터미널 에이전트(agent)는 소프트웨어 공학을 넘어 과학 및 기타 전문 분야에 점점 더 많이 배포되고 있습니다. 학습(training) 환경을 구축하려면 실행 가능한 기준 동작과 겉으로만 그럴듯한 결과물과 의미론적 정확성을 구분하는 도메인 특화 검증기(verifier)가 필요합니다. 각 작업마다 이러한 구성 요소를 직접 작성하는 것은 반복적인 엔지니어링을 요구하며 재사용성을 제한합니다. 본 연구에서는 구조화된 입력을 출력으로 매핑하는 실행 가능한 프로그램인 기존 소프트웨어 워크플로로부터 기준 출력과 검증 대상을 얻는 자기지도(self-supervised) 프레임워크인 소프트웨어 인 더 루프 재구성(software-in-the-loop reconstruction, SWR)을 소개합니다. 각 워크플로에 대해 여러 입력 구성을 실행하고 사례를 공개 관측치와 비공개 평가로 분할합니다. 지시문, 입력 스키마, 공개된 입출력 관측치가 주어지면 에이전트는 소스 워크플로에 직접 접근하지 않고도 편집 가능한 프로그램을 구성합니다. 후보 프로그램은 비공개 구성에서 워크플로 출력을 기준으로 평가됩니다. 계층적 검증기는 도메인 특화 의미 비교, 구조적 유효성, 지름길 방지(anti-shortcut) 검사를 결합하며, 공개 피드백은 반복적인 수정을 지원합니다. 이러한 구축 방식은 각 작업마다 기준 솔루션을 직접 작성하지 않고도 추가적인 워크플로와 구성을 수용할 수 있습니다. 6개 도메인에 걸쳐 500개의 워크플로와 46개의 소프트웨어 패밀리로 SWR을 구현했습니다. 작업당 3회의 시도에 걸쳐 Qwen3.8-Max는 838개의 작업을 해결하고 1,422개의 검증된 궤적을 생성했으며, 이를 오버샘플링하여 3,000개의 재구성 전용 학습 예제를 구축했습니다. Qwen3.8-27B의 지도 미세조정(supervised fine-tuning)은 3개 시드에 걸쳐 평균 Terminal-Bench 2 성능을 47.94%에서 53.56%로 향상시켰으며, 보고된 4개의 평가 모두에서 토큰(token) 수가 일치하는 4개의 말뭉치 대조군 중 가장 높은 평균을 달성했습니다. 이러한 결과는 기존의 과학 소프트웨어가 터미널 에이전트를 위한 확장 가능하고 동작 검증된 지도 신호를 제공할 수 있음을 보여줍니다.
과학 코딩 에이전트(agent)는 방정식, 경계 조건, 출력 요구사항을 서면으로 전달받은 뒤, 자신이 수정한 프로그램을 평가해야 합니다. Rules to Tools(R2T)는 공개된 과학적 요구사항에 대해 미리 준비된 실행 가능한 검사 기능을 제공합니다. 매칭된 SciCode 복구 그룹들은 서면 검사, 시작 프로그램, 모델(model), 예산을 공유하며, 도구 그룹은 호출 가능한 구현체를 제공받습니다. 두 개의 태스크 ID 코호트 전체에서 완전한 복구는 텍스트를 사용했을 때 26/30, 준비된 검사를 사용했을 때 29/30을 기록했습니다. 3개의 태스크 ID는 도구 그룹에 유리했고, 1개는 텍스트 그룹에 유리했으며, 11개는 동률이었습니다. 8개 ID 코호트는 13/16 대 15/16을 기록했으며, 차이에 대한 태스크 클러스터 부트스트랩 95% 신뢰구간은 [-12.5, 43.75]%p였습니다. 더 큰 공유 정의 SciCode 코호트는 그룹당 13/24로 동률을 이루었습니다. 대체 시작 프로그램을 적용한 5개의 개발 노출 태스크에서는 3/10 대 7/10을 기록했습니다. 도구 그룹은 태스크 17, 77, 11에 유리했으며, 초기 검사에서 태스크 17은 플래그가 지정되었고 태스크 77과 11은 위반이 보고되지 않았습니다. 태스크 37은 텍스트 그룹에 유리했으며 초기에 보고된 위반 사항이 없었습니다. 신규 source-through-Python 실험군 또한 15/16에 도달하여 전용 명령의 총합과 일치했습니다. 매칭된 PDE 비교에서 상세 텍스트는 23/24, 검사는 24/24를 기록했으며, 검사 사용 시 보고된 모델 출력이 31.2% 더 낮았습니다. 에이전트 측 출력 절감량은 코호트별로 상이한 반면, 두 태스크 ID 코호트 모두에서 공개 CPU 사용량은 증가했습니다. 이러한 결과는 준비된 검사를 사용할 때 태스크 의존적인 복구 성과 및 에이전트 측 비용을 측정합니다.
