본 논문은 임의의 다단계 구조를 갖는 공급망 네트워크의 모델링 및 이산 사건 시뮬레이션을 위한 오픈소스 Python 라이브러리인 SupplyNetPy를 소개한다. 이 라이브러리는 다양한 보충 정책, 부패 가능 재고, 노드(node) 장애, 확률적 수요 및 리드 타임을 지원한다. 모든 컴포넌트는 상속을 통해 확장 가능하다. 사용자는 노드와 링크 속성을 가진 그래프로 공급망을 기술하며, 라이브러리는 시뮬레이션을 처리하고 로그 및 노드·네트워크 수준의 상세 성능 보고서를 제공한다. 본 논문은 SupplyNetPy의 개발 동기, 설계, 주요 기능, 아키텍처와 함께 상세한 검증(validation) 결과(분석적 벤치마크, 상용 도구, 발표된 사례 연구와의 비교)를 제시한다. SupplyNetPy 개발의 핵심 동기는 복잡한 모델의 프로그래밍 방식 생성 및 시뮬레이션으로, 설계 공간 탐험(exploration), 가상 시나리오 분석, 학습(training) 데이터 생성, 공급망 디지털 트윈을 가능하게 하는 데 있다.
수년간 이커머스 기업의 공급망 계획은 서로 분리된 프로젝트들의 모음 형태로 운영되어 왔다. 정적 네트워크 계획부터 동적 창고 품목 구성(assortment) 계획에 이르는 각 계획 업무는 분석가들이 처음부터 모델을 구축하고, 보정하고, 검증할 수 없는 결과물을 바탕으로 경영진을 설득하여 실행에 옮기도록 하는 데 수주가 걸리게 한다. 이를 야기하는 세 가지 장벽이 있다: 표준화가 어렵기 때문에 맞춤형 모델이 난립한다(운영 분절); 일단 통합되면 수백만 SKU, 수천 개 노드, 복잡한 라우팅 로직이라는 조합적 규모가 솔버가 짧은 시간 창 내에 처리할 수 있는 범위를 초과한다(계산적 난해성); 수학적으로 최적의 해도 경영진이 신뢰하지 않으면 실행되지 못한다(실행 장벽). 이 격차를 메우기 위해 JD.com의 NetSim 플랫폼으로 배포된 Simulation-Propose-then-OR-Dispose(SPORD) 방법을 제안하고 구현했다. 핵심 통찰은 분리(decoupling)이다: 시뮬레이션이 모든 고유한 비즈니스 로직을 흡수하면서 운영상 유효한 후보 경로의 전체 집합을 생성하고 평가하여 제안(propose)하고, 정수 계획(integer program)이 전역적으로 최적인 부분집합을 선택하여 처리(dispose)한다. 계산 측면에서 행렬-벡터화 CPU/GPU 가속 시뮬레이션은 순차 방식 대비 10~100배 속도 향상을 달성했고, 리스트 스케줄링 알고리즘은 결합 주문 처리를 수 시간에서 수 분으로 단축했다. 운영 측면에서 지능형 진단 엔진을 통해 폐루프(closed loop)를 구축했다. 2025년 이후 NetSim은 20,000개 이상의 공급업체에 대한 end-to-end 서비스를 최적화했고, 지역 간 이행(fulfillment)률은 6.1%에서 4.9%로 감소했으며, 월평균 탄소 감축량은 약 5,745 tCO2e이다. SPORD는 시뮬레이션을 모니터링에서 능동적 계획으로 전환한다. 투명한 출력은 회의적인 경영진을 적극적으로 참여하는 협력자로 바꾸고, 모듈형 아키텍처는 다음 계획 수립에 재구축이 아닌 구성(configuration)만 필요하게 한다.
차량 및 항공우주 공학 등의 산업 설계 분야에서는 유체 역학 성능을 평가하기 위해 대규모 수치 시뮬레이션에 의존하는 경우가 많으며, 이는 막대한 계산 비용을 초래할 수 있다. 심층 신경망(deep neural network)은 시뮬레이션 효율성 향상에 가능성을 보여 왔으며, 특히 그래프 신경망(GNN)은 비정형 데이터에 대한 유연성 덕분에 높은 잠재력을 입증하고 있다. 그러나 GNN은 복잡한 기하학 구조와 대규모 메시(mesh)를 수반하는 작업에서 어려움에 직면한다. 본 논문에서는 이러한 과제를 해결하기 위해 다중 스케일 특징 강화 그래프 신경망(ME-GNN, Multi-scale Feature Enhanced Graph Neural Network)을 제안한다. ME-GNN은 2단계 메시지 패싱(message-passing) 메커니즘을 갖춘 그래프 신경망을 적용하여 상세한 로컬 특징을 효과적으로 포착한다. 또한 균일 격자 이산화(uniform grid discretization)를 결합한 Attention U-Net을 통합하여 세밀한 특징과 거친 특징 모두를 추출할 수 있다. 아울러 K-홉 샘플링(K-hop sampling)을 활용해 서브그래프를 구성함으로써 상세한 로컬 특징을 보존하면서 대규모 데이터셋에 대한 효율적인 학습을 지원한다. ME-GNN을 세 가지 벤치마크 데이터셋에서 평가한 결과, 최신 기술 수준(state-of-the-art)의 성능을 달성하였다: ShapeNet-Car에서 속도장(velocity field)에 대한 상대 L2 오차 0.0196, 표면 압력에 대한 상대 L2 오차 0.0556, AirfRANS에서 유동장(flow field)에 대한 정규화 평균 제곱 오차(NMSE) 0.0033, DrivAerNet에서 표면 압력에 대한 상대 L2 오차 0.1416을 기록하였다.
