PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2601.07635v3cond-mat.dis-nn

학습에 대한 학습: 스핀 유리에서 인공지능까지의 경로

Learning About Learning: A Path from Spin Glasses to Artificial Intelligence

호필드 모델은 원래 스핀 유리에서 영감을 받았으며, 통계역학, 신경망, 인공지능의 교차점에서 중심적인 위치를 차지한다. 개념적 단순성과 넓은 적용 가능성에도 불구하고, 학부 물리학 교육과정에 거의 통합되지 않는다. 우리는 호필드 모델을 학부 물리학 교육과정의 핵심 주제들을 자연스럽게 통합하는 교육적으로 풍부한 프레임워크로 제시하며, 모델의 에너지 함수, 동역학, 패턴 안정성과 같은 개념에 기반한 간결한 소개를 제공한다. 시뮬레이션의 실용적 측면을 논의하고 시뮬레이션 코드를 제공한다. 또한 학부 수업에 포함할 수 있도록 연구 실무를 반영하도록 설계된 문제들을 제안한다.

arXiv:2607.14303v1physics.ed-ph

초급 물리학 문제 해결에서의 AI 평가

Assessing AI in Introductory Physics Problem Solving

추론(reasoning) 또는 추론 스케일링(inference-scaling) 모델은 복잡한 문제 해결이 가능한 대규모 언어 모델(LLM)의 새로운 세대이다. 물리학에서의 문제 해결 능력을 조사하기 위해, 우리는 OpenAI의 o4-mini 모델을 Halliday and Resnick의 "Fundamentals of Physics"에 수록된 전통적인 단원 말미 문제를 풀도록 평가하였으며, 이는 학부 물리학 교육과정의 핵심 주제를 포괄한다. 성능은 문제 표현 방식(modality)과 문제 난이도에 따라 분석하였다. 모델은 전체적으로 약 90%의 정확도로 문제를 풀었지만, 성능은 문제 표현(representation)에 크게 의존하였다: 텍스트만 있는 문제(96%)에서는 텍스트와 이미지를 함께 해석해야 하는 문제(79%)보다 정확도가 훨씬 높았다. 정확도는 또한 문제 난이도가 낮음에서 중간, 높음으로 증가함에 따라 현저히 하락하였다. 이 결과는 최신 LLM이 표준적인 초급 물리학 문제의 상당 부분을 풀 수 있음을 보여주지만, 성능은 여전히 불균등하며 문제 표현 방식과 문제 난이도에 의해 제약받는다는 것을 나타낸다.

arXiv:2603.14732v2physics.ed-ph

LLM-as-a-judge validity in physics assessment depends more on the task than the model

LLM-as-a-judge 방식의 물리학 평가 타당성을 GPT-5.2, Grok 4.1, Claude Opus 4.5, DeepSeek-V3.2, Gemini Pro 3 등 6개 모델로 구조화 문제·에세이·과학 플롯 세 형식에 걸쳐 비교한 결과, 순위 일치도(rank-order agreement)는 모델 성능보다 평가 과제의 구조적 특성에 의해 결정되었다. 구조화 문제와 코드 기반 플롯에서는 Spearman ρ > 0.6∼0.84의 높은 순위 일치도를 보인 반면, 에세이 채점에서는 앵커 예시를 제공해도 순위 일치도가 거의 0에 가까워 분포 일치가 순위 타당성을 보장하지 않음을 보였다.