대규모 언어 모델(LLM)은 점점 더 과학 컴퓨팅 과제를 해결하지만, 한 문제에서 얻은 실행 가능한 피드백이 이후 문제에서 지속적인 역량으로 이어지는 경우는 드뭅니다. 본 연구는 과학 컴퓨팅 경험 통합을 다룹니다. 즉, 검증된 런타임 경험을 전이 가능한 절차적 지식과 지속적인 모델 개선으로 전환하는 것입니다. 이 설정은 두 가지 과제를 제시합니다. 궤적(trajectory)에서 파생된 산출물이 과제 간 계산 메커니즘이 아닌 출처 특정적 수정을 인코딩할 수 있다는 점, 그리고 더 약한 타깃 모델이 그렇지 않으면 유효한 추상 절차를 실행적으로 활용하지 못할 수 있다는 점—추상화-실행 간극(abstraction-execution gap)입니다. SciConsolidate를 제안합니다. 이는 검증된 성공과 실패를 대비하여 과제 간 절차를 유도하고, 개발-검증(validation) 게이트를 통해 이를 선별하며, 사전에 존재하는 참조 답 없이도 통합 데이터를 확장하기 위해 실패 정보 기반의 답 없는(answer-free) 쿼리 합성을 사용합니다. 타깃 모델이 이러한 추상화를 직접 실행하지 못할 수 있기 때문에, 더 강한 모델이 이를 실행 가능한 코드 supervision으로 구체화하여 표준적인 절차 없는(procedure-free) SFT에 사용합니다. 절차 없는(no-procedure) 교사 분기를 매칭하여 절차적 안내의 가치를 분리합니다. SciCode에서 런타임 절차 주입은 Qwen3.6-27B를 하위 단계/주요 문제에서 각각 +3.85/+6.26점 향상시키지만, Qwen3.5-9B에서는 거의 집계된 주요 문제 향상을 얻지 못하여 추상화-실행 간극에 대한 운영적 증거를 제공합니다. 절차 안내 기반 구체화 이후, 9B 학생 모델은 절차 없는 배포에서 절차 없는 SFT 대조군 대비 +3.89/+6.25점, 원래 9B 모델 대비 +5.62/+11.25점 향상됩니다. 이 결과는 과학 컴퓨팅을 위한 경험-역량 경로를 확립하고, 자기 개선형 과학 지원을 확장하기 위한 실용적 출발점을 제공합니다.
