머신러닝(ML)은 여러 과학 분야를 변화시켰으나, 핵심 응용 분야에는 여전히 표준화된 벤치마크가 부족합니다. 비침습적 분자 분석에 널리 사용되는 기술인 라만 분광법(Raman spectroscopy)은 파편화된 데이터셋, 일관되지 않은 평가, 그리고 분광 데이터의 구조를 포착하지 못하는 모델들로 인해 발전이 제한되어 온 대표적인 분야입니다. 본 연구에서는 간소화된 데이터 접근, 평가 프로토콜 및 코드, 그리고 실시간 리더보드로 구성된, 라만 분광법 ML을 위한 최초의 재현 가능한 대규모 벤치마크인 RamanBench를 소개합니다. RamanBench는 4개 도메인에 걸친 74개 데이터셋(본 벤치마크와 함께 최초 공개된 16개 포함)을 통합하며, 325,668개의 스펙트럼으로 구성되고 다양한 실험 조건에서의 분류(classification) 및 회귀 태스크를 포괄합니다. 저자들은 표준화된 프로토콜에 따라 고전적 방법(예: PLS), 라만 특화 모델(예: RamanNet), 정형 파운데이션 모델(TFM)(예: TabPFN), 시계열 접근법(예: ROCKET)을 포함한 28개 모델을 벤치마킹했습니다. TFM은 도메인 특화 모델 및 그래디언트 부스팅(gradient boosting) 베이스라인보다 지속적으로 우수한 성능을 보였으며, 시계열 모델 또한 경쟁력 있는 성능을 유지했습니다. 그러나 모든 데이터셋에 걸쳐 일반화되는 방법은 없어 근본적인 격차가 드러났습니다. 따라서 본 연구에서는 의료 진단, 생물학 연구, 재료 과학과 같은 중요 응용 분야의 발전을 가속화할 잠재력을 지닌 이 살아있는 벤치마크에 커뮤니티가 새로운 접근 방식을 기여하도록 제안합니다.
대규모 언어 모델(LLM)은 유창한 텍스트를 생성할 수 있지만, 그 내용이 거짓이거나 이용 가능한 증거에 의해 뒷받침되지 않거나, 모델 내부에 표상된 것으로 보이는 정보와 불일치할 수 있다. 우리는 은닉 활성화의 기하학으로부터 환각 탐지를 연구하고, 단일 순전파에서 계산되는 간단한 스펙트럴 통계량인 D-Score를 제안한다. 고정된 모델, 층, 및 허용 오차 매개변수에 대해, D-Score는 은닉 활성화 행렬의 특이 방향 중 선행 특이값에 가깝게 유지되는 특이값을 가진 방향의 개수를 센다. 우리는 이 양을 환각 점수로 사용하여, D-Score가 사전 정의된 양보다 클 때 입력 텍스트를 환각으로 분류한다. 동기는 다음과 같다: 모델이 자체 내부 상태에서 이용 가능한 정보와 충돌하는 텍스트를 처리할 때, 은닉 표현이 주장된 내용과 어떤 형태의 반증, 불확실성, 수정, 또는 근거 부족을 함께 인코딩할 수 있으며, 이는 은닉 궤적이 추가적인 특이 방향으로 퍼지게 만들 수 있다. 우리는 이 직관을 경량 스펙트럴 논증으로 형식화하고, FAVA-Annotation과 RAGTruth에서 결과 탐지기를 평가한다. 실험은 D-Score가 외부 검증기, 검색 단계, 다중 생성 없이도 환각 탐지를 위한 강력한 은닉 상태 신호임을 보여준다.