안전-위험 시나리오(SCS)의 합성과 폐루프 시뮬레이션을 통한 평가는 강건한 자율주행 시스템 개발에 있어 핵심적인 과정이다. 이 과정의 핵심 요소는 기존 장면 내에서 에이전트의 외관 및 궤적 수준 모두에 걸쳐 에이전트 상태를 편집하는 것이다. 그러나 현재 방법들은 장면 편집 후 데이터 충실도를 유지하는 데 어려움을 겪으며, 이러한 수정을 통해 고품질 SCS를 효율적으로 생성하는 데 실패한다. 이러한 한계를 극복하기 위해, 우리는 합성 환경에서의 폐루프 테스트를 가능하게 하면서 높은 물리적 충실도의 포토리얼리스틱 SCS를 생성하는 혁신적인 시스템인 OmniSCS를 제안한다. OmniSCS는 두 가지 핵심 모듈로 구성된다: 1) 이중 전략 에이전트 재구성 및 깊이 정제 배경 재구성 방법을 통해 장면 편집 시 높은 충실도의 에이전트 외관과 배경을 유지하는 완전 편집 가능한 드라이빙 월드 구성 모듈, 2) 데이터 충실도를 보존하면서 다양한 SCS를 합성하기 위해 객체 삽입 및 에이전트 궤적 편집을 지원하는 SCS 합성 모듈. nuScenes, Waymo, KITTI 데이터셋에 대한 실험 결과, OmniSCS는 편집된 장면 충실도에서 최신 방법들을 능가하는 성능을 보였다. 또한 자율주행 알고리즘 향상 능력과 실시간(13Hz) 폐루프 테스트 지원 능력을 검증하였다. 전반적으로 OmniSCS는 자율주행에서의 SCS 최적화 및 테스트를 위한 더 안전하고 효과적이며 비용 효율적인 솔루션을 제공한다.
LLM 기반 에이전트를 활용해 구역화된 환경(박물관, 전시장 등)에서의 의미론적 궤적(semantic trajectory)을 시뮬레이션하는 인터랙티브 시스템 SenseWalk를 제안하며, LLM과 사회적 힘 모델(social force model)을 결합해 물리적 타당성과 의미론적 일관성을 동시에 확보한다. 정량 실험과 사용자 연구(n=12)를 통해 시뮬레이션 워크플로우의 효과성과 시스템의 유용성을 검증하였다.
Network Attack Simulator(NASim)의 JAX 기반 재구현 NASimJax는 GPU 가속 학습 파이프라인으로 기존 시뮬레이터 대비 최대 100배 환경 처리량을 달성해, 고정 연산 예산 하에서 더 큰 네트워크에서 침투 테스트 강화학습(RL) 정책 학습을 가능하게 한다. 자동화된 침투 테스트를 Contextual POMDP로 공식화하고 구조적으로 다양하며 해결 가능함이 보장된 시나리오 생성 파이프라인을 도입해 제로샷 일반화를 연구했으며, 최대 40개 호스트 실험에서 Prioritized Level Replay가 Domain Randomization보다 유리하고 2단계 행동 분해(2SAS)가 커지는 행동 공간에서 평탄한 행동 마스킹을 크게 능가한다는 결과를 확인했다.