편미분방정식(PDE)을 위한 기초 신경 시뮬레이터를 개발하려면 다양한 물리적 매개변수와 경계 조건에 걸친 강건한 일반화가 필요하다. 그러나 현재의 심층 학습 접근법은 대부분 조건 비의존적 배포와 물리적 충실도 사이의 구조적 트레이드오프에 직면한다. 순수 데이터 기반 연산자는 기저 물리를 암묵적으로 추론하므로, 변화하는 영역에서 물리적으로 유효한 해를 보장하는 데 필요한 명시적 제약이 부족하여 학습 문제를 부적정(ill-posed)하게 만든다. 한편, 물리 정보 신경망(PINN)은 엄격한 물리적 제약을 강제하지만, 비용이 큰 인스턴스별 최적화가 필요하다. 또한 등장하는 기초 연산자의 대규모화는 추론 속도를 심각하게 저하시켜, 전통적인 수치 솔버와 계산적으로 경쟁력을 잃게 만든다. 조건 비의존적 배포, 물리적 엄밀성, 추론 효율성 사이의 이 병목을 해결하기 위해, 우리는 Generalized Neural Operator를 제안한다. 신경 연산자 내에서 적정성(well-posedness)에 대한 고전적 조건을 형식화함으로써, 우리 프레임워크는 PDE 매개변수와 경계 조건에 명시적으로 조건화하는 것의 이론적 이점을 보여준다. 계산 속도를 희생하지 않고 이 통합을 구현하기 위해, 우리는 세 가지 새로운 아키텍처 구성 요소를 도입한다: 효율적인 매개변수 일반화를 위한 매개변수 게이트 커널 혼합(mixture of kernels), 임의의 경계 제약을 통합된 잠재 Dirichlet 표현으로 투영하는 일반화된 경계 전달 연산자, 그리고 안정성을 보장하기 위한 특화된 학습 목적 함수. 광범위한 실험은 우리의 이론적으로 기반을 둔 접근법이 이질적인 물리 체계에 걸쳐 우수한 일반화를 달성하면서, 기존 수치 기준선과 비교 가능한 엄격한 추론 효율성을 유지함을 보여준다.
격자 양자색역학(LQCD)은 하드론 관측량을 계산하기 위한 제1원리 프레임워크를 제공하지만, 연구 동기를 신뢰할 수 있는 컴퓨팅 워크플로로 전환하는 데 상당한 전문성이 필요하여 실용적 활용은 여전히 제한적이다. 본 논문에서는 자연어 LQCD 연구 과제를 측정 스크립트, 작업 제출 아티팩트, 실행 로그 및 수치 출력을 포함한 실행 가능한 PyQUDA 컴퓨팅 워크플로로 변환하는, 도구 증강(tool-augmented)·스킬 안내(skill-guided)·도메인 특화 과학 컴퓨팅 에이전트인 \textsc{LQCDMaster}를 제안한다. 이 시스템은 에이전트형 계획, 전문가 주석 LQCD 스킬, 그리고 코드 생성의 대수적으로 취약한 구성요소를 제약하는 결정적 Wick 수축(Wick-contraction) 도구를 결합한다. \textsc{LQCDMaster}를 과학 연구 최전선에 있는 벤치마크에서 평가했으며, 이는 70개의 LQCD 컴퓨팅 과제로 구성되고 관측량은 국소 및 비국소 2점 함수, Wilson loop, 메손 및 바aryon 3점 함수를 포함한다. 생성된 워크플로는 70개 과제 중 63개에서 기계 정밀도(machine precision)로 전문가가 작성한 구현을 정확히 재현했으며, 추가 3건의 불일치는 관례 불일치에 기인한다. 대표적인 관측량에 걸쳐, 이 에이전트는 종단 간(end-to-end) 수치 검증을 유지하면서 구현 시간을 수시간에서 수분으로 단축한다. 또한 \textsc{LQCDMaster} 주도 탐험의 전형적 사례로, 표준 방법으로 접근 가능하지만 이전에 계산된 적이 없는 대각 Wilson-line을 갖는 light-cone distribution amplitude의 격자 계산, 그리고 양성자, 중수소, 삼중수소, hyperon, hyperdeuteron, hypertriton의 스펙트럼 계산을 제시한다. 본 연구는 격자 QCD 연구에서 종단 간 과학 컴퓨팅 워크플로를 자동화함으로써 진입 장벽을 낮추고 비표준 과학적 아이디어의 탐험과 검증을 촉진하여 에이전트형 과학 컴퓨팅의 패러다임을 개척한다.
NASA 과학 임무 본부(Science Mission Directorate)의 5개 분야에 걸친 5,264개 과학 저장소를 큐레이션하고, 도메인 과학자가 설계한 219개 쿼리의 저장소 검색 벤치마크와 7개 언어 기반 117,950개 코드 스니펫 검색 벤치마크를 새롭게 제시한다. 기존 코드 검색 벤치마크가 일반 소프트웨어 엔지니어링에 편향되어 과학 도메인 특화 어휘를 반영하지 못하는 문제를 해결하고자, GPT-4.1-mini 기반 도메인 분류와 외부 링크 크롤링으로 코퍼스를 보강하여 HuggingFace에 공개하였다.