신경망의 오분류는 출력 층에서는 보이지 않는, 내부 활성화에서 특징적인 스펙트럴 불안정성을 보인다. 이 현상은 Spectral Drift로 식별되고 형식화되는데, 이는 연속된 층 활성화 간 주파수 영역 거리이며, 실증적 검증에서 실패가 올바른 예측보다 유의미하게 더 높은 drift를 보였다(1.9% 증가, p<0.001). 이 스펙트럴 시그니처는 내부 처리 과정에서 나타나지만 최종 출력에서는 가려져, 신뢰도 기반 탐지 방법이 어려움을 겪는 이유를 설명한다. 본 연구는 Self-Detecting Neural Networks(SDNN)를 제안하는데, 이는 Short-Time Fourier Transform, 웨이블릿 분해, 통계적 모멘트를 사용하여 신경망 깊이에 걸친 스펙트럴 역학을 모니터링하고 다중 스케일 스펙트럴 특징을 포착하는 프레임워크이다. 경량 탐지기 신경망(매개변수 오버헤드 5%)은 점진적으로 어려워지는 분포에 대한 커리큘럼 학습(curriculum learning)을 통해 실패를 시사하는 패턴을 학습한다: 자연적 오분류, 분포 이동(distribution shift), 적대적 교란(adversarial perturbation). CIFAR-10 실험에서 SDNN은 3개 시드에 걸쳐 79.0 +/- 25.3% AUROC를 달성하여, MaxSoftmax(50.5%) 및 Energy Score(52.9%)를 포함한 신뢰도 기반 베이스라인보다 약 25-30 percentage points 높은 성능을 보였다. 절제 연구(ablation study)에서는 웨이블릿 분해와 통계적 특징이 일관된 기여를 하는 반면, STFT의 역할은 불분명하게 남아 있다. 본 연구는 내부 활성화의 스펙트럴 분석이 신경망 신뢰성 분야에서 유망한 방향임을 확립하며, 출력 기반 접근법으로는 접근할 수 없는 진단 정보를 드러낸다.
점점 늘어나는 일련의 지표들이 스펙트럼만으로 시계열의 예측 가능성을 점수화한다. 실무자들은 점점 이 점수를 다른 질문에 대한 답으로 읽고 있다: 컨텍스트, 더 긴 lookback, 검색(retrieval) 플러그인, 또는 사전학습(pre-trained) 모델을 추가하면 도움이 될지. 이 둘은 같은 질문이 아니다. 컨텍스트의 가치는 시계열의 속성이 아니라 작동점(operating point)의 속성이다. 파워 스펙트럼으로부터 구성된 어떤 지표도 위상 무작위화(phase randomization)에 대해 불변인 반면, 검색과 파운데이션 모델이 제공하는 2차 이상의 가치는 그렇지 않다. 위상이 무작위화된 시계열은 점근적으로 가우시안이기 때문이다. 우리는 이를 불가능성 결과로 진술하고, 스펙트럼과 주변분포(marginal)를 구성적으로 고정하는 대리(surrogate) 쌍으로 이를 분리한다. 그다음 라벨 없는, 구성 수준의 진단인 coverage deficit을 제시하는데, 그 주항(principal term)은 선형 예측 대비 아날로그(analog) 예측의 이득으로서 스펙트럼을 넘어서는 구조를 측정한다. 7개 벤치마크에서 예측이 성립한다: 윈도우 키 기반 검색의 가치는 대리 쌍 전반에서 붕괴한다(ECL 중앙값 $+33\%\!\to\!-35\%$, $p{<}10^{-40}$), 반면 모든 스펙트럼 지표는 고정된 채로 남고; 파운데이션 모델의 가치는 생존하는 2차 부분과 붕괴하는 작은 선형을 넘어서는 마진으로 분해되며; 더 긴 선형 윈도우의 가치는 유지된다. leave-one-dataset-out에서 구조 항은 스펙트럼 지표가 뒤처지는 곳에서 스펙트럼을 넘어서는 가치의 부호를 예측하고, 2차 메커니즘에 대해서는 그 반대가 성립한다. 우리는 새로운 예측기(forecaster)를 도입하지 않는다; 기여는 이 구분, 통제된 비교, 그리고 배포 결정을 위한 진단이다. 코드: https://github.com/KurbanIntelligenceLab/SINE
