장기 시계열 예측(TSF)에서 비인접 스케일 간 의미 격차와 노이즈로 멀티스케일 의존성 통합이 어렵다는 문제를 해결하기 위해, 패치 의미를 강화하는 랜덤 어텐션 메커니즘(RAM)과 RAM·MLP-Mixer를 점진적으로 쌓는 멀티스케일 점진적 혼합 체인(MPMC)을 갖춘 경량 모델 SEMixer를 제안한다. 10개 공개 데이터셋과 21GB 무선 네트워크 데이터 기반 2025 CCF AIOps Challenge에서 효과를 검증했으며, 후자에서 3위를 기록했다.
과학의 근본적인 문제 중 하나는 복잡계의 내재된 패턴을 간결한 수학적 공식의 형태로 식별하는 것이다. 현재의 인공지능(AI) 기반 방법들은 단일 스케일 시스템에서는 강력한 성능을 보였으나, 다중 스케일 복잡계에서 스케일 특이적 공식을 식별하는 데는 여전히 제한이 있다. 본 논문에서는 복잡계로부터 불변량(invariants) 및 분포(distributions)를 포함하여 잠재적으로 다른 형태를 가진 다중 스케일 공식을 자동으로 추출하는 엔드-투-엔드(end-to-end) AI 방법인 Deflex를 제안한다. Deflex는 Deflexformer와 Deflexpressor라는 두 하위 시스템으로 구성된다. Deflexpressor는 고차 공식을 위한 람다 대수 기반 기호 회귀 모델이다. Deflexformer는 여러 스케일에 걸쳐 통합된 표현을 학습하는 분해 가능한 딥 에너지 모델이다. Deflexpressor는 Deflexformer를 사전 학습(pre-train)하기 위해 합성 데이터를 생성하며, 이후 Deflexformer는 다중 스케일 잠재 관계를 분해(decoupling)하여 공식 발견을 안내한다. 다양한 행동을 보이는 6가지 대표적인 복잡계에서 Deflex는 자동화된 다중 스케일 발견을 가능하게 하면서 최첨단(SOTA) 방법들 대비 최대 7배 더 높은 효율성을 달성했다. 본 연구는 학제 간 과학적 발견을 위한 유용한 도구가 될 수 있다.