선도적 컴퓨팅 시설들은 AI 학습 데이터로 활용되기 전에 상당한 변환이 필요한 대규모 과학 데이터셋을 관리한다. 그러나 기존의 어떤 프레임워크도 자동화된 변환, 준비성 평가, 출처 추적, 에이전트 네이티브 배포를 완전히 통합하지 못한다. 우리는 이 간극을 해소하는 오픈소스 프레임워크 REDI를 제안한다. REDI는 재현성을 위한 단계별 계측과 에이전트 호출 가능 스킬로의 배포를 지원하는 통합 5단계 파이프라인(수집, 전처리, 변환, 구조화, 출력)을 통해 이를 구현하며, 동반 도구 SetGo는 FAIR 준수 및 카탈로그 게시를 자동화한다. 기후, 단백질체학(proteomics), 재료과학, 핵융합 분야에 걸쳐 평가한 결과, REDI는 모든 데이터셋을 원시 상태에서 AI 준비 상태로 변환하였으며 출력 결과는 도메인 전문가 참조 데이터와 대조하여 검증되었다. 기후 사례의 경우 Frontier에서 100개 노드까지 이상에 가까운 병렬 확장성을 보이는 예비 결과를 보였다. 출처 계측 프로파일링을 통해 파일 I/O가 파이프라인의 지배적 비용임이 밝혀졌으며, 포맷 선택이 1차 최적화 수단임을 확인하였다. 이러한 결과는 REDI를 과학적 AI를 위한 자동화된 데이터 준비성을 제공하는 크로스 도메인 플랫폼으로 자리매김하며, 데이터 준비 병목을 재현 가능하고 재사용 가능한 커뮤니티 자산으로 전환한다.
대규모 $N$-체 문제에서 발생하는 행렬은 계층적 행렬(hierarchical matrices)을 사용하여 효율적으로 표현할 수 있으며, 이의 핵심 아이디어는 허용 가능한 비대각 부분 행렬들이 행렬 분할의 계층 구조에 걸쳐 저계수 행렬(low-rank matrices)로 잘 근사될 수 있다는 점입니다. HODLR(Hierarchical Off-Diagonal Low-Rank) 행렬은 계층적 행렬의 하위 클래스로, 재귀적 이진 분할의 모든 수준에서 모든 비대각 부분 행렬이 저계수인 특징을 가집니다. 본 논문에서는 Ambikasaran과 Darve(2013)가 개발한 HODLR 행렬용 고속 직접 솔버를 기반으로 HODLR 행렬의 역연산을 학습하는 신경망(neural network)을 제안합니다. 또한 일부 선형 레이어를 심층 서브 네트워크로 대체하여 편미분 방정식(PDEs)과 관련된 비선형 솔루션 연산자를 학습하도록 아키텍처를 확장했습니다. 제안된 아키텍처의 성능을 입증하기 위해 (i) 제2종 프레드홀름 적분 방정식과 같은 선형 문제 해결, (ii) 비선형 슈뢰딩거 방정식, 버거스 방정식, 정상 상태 다르시 유동 방정식과 같은 PDE 해결, (iii) 다양한 매개변수 값에 대한 일반화 연구, (iv) 제안된 네트워크의 추론 시간과 고전 수치 솔버의 실행 시간 비교, (v) 기존 신경 연산자 학습 네트워크들과의 비교를 포함하는 포괄적인 실험 세트를 수행했습니다.
