PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13663v1cs.AI

특화 신경망 모델의 자동 튜닝을 위한 멀티 에이전트 대규모 언어 모델(LLM) 시스템

A Multi-Agent LLM System for Automated Tuning of Specialized Neural Network Models

많은 머신러닝 접근법은 2단계로 이루어집니다. 즉, 전문가가 방법론 군을 선택하고, 해당 군 내에서 핵심 구성 요소의 선택이 결정적이지만 대개 수동으로 이루어집니다. 본 논문은 이러한 구성 요소의 자동 튜닝을 다루며, 서로 다른 성격의 모델 전반에 전이 가능한 프레임워크를 제안합니다. 이 멀티 에이전트 대규모 언어 모델(LLM) 프레임워크는 실험 로그 및 샌드박스 실행 환경과 함께 분석가(analyst), 코더(coder), 기록자(recorder)라는 세 가지 역할을 갖습니다. 전체 머신러닝 스크립트를 최적화하거나 이산적인 공간에서 아키텍처를 탐색하는 시스템과 달리, 이 프레임워크는 개방적이지만 의미적으로 좁은 공간에서 작동합니다. 즉, 에이전트는 전체 네트워크 구조는 변경하지 않은 채 지정된 구성 요소에 대해서만 코드를 생성합니다. 이 접근법은 상관 학습(correlation learning)을 적용한 분류 스파이킹 신경망(SNN) 튜닝과 물리 정보 기반 신경망(PINN)을 이용한 고계 미분방정식 풀이라는 두 가지 방향에서 검증됩니다. MNIST 및 Digits 데이터셋에서의 스파이킹 분류, 그리고 일반화된 비선형 슈뢰딩거 방정식(GNLSE) 및 쿠라모토-시바신스키(KS) 방정식에 대한 경계값 문제 등 총 5개 태스크에 걸쳐 에이전트는 베이스라인을 능가합니다. 분류 정확도는 MNIST에서 13%p, Digits에서 6%p 더 높았고, 해석적 단일 솔리톤 해에 대한 오차는 약 2491배 감소했습니다. 가우시안 섭동(Gaussian perturbation)이 있는 선정된 GNLSE 실행에서 불변량 보존 오차는 약 325배 감소했고 반복 초기화 전반의 평균으로는 100배 이상 감소했으며, 가우시안 섭동이 있는 KS 문제의 경우 질량 드리프트가 14배 감소했습니다. 따라서 이 프레임워크는 자체적인 내부 구조를 변경하지 않고도 서로 다른 성격의 태스크에서 핵심 구성 요소를 튜닝합니다.

arXiv:2610.10858v1cs.AR

RFChipAgent: 아날로그/RF 칩 설계를 위한 멀티 에이전트 AI 플로우

RFChipAgent: Multi-Agentic AI Flow for Analog/RF Chip Design

아날로그/RF 회로는 디지털 연산과 물리적 세계 사이의 핵심 인터페이스로 남아 있으며, Wi-Fi 7부터 6G에 이르는 새로운 표준들은 이에 대해 엄격한 요구사항을 부과하고 있습니다. 그러나 아날로그/RF 설계는 여전히 칩 개발에서 가장 많은 노동력이 소요되는 단계 중 하나입니다. 본 논문에서는 인간의 감독 하에 AI 에이전트들이 전체 설계 흐름을 협력하여 조율하는, 엔드투엔드 아날로그/RF 회로 설계 자동화를 위한 최초의 대규모 언어 모델(LLM) 에이전트 기반 멀티 에이전트 플로우인 RFChipAgent를 제시합니다. RFChipAgent는 네 가지 기술적 기둥을 중심으로 구축되었습니다. 첫째, 문서별 비공개 FAISS 인덱싱을 갖춘 멀티모달 검색-증강 생성(RAG) 하위 시스템이 기존 엔지니어링 문서에서 설계 지식을 추출합니다. 둘째, 토폴로지 에이전트가 토폴로지 선택을 주도하고, 회로도 및 테스트벤치 에이전트가 회로 및 테스트벤치 조립을 자동화합니다. 셋째, 폐루프 하이브리드 회로 사이징 엔진은 TPE(Tree-structured Parzen Estimator)와 CMA-ES 최적화를 결합하여 시뮬레이터 루프 내(simulator-in-the-loop) 프레임워크에서 모든 후보를 평가합니다. 넷째, 신뢰도 점수가 부여된 시뮬레이션 데이터베이스가 검증된 성능 데이터를 축적하고 후속 시도에 정보를 제공하는 적응형 최적화 모델을 구축합니다. GF22FDSOI 60 GHz 광대역 mm-wave 저잡음 증폭기(LNA) 토폴로지 제품군에서 RFChipAgent를 검증하여 자동화된 토폴로지 생성, 사양 기반 설계 공간 탐험, 시뮬레이터 유도 최적화를 입증합니다. 실험 결과는 사인오프 품질의 검증을 유지하면서도 설계 노력을 대폭 줄일 수 있음을 보여줍니다. 본 연구는 아날로그/RF 회로를 위한 LLM 기반 멀티 에이전트 전자 설계 자동화(EDA)의 토대를 마련합니다.

