PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.28130v1cs.SE

시나리오 기반 신경진화: 모델을 활용한 게임 테스트 생성 안내

Scenario-Driven Neuroevolution: Using Models to Guide Test Generation for Games

게임용 테스트 입력을 자동으로 생성하는 일은 쉽지 않다. 테스트 생성기는 고급 프로그램 상태에 도달하기 위해 게임을 숙달해야 할 뿐만 아니라, 게임에 내재된 강한 프로그램 무작위성에 대해서도 견고함을 보장해야 하기 때문이다. 이에 테스트 생성기 Neatest는 고급 프로그램 상태에 도달하면서 프로그램 무작위성에 견고한 신경망(neural network)으로 구성된 테스트 스위트를 최적화하며, 이 신경망들은 현재 프로그램 상태에 따라 테스트 입력을 동적으로 생성한다. Neatest는 신경진화(neuroevolution)를 사용하여 아직 커버되지 않은 코드의 각 구문(statement) 또는 분기(branch)마다 네트워크 에이전트를 생성하는 것을 목표로 하는 화이트박스 테스트 접근법이다. 이러한 반복적인 테스트 생성 방식 때문에, 이 알고리즘은 수천 개의 분기를 포함할 수 있는 더 큰 프로그램으로는 잘 확장되지 않는다. 더욱이 게임의 모든 구문이나 분기를 커버하는 것이 의도된 방식대로 게임을 플레이하는 것과 일치하지 않는 경우가 많다. 이러한 단점을 완화하기 위해, 본 논문은 Neatest를 모델 기반 테스트(model-based testing) 접근법과 결합하여 게임 테스터가 추상 게임 모델을 통해 테스트 시나리오를 정의할 수 있도록 하는 방안을 제안한다. 그러면 테스트 생성기는 더 이상 프로그램의 모든 분기나 구문에 도달하도록 네트워크를 최적화하지 않고, 대신 추상 게임 모델이 표현하는 구체적인 목표 테스트 행동을 재현하도록 네트워크를 학습시킨다. 다양한 장르의 Scratch 게임 13개에 대한 평가 결과, 모델 기반 테스트와 결합한 Neatest는 게임 모델에 정의된 목표 게임플레이 행동을 재현하는 에이전트를 최적화할 수 있으며, 동시에 기존의 코드 기반 Neatest 접근법 대비 달성한 분기 커버리지를 7% 높이는 것으로 나타났다.

arXiv:2607.02954v1cs.NE

Microcosmos: GPU 시대를 위한 인공 생명 재구상

Microcosmos: Reimagining Artificial Life for the GPU Era

대부분의 인공 생명 시뮬레이터는 물리적 현실과 분리된 추상적인 기반 위에서 동작하거나, 물리적으로 근거한 세계를 시뮬레이션하더라도 개방형 진화(open-ended evolution)에 필요한 개체군 규모로 확장되지 않는다. 본 논문에서는 Microcosmos를 제안한다. 이는 인공 생명체를 2차원 점성 유체 세계에 서식하는 탄성 필라멘트 체인으로 모델링하는 시뮬레이션 엔진으로, 현대 GPU 하드웨어와 엔드투엔드 미분 가능 시뮬레이션을 위해 처음부터 설계되었다. 본 엔진은 네 가지 실험을 통해 검증된다. 수동 설계된 이동 전략은 유체 결합이 알려진 물리적 제약을 준수함을 확인한다. 필라멘트 폴딩의 그래디언트 기반 최적화는 시뮬레이터의 완전한 미분 가능성과 필라멘트 인코딩의 표현력을 입증한다. 뉴로에볼루션(neuroevolution)과 품질-다양성 탐색(quality-diversity search)은 다양한 수영 및 주화성(chemotaxis) 행동을 자동으로 생성한다. 입자 수에 대한 선형 스케일링은 엔진이 대규모 시뮬레이션을 지원함을 확인한다. Microcosmos는 물리적으로 타당하고 계산적으로 확장 가능하도록 설계된 대규모 개방형 진화 시뮬레이션 지원을 장기 목표로, 오픈 플랫폼으로 공개된다.

arXiv:2606.20817v1cs.NE

온라인 가소성을 활용한 증명 가능한 준선형 이중 시간척도 신경진화

Provably Sub-Linear Two-Timescale NeuroEvolution with Online Plasticity

신경진화와 온라인 학습을 결합한 NEOL(NeuroEvolutionary Online Learning) 프레임워크에 대한 최초의 후회(regret) 분석을 제시하고, 구조 탐색 외부 루프와 보상 변조 가소성(reward-modulated plasticity) 기반 온라인 가중치 적응 내부 루프로 학습을 분리해 완화된 조건에서 준선형(sublinear) 후회를 달성함을 증명한다. NEAT 기반 NEOL은 CartPole, Lunar Lander, Hopper, Bipedal Walker 등 네 가지 제어 벤치마크에서 순수 NEAT보다 높은 최종 적합도와 낮은 분산을 보였으며, 여러 태스크에서 PPO·SAC 등 강화학습(RL) 기준선과 경쟁력 있는 성능을 달성했다.

arXiv:2605.09781v2cs.NE

다양한 LLM 생성을 위한 매개변수 효율적 신경진화: 프롬프트 임베딩 진화를 통한 품질-다양성 최적화

Parameter-Efficient Neuroevolution for Diverse LLM Generation: Quality-Diversity Optimization via Prompt Embedding Evolution

모드 붕괴로 출력이 동질화되는 LLM에서, QD-LLM은 고정된 대규모 모델의 프롬프트 임베딩(~32K 매개변수)을 품질-다양성(QD) 최적화와 그래디언트 없는 신경진화로 진화시켜 파인튜닝 없이 생성 행동을 유도한다. HumanEval, MBPP, 창의적 글쓰기 벤치마크에서 QDAIF 대비 커버리지 46.4%·QD-Score 41.4% 향상을 보였고, 다양한 아카이브가 테스트 생성과 미세조정 데이터 품질 개선에도 기여함을 Llama-3-70B·Mistral-Large에서 검증했다.