압력-푸아송 방정식을 푸는 문제는 전통적인 선형 솔버가 메쉬 불규칙성에 본질적으로 민감하기 때문에 비압축성 비정렬 유동 솔버에서 주된 계산 병목 현상으로 남아 있습니다. 본 연구는 수정된 그래프 컨볼루션 동형 네트워크(GCIN)를 사용하는 데이터 기반 대수적 다중격자(AMG) 스무더를 소개합니다. 그래프 신경망은 다양한 격자 위상에 걸쳐 희소 유사 역 연산자를 구성하기 위한 최적의 다항식 계수를 예측합니다. 해당 계수는 각 V-사이클 반복 후 잔차를 줄이도록 최적화됩니다. 희소 계수 행렬에서 시스템의 대수적 구조를 직접 포착함으로써, 제안된 방법은 비정렬 격자의 국소 이방성에 적응하면서도 솔버의 선형성을 유지합니다. 우리의 프레임워크는 주어진 허용 오차를 만족하는 데 필요한 V-사이클 횟수를 줄이고 다양한 벤치마크에서 4%에서 37%에 달하는 실제 시간 단축을 달성하여 상당한 성능 향상을 입증합니다. 특히, 이 모델은 학습에 사용된 것보다 최대 128배 더 큰 메쉬에서도 효율성을 유지하고, AirfRANS 데이터셋과 같은 새로운 산업 관련 문제에서 솔버의 수렴을 가속화하여 강건한 일반화 능력을 보여줍니다.
INI-VPINN: A Variational Physics-Informed Neural Network with Implicit Neumann and Interface Handling for Multi-Material Domains with Geometric Singularities
우리는 새로운 약형(weak-form) 물리 정보 신경망(Physics-Informed Neural Network) 접근법인 INI-VPINN을 제안합니다. INI-VPINN은 노이만 경계 조건과 인터페이스 조건을 변분 공식(variational formulation)에 자연스럽게 통합합니다. 이는 추가적인 손실(loss) 항이나 여러 하위 도메인 신경망(subdomain networks)의 필요성을 제거합니다. 이 프레임워크는 플럭스(flux) 및 연속성 제약 조건을 암시적으로 부과하기 위해 컴팩트 서포트 가중치 함수(compact support weighting functions)와 부분적분(integration by parts)을 사용합니다. 이러한 방식으로 물질 경계 전반에 걸친 물리적 일관성을 암시적으로 보장합니다. 제안된 방법은 날카로운 인터페이스와 복잡한 기하학적 형상을 가진 푸아송(Poisson) 및 라플라스(Laplace) 문제에서 테스트되었습니다. 결과에 따르면, 다른 여러 물리 정보 신경망 기반 공식들과 비교했을 때 INI-VPINN은 지속적으로 더 높은 정확도와 더 매끄럽고 빠른 수렴(convergence)을 달성합니다. 제안된 프레임워크는 신경망을 사용하여 복잡한 기하학적 형상과 혼합 노이만-디리클레 경계 조건을 가진 다중 물질 문제를 해결하기 위한 일반적인 접근법을 제공합니다. 구현체는 GitHub 저장소에서 공개적으로 제공됩니다.
푸리에 신경망 연산자(FNOs)는 편미분 방정식의 해를 근사하는 데 있어 효과적이고 효율적인 대리 모델이며, 이산화 방식에 걸쳐 일반화됩니다. 그러나 FNO의 학습 효율성을 유지하기 위해 주파수 절단에 의존하기 때문에, 경험적 연구에 따르면 FNO는 저주파 정보에 대한 스펙트럼 바이어스를 보이며, 이는 특히 강한 고주파 진동이 있는 특정 PDE의 학습 능력을 저해할 수 있습니다. 이러한 제한을 해결하기 위해, 우리는 사인 표현 신경망(SIRENs)을 활용하여 암시적 신경 표현을 학습하고 모드별 커널 매개변수화를 수행하는 새로운 프레임워크인 SirenFNO를 제안합니다. 우리의 SIREN 매개변수화는 일정하고 이산화에 독립적인 매개변수 수로 전체 그리드 스펙트럼을 학습하므로, 주파수 절단의 필요성을 제거합니다. 우리는 매개변수 및 학습 효율성을 높이기 위해 함수형 텐서 분해를 사용하여 SirenFNO를 추가로 확장합니다. 실험 결과에 따르면, 우리의 SirenFNO는 이산화 불변성을 유지하면서 약 4배에서 15배의 매개변수 감소로 FNO를 지속적으로 능가하며, 우리의 함수형 분해 변형 모델들은 다양한 PDE 벤치마크에서 최대 73배 더 적은 매개변수로 성능 향상을 달성했습니다.