arXiv:2604.20658v2cs.CL

협력 프로파일을 통한 과학을 위한 AI 워크플로 내 다중 에이전트 LLM 팀 성능 예측

Cooperative Profiles Predict Multi-Agent LLM Team Performance in AI for Science Workflows

대규모 언어 모델(LLM) 팀으로 구축된 다중 에이전트 시스템은 협력적인 과학적 추론 및 문제 해결을 위해 점점 더 많이 활용되고 있습니다. 이러한 시스템은 협력적 행동이 중요한 GPU나 크레딧 잔여량과 같은 공유 제약 조건 하에서 에이전트 간의 조율을 요구합니다. 행동경제학은 뚜렷한 협력 메커니즘을 분리해내는 다양한 게임 툴킷을 제공하지만, 이러한 정형화된 환경에서의 모델 행동이 실제 협력 과제에서의 성능을 예측할 수 있는지는 아직 밝혀지지 않았습니다. 본 연구에서는 6가지 행동경제학 게임 전반에서 41개의 오픈 가중치 LLM을 벤치마크하고, 게임을 통해 도출된 협력 프로파일이 AI-for-Science 과제에서의 다운스트림 성능을 견고하게 예측함을 보입니다. 이 과제에서는 LLM 에이전트 팀이 공유된 예산 제약 하에 데이터를 협력적으로 분석하고, 모델을 구축하며, 과학 보고서를 작성합니다. 게임에서 효과적으로 조율하고 탐욕적인 전략 대신 승수적 팀 생산에 투자하는 모델은 정확도, 품질, 완전성의 세 가지 결과 전반에서 더 우수한 과학 보고서를 산출합니다. 이러한 연관성은 여러 요인을 통제한 후에도 유지되며, 이는 협력적 성향이 일반적인 능력으로 환원될 수 없는 LLM의 고유하고 측정 가능한 특성임을 나타냅니다. 따라서 우리의 행동 게임 프레임워크는 비용이 많이 드는 다중 에이전트 배포에 앞서 협력 적합성을 선별하기 위한 신속한 진단 도구를 제공합니다.

arXiv:2610.01451v1cs.AI

개인화된 건강검진 결과 해석 및 안내를 위한 멀티 에이전트 LLM 프레임워크

A Multi-Agent LLM Framework for Personalized Health Checkup Interpretation and Guidance

건강검진 결과의 개인화된 해석에는 종단적 기록, 의학 지식, 생활 습관 안내 및 의료 서비스 내비게이션 전반에 걸친 추론이 요구됩니다. 본 논문에서는 여러 의도를 식별하고, 각 의도를 작업별 전문 에이전트(agent)에 매핑하며, 이를 병렬로 실행한 후 결과를 종합하는 멀티 에이전트 대규모 언어 모델(LLM) 시스템을 제시합니다. 저자들은 합성 건강검진 기록을 활용하여 2개에서 4개의 요구사항이 결합된 120개의 한국어 복합 질의를 대상으로 단일 에이전트(Single Agent)와 멀티 에이전트(Multi Agent) 환경에서 생성된 답변을 비교했습니다. 멀티 에이전트는 가중치 적용 LLM 심사위원 점수를 1.695점에서 1.797점으로 향상시켰으며(p = 0.027), 3개의 추가 LLM 심사위원 평가에서도 일관된 향상($Δ$ = +0.111 ~ +0.186, 모두 p < 0.05)을 보였습니다. 이러한 성능 향상은 유용성, 일관성, 그리고 복합 질의의 모든 요구사항 처리에 기인한 반면, 수치적 정확도와 그라운딩(grounding)은 4개의 심사위원 중 1개에서만 유의미하게 향상되었고, 의학적 안전성(safety)에는 차이가 없었으며, 치명적 실패 발생률 또한 유사한 수준(단일 에이전트 15.0% 대 멀티 에이전트 13.3%)을 보였습니다. 두 명의 인간 평가자는 쌍별 비교에서 각각 66.7%와 68.3%의 비율로 멀티 에이전트를 선호했습니다. 멀티 에이전트 실행은 지연 시간과 비용을 각각 1.31배 및 2.02배 증가시켰습니다. 탐색적 하위 그룹 분석에서 이러한 개선 효과는 개인 기록 조회가 포함된 질의에 집중된 것으로 나타났습니다.

arXiv:2606.20632v2cs.CL

사후 학습 레시피, 모델 패밀리보다 다중 에이전트 LLM 대화 행동을 형성한다

Post-Training Recipe, More Than Model Family, Shapes Multi-Agent LLM Conversational Behavior

상호작용형 다중 LLM 시스템에서 동일 입력에도 대화 상대에 따라 행동이 달라지며, 동일 베이스 Llama 요인 설계에서 추론 증류 체크포인트의 hedging(완곡 표현)은 파트너에 따라 최대 18% 변동해 교차 패밀리 격차보다 크다. 94만·160만 체인 규모 분석 결과, 다중 LLM 패널 구성에서 모델 패밀리만으로는 대화 다양성을 충분히 설명하지 못하고 사후학습(post-training) 레시피가 핵심 축임을 보여준다.