자율주행 차량은 오류가 심각한 결과를 초래할 수 있는 실제 환경에서 안전하게 작동해야 합니다. 최신 엔드투엔드 주행 정책은 일상적인 시나리오에서는 탁월한 성과를 보이지만, 실제 주행 데이터셋에서 안전 임계(safety-critical) '롱테일(long-tail)' 사건이 부족하여 신뢰성이 제한됩니다. 이러한 희귀한 상호작용은 학습된 정책의 실용적 안전 경계를 정의하지만, 실제 환경에서 대규모로 수집하기는 어렵습니다. 본 연구에서는 합성된 고위험 상호작용에 대해 사전학습된 주행 모델을 사후 학습(post-training)함으로써 이러한 근본적인 제약을 해결할 수 있음을 보여줍니다. World Engine은 실제 로그에서 고충실도의 상호작용 환경을 재구성하고 이를 체계적으로 현실적인 안전 임계 변형으로 확장하는 생성형 프레임워크입니다. 이 패러다임은 실제 환경 탐험(exploration)에 내재된 물리적 위험을 회피하면서, 안전 제약 조건에 정책을 정렬(alignment)하기 위한 강화학습 기반 사후 학습을 가능하게 합니다. nuPlan 기반의 공개 벤치마크에서 World Engine은 희귀 안전 임계 시나리오에서의 실패를 획기적으로 줄였으며, 사전학습 데이터만 스케일링하는 것보다 유의미하게 더 큰 개선 효과를 거두었습니다. 또한, 상용 규모의 자율주행 시스템에 배포되었을 때 결과 정책은 시뮬레이션 충돌을 줄이고 실도 테스트에서 측정 가능한 개선을 보여주었습니다. 이는 합성된 안전 임계 상호작용에 대한 사후 학습이 더 안전한 자율주행을 실현할 수 있는 확장 가능하고 효과적인 경로임을 시사합니다. 학습(training)을 포함한 전체 코드베이스는 대중에게 공개됩니다.
AI 에이전트가 서로의 상호작용을 재귀적 공동 시뮬레이션으로 미리 관찰하며, 실제 세계인지 시뮬레이션인지에 대한 자기 위치 불확실성(self-locating uncertainty) 아래 행동을 선택하는 전략적 설정을 분석한다. 이 상호작용은 원래 게임의 무한 반복 버전과 전략적으로 동등하며, 민속 정리(folk theorems) 등 협력적 결과를 전이할 수 있고 가정 완화나 내부 관점에서도 견고함이 성립한다.
시뮬레이션은 확장 가능한 로봇 데이터 수집을 가능하게 하지만, 원본 3D 자산은 기하학적 정보만 제공하며 로봇이 어디서 어떻게 행동해야 하는지를 지정하는 데 필요한 의미론적, 상호작용, 물리적 지식이 부족합니다. 이 연구에서 우리는 AnnotateAnything을 소개합니다. 이는 수동적인 3D 자산을 구조화되고 다양하며 실행 가능한 조작 라벨을 갖춘 조작 가능한 자산으로 변환하는 범용 자동 주석 프레임워크입니다. AnnotateAnything은 두 가지 상호 보완적인 파이프라인을 중심으로 구축되었습니다. 첫째, 비전-언어 추론을 사용하여 객체 의미, 상호작용 제약 조건, 3D 기반 단서를 추론하는 통합 비전-언어 주석 파이프라인으로, 의미 있는 상호작용 영역을 식별하기 위한 인간 선행 지식 가이드를 제공합니다. 둘째, 완전 자동이고 대규모 병렬인 물리 주석 파이프라인은 후보 생성, 기하학 최적화 및 궤적 생성을 통해 각 자산의 기하학 및 물리적 제약 조건에 이러한 선행 지식을 반영하여 구체화합니다. 이 파이프라인은 그립 자세, 민첩한 접촉, 관절 웨이포인트, 삽입 방향, 걸이 어포던스, 내비게이션 목표를 포함한 다양하고 실행 가능한 행동 주석을 생성합니다. 생성된 주석을 사용하여, 우리는 다양한 객체, 작업 및 로봇 구현체에 걸친 비동기 병렬 시뮬레이션 데이터 수집 시스템을 추가로 구축했습니다. 실험 결과 AnnotateAnything은 기존 주석 및 데이터 생성 파이프라인 대비 우수한 주석 효율성, 데이터 수집 효율성 및 작업 성공률을 달성하며, 어포던스 감지, 로봇 VQA, 비주얼 인스트럭션 파인튜닝과 같은 다운스트림 작업도 지원함을 보여줍니다. 우리는 프로젝트 페이지에 프로젝트 자료를 제공하며, 향후 연구를 촉진하기 위해 전체 코드, 주석 및 벤치마크를 공개할 계획입니다. 비디오, 코드, 데모 자산 및 주석은 보충 자료에 제공됩니다. 프로젝트 페이지: https://tourmaline-caramel-169490.netlify.app.