대규모 자기회귀 언어 모델은 자기수정 맹점(self-correction blind spot)을 보인다: 동일한 오류라도 외부 출처로 귀인될 경우 안정적으로 수정하지만, 자신의 출력에 있는 동일한 오류는 수정하지 못한다. 선행 연구들은 제어된 오류 주입, 오류-깊이 분해, 강화학습(RL) 기반 검증자-수정자 학습, 내재적 자기 검증 등을 통해 이 현상을 경험적으로 기록했지만, 토큰 생성이 해당 오류 탐지 능력을 억제하는 이유에 대한 형식적 모델, 수정 마커에 대한 정량적 활성화 조건, 강화학습 기반 자기수정의 수렴 보장은 제시하지 못했다. 우리는 자기회귀 생성에서의 자기수정에 관한 스펙트럼-대수적 이론인 SPARC로 이러한 공백을 해소한다. 오류 전파 연산자를 잔차 스트림(residual stream) 위 단계별 어텐션 야코비안의 곱으로 정의하고, 맹점은 이 연산자의 스펙트럼 반지름(spectral radius)이 1 이상인 경우에만 발생함을 증명한다. 스펙트럼 반지름의 함수로 주어지는, 수정 마커가 초과해야 하는 엄밀한 활성화 임계값을 도출하여, 단순한 "Wait" 마커로 관측된 맹점 89.3% 감소를 재현한다. 나아가, 검증자-수정자 결합 행렬의 스펙트럼 노름(spectral norm)이 1 미만인 경우에만 RL 기반 검증자-수정자 학습이 샘플 수의 제곱근 대비 결합 강도의 제곱에 비례하는 속도로 수렴함을 증명하고, 이 기준이 잔차 스트림 자기회귀 모달리티 전반에 걸쳐 불변하여 텍스트 대규모 언어 모델(LLM)과 자기회귀 이미지 및 비디오 생성을 통합함을 증명한다. 네 가지 백본과 시각적 자기회귀 프로브에 걸친 실험이 모든 정리를 검증하며, 스펙트럼 예측값은 측정된 맹점 비율과 3.2% RMSE 이내에서 일치한다.
사전학습된 언어 모델은 구조화된 가중치 스펙트럼을 자주 나타내며, 이는 학습이 레이어별 및 컴포넌트별로 유사한 구조를 반복적으로 생성할 수 있음을 시사한다. 본 연구에서는 이러한 반복적인 스펙트럼 패턴을 GPT-2 방식의 언어 모델 사전학습을 위한 초기화 신호로 재활용할 수 있는지 탐구한다. 먼저, 크기·언어·토크나이저·학습 코퍼스가 상이한 11개의 사전학습된 GPT-2 방식 체크포인트를 분석하여, 레이어와 트랜스포머 서브컴포넌트 전반에 걸쳐 프로베니우스 노름(Frobenius norm)과 유효 랭크 엔트로피(effective-rank entropy)를 측정한다. 해당 체크포인트들은 공통된 깊이별 경향을 보이며, 특히 잔차 기록 행렬(residual-writing matrices)에서 스케일 증가와 강한 스펙트럼 집중이 관찰된다. 이후 사전학습된 모델의 컴포넌트별 크기와 스펙트럼 프로파일을 모방하는 초기화 방식을 구성하고, 여러 가중치 초기화 방법들과 비교한다. 이러한 초기화 방식은 모델의 구조적 스펙트럼 패턴을 뚜렷하게 변화시키지만, 평가 결과는 그에 상응하는 성능 이점을 보이지 않는다. 사전학습 가중치 재활용은 여전히 경쟁력 있는 방법인 반면, 거친 스펙트럼 매칭만으로는 신뢰할 만한 최적화 전략이 되지 못한다. 본 연구의 결과는 사전학습된 스펙트럼이 학습된 모델 구조를 진단하는 데 유용하지만, 효과적인 재활용을 위해서는 컴포넌트별 스케일과 특잇값(singular-value) 형태보다 더 풍부한 정보를 보존해야 할 가능성이 높음을 시사한다.
극단 학습 기계(ELM)의 유사역행렬(pseudoinverse) 기반 출력 가중치 계산의 수치 안정성을 스펙트럴(spectral) 관점에서 분석하여, 은닉층 행렬의 최솟값 특이값이 섭동 증폭을 결정하고 조건수가 불안정성의 척도임을 이론적으로 규명하였다. MNIST, Fashion-MNIST, ISOLET 등 벤치마크 실험을 통해 SVD 기반 방법이 심각한 불량 조건 상황에서도 가장 신뢰할 수 있으며, 은닉층 너비가 커질수록 조건수가 악화되어 유사역행렬 민감도가 증가함을 실험적으로 확인하였다.
문화유산 분야의 X선 형광(XRF) 스펙트럼 분석을 위해, 전역 셀프 어텐션 이전에 다중 스케일 합성곱 토크나이저로 지역성과 다중 해상도 귀납적 편향을 주입하는 트랜스포머 아키텍처 XRFormer를 제안한다. Pigments Checker STANDARD v.5 데이터셋 실험에서 안료 식별과 분리(unmixing) 모두 ViT, SpectralFormer, 1D-CNN을 능가하며, 마스킹 스펙트럼 모델링(MSM)과 물리 정보 기반 피크 존재 예측(PPP) 자기지도 사전학습으로 성능을 추가 향상시켰다.
