검색 메커니즘이 구조적으로 유사한 과거 에피소드를 식별하여, 처음부터 학습하는 대신 경험 기반 정책 적응을 가능하게 한다. 세 가지 교란 유형을 포함하는 동적 유연 작업장 스케줄링 벤치마크에서의 실험 결과, GSEM은 가장 강력한 메모리 증강 기준선 대비 makespan을 4.1%-10.0% 줄이고 적응 시간을 33%-38% 단축했으며, 교란 빈도가 높을수록 이 우위가 커진다. 소거 연구와 교차 교란 전이 실험은 그래프 구조 인코딩과 유사도 기반 검색의 필요성을 추가로 검증하고, 학습된 조율 패턴의 교차 교란 일반화 가능성을 입증한다.

arXiv:2606.11605v1cs.LG

대규모 언어 모델을 활용한 물리학 기반 증류 신경망을 통한 제조 공정-특성 예측 모델링

Physics-Distilled Neural Network enabled by Large Language Models for Manufacturing Process-Property Predictive Modeling

제조 분야에서 공정-특성 관계를 예측하는 것은 종종 높은 실험 비용과 복잡한 '블랙박스' 모델의 제한된 해석 가능성으로 인해 어려움을 겪습니다. 본 논문은 데이터가 부족한 상황에서 높은 정확도의 예측을 달성하도록 설계된 새로운 지식 증류 프레임워크를 제안합니다. 이 프레임워크는 대규모 언어 모델(LLM)을 통해 과학 문헌에서 체계적으로 추출된 해석적 물리학 선행 지식(priors)을 특권 교사 모델(privileged teacher model)에 통합합니다. 우리는 엄격한 설정점(setpoints)이나 정적 및 고주파 시계열 서명의 조합을 나타내는 입력 변수 간의 복잡한 물리적 의존성을 포착하기 위해 그래프 마스킹 어텐션(Graph-Masked Attention) 층을 사용합니다. 이 특권 지식은 추론을 위해 경량화된 학생 예측기(student predictor)로 증류됩니다. 프레임워크의 타당성과 견고성은 5가지 다양한 제조 공정에 걸친 포괄적인 실험을 통해 평가됩니다. 작은 데이터셋 크기를 고려하여 통계적 신뢰성을 보장하기 위해, 반복 K-겹 교차 검증(repeated K-fold cross-validation) 기법을 사용하여 모델의 안정성과 일반화를 정량화합니다. 결과는 제안된 프레임워크가 평가된 모든 영역에서 일관되게 높은 예측 정확도를 달성함을 나타냅니다. 가장 중요한 것은, 아키텍처가 LLM에서 파생된 해석적 선행 지식이 최적이거나 완전하지 않은 시나리오에서도 견고한 예측 성능을 유지함으로써 상당한 내결함성(fault tolerance)을 보여준다는 점입니다. 또한, 학생 예측기는 6000 Hz를 초과하는 추론 주파수를 달성하여 표준 산업용 하드웨어에서 실시간 엣지 배포(edge deployment)를 용이하게 합니다. 이 연구는 데이터가 제한된 환경에서 이론 물리학과 실시간 산업 모니터링 사이의 격차를 해소하기 위한 확장 가능한 솔루션을 제공합니다.