웨트랩 로봇은 생의학 실험의 재현성, 처리량, 안전성을 향상시킬 수 있지만, 그 학습을 확장하려면 안전하고 재현 가능한 작업 생성을 위한 맞춤형 시뮬레이터, 개방형·편집 가능한 실험실 에셋, 제한된 시연을 활용 가능한 학습 데이터로 전환하는 효율적인 파이프라인이 필요하다. 우리는 웨트랩 로봇 학습을 위한 체화 시뮬레이션 플랫폼, 벤치마크, 데이터 효율적 증강 프레임워크인 Pipette를 제안한다. Pipette는 43개 이상의 오픈소스·재편집 가능한 웨트랩 에셋과 확장 가능한 에셋 구축 파이프라인을 공개한다. Pipette의 핵심 구성요소는 시뮬레이션 기반 데이터 증강 파이프라인으로, 시뮬레이션에서 인간 시연을 재생하며 조명, 카메라, 속도, 동작 섭동을 적용하고 자동 작업 성공 검사로 생성된 에피소드를 필터링하여, 제한된 수동 시연으로부터 활용 가능한 학습 데이터를 신속히 확장한다. 또한 샘플 처리, 배양기구 조작, 장치 운영, 정밀 배치를 포함하는 11개 작업의 웨트랩 체화 벤치마크를 도입한다. 작업당 30개의 시연만으로 ACT는 평균 65.5%의 성공률을 달성하며, 시뮬레이션 증강은 SmolVLA를 44.1%에서 74.7%로, π0를 40.4%에서 46.5%로 향상시켜 데이터 효율적인 비전-언어-행동(VLA) 학습 및 평가를 위한 Pipette의 효과를 검증한다. Pipette는 또한 자연어 기반 장면 구성 및 작업 등록을 지원하여, 비전문 사용자가 새로운 웨트랩 로봇 작업을 정의하는 진입 장벽을 낮춘다.
대화형 쇼핑 도우미 아키텍처 평가를 위해 구매자 에이전트와 응답자를 결합한 모듈형 2-에이전트 시뮬레이션 프레임워크를 제안한다. 이를 통해 rolling-window 메모리가 의도 추출(intent-extraction) 메모리보다 성능이 우수하고 빠르며, 체계적인 실패 분석을 통해 실패율을 62% 감소시킬 수 있음을 입증했다.
임베디드 인텔리전스의 평가 병목을 해결하기 위해 5단계 벤치마크 구축 파이프라인을 통해 수동 작업에서 파운데이션 모델 및 에이전트 기반 자동화로의 전환을 분석한다. 자동화는 비용을 검증 및 거버넌스 측면으로 전이시키므로, 진단 가능하고 감사 가능한 구축 파이프라인의 중요성을 강조한다.
우리는 대규모 언어 모델(LLM)이 실제 기저 분포를 포착하는 능력을 테스트하는 평가 방법인 UnpredictaBench를 소개합니다. LLM이 다른 개체(예: 경제 시뮬레이션에서의 인간)의 대체재로 점점 더 많이 사용됨에 따라, 많은 모델이 하나의 그럴듯한 답변으로 수렴하는 경향은 실제 시스템의 예측 불가능성을 포착하지 못함을 의미합니다. 출력 다양성을 개선하는 최근 연구는 이 설정에 있어 불충분합니다. 시뮬레이션은 단순히 다양한 출력이 아니라 목표 분포에 보정된 샘플을 요구하기 때문입니다. UnpredictaBench는 이 문제의 단순화되었지만 근본적인 버전을 다룹니다. 즉, 표준 통계 분포, 확률적 프로그램(stochastic programs)에 의해 유도된 분포, 그리고 무작위 과정을 설명하는 자연어 시나리오를 포함한 개별 목표 분포로부터 결과를 샘플링하는 것입니다. 우리는 448개의 이러한 문제와 KS@N을 소개합니다. KS@N은 콜모고로프-스미르노프 통계적 검정을 통해 모델이 블랙박스 목표 분포를 얼마나 잘 근사화하여 출력하는지를 정량화하는 범용 평가 지표입니다. 이는 정답(ground-truth) 샘플에 대해 크기 N의 모델 샘플을 기각하지 못하는 비율이며, N이 클수록 난이도가 높음을 나타냅니다. 오픈 소스 및 독점 모델 전반에 걸쳐 테스트한 결과, 분포적 능력에 큰 편차가 있음을 발견했습니다. 예를 들어, 모델이 크기 100의 샘플을 생성할 때(KS@100, 우리의 표준 지표), 점수는 0에 가까운 값부터 20% 이상까지 다양합니다. 어떤 모델도 KS@100에서 40% 이상을 달성하지 못했으며, 이는 능력으로서의 분포적 샘플링에 상당한 개선 여지가 있음을 보여줍니다. 추론(reasoning)을 추가하면 점수가 어느 정도 증가할 수 있지만, 이 문제에 대한 즉각적인 해결책은 찾지 못했습니다. UnpredictaBench는 간단한 분포 시뮬레이션조차도 여전히 도전적임을 보여주며, 이를 복잡한 시스템의 대체물로 사용하는 LLM을 위한 필수적인 첫 단계가 됩니다.