공개적으로 이용 가능한 대규모 언어 모델(LLM)의 급격히 증가하는 저장소는 모델 계보 추적, 라이선싱, 평가 등 대규모의 체계적 관리 및 정량화에 상당한 과제를 안겨준다. 그러나 LLM은 아키텍처, 규모, 학습 절차 면에서 폭넓게 차이가 있기 때문에 태스크별 벤치마크만으로는 이 상황에 충분하지 않다. 이 과제를 해결하기 위해, 우리는 Heavy-Tailed Self-Regularization 이론에 기반하여 LLM을 관리하고 정량화하는 스펙트럴 형상(shape) 기반 지표를 도입한다. 본 접근법은 가중치 경험적 스펙트럴 밀도(weight empirical spectral density)의 형상 정보를 각 모델의 컴팩트한 스펙트럴 시그니처로 활용한다. 이 시그니처는 사전학습된 모델의 내재적 속성을 포착하며 사후 학습 과정에서도 견고하게 유지되어 모델 수준의 분석에 적합하다. 또한 이 지표는 데이터 불필요(data-free), 계산 효율적, 스케일 불변(scale-invariant) 특성을 지녀 실제 대규모 분석을 가능하게 한다. 나아가, 우리는 주요 오픈소스 LLM 패밀리로 구성된 크고 다양한 모델 코퍼스를 구축하고, 이를 사용하여 모델 및 다운스트림 태스크 전반에 걸쳐 스펙트럴 및 비스펙트럴 지표를 체계적으로 벤치마크한다. 우리는 스펙트럴 시그니처가 모델 계보 추적, 유사 모델의 비지도 클러스터링, 모델 성능 정량화를 지원함을 보인다. 전반적으로, 제안된 스펙트럴 시그니처는 LLM 전반의 광범위한 성능 추세에 대한 의미 있는 프록시를 제공하여 대규모 모델 컬렉션의 효율적인 구성, 비교, 분석을 가능하게 한다.
경험적 피셔 정보 행렬(FIM)의 지배 고유값 λ_max가 입력 분포 이탈 및 가중치 양자화(quantization) 노이즈라는 두 가지 섭동 하에서 어떻게 변하는지를 이론적으로 분석하며, Weyl 부등식을 통해 양자화 시 λ_max가 비섭동 값보다 크게 증가함을 증명한다. 이를 배포된 자동회귀 언어 모델의 런타임 모니터링 통계량 σ_t = λ_max(F̂_t)/λ_base로 활용하는 방법을 제안하고, 12개 모델과 1,080개 생성 궤적의 실험을 통해 4비트 양자화 모델에서 보정 임계값이 전정밀도 추정치 대비 약 244배 커지는 현상을 이론과 일치하는 결과로 보고한다.
Observable Matrix Dynamics (OMD)는 신경망 학습 과정에서 스칼라 손실 함수로는 포착할 수 없는 내부 표현의 스펙트럼 재편성을 N×N 거리 행렬 M(t)와 랜덤 행렬 이론을 통해 진단하는 프레임워크다. 7가지 실험에서 확산적(diffusive) 체제와 날카로운 위상 전이(phase transition)를 구분하여, 단일 내재적 차원 대신 표현의 기하학적 체제를 식별해낸다.
고차원 주변 거리 행렬만으로 저차원 잠재 부분 다양체를 식별하는 좌표 독립적 추론 방법인 I-BBS를 제안하며, 무작위 거리 행렬 이론(RMT)의 정수 안정적 다중선(multiplet) 특징을 활용해 고차원 벡터 공간에 접근하지 않고도 잠재 기하 구조와 노이즈 모델을 단일 거리 행렬에서 복원한다. 합성 구면 $S^1$, $S^2$, $S^3$ 실험에서 제안한 정수 특징이 연속 스펙트럼 기울기보다 노이즈에 훨씬 안정적임을 보이며, 신경망 표현 및 학습 역학 분석으로의 응용 가능성을 시사한다.
Whisper 모델의 환각 현상을 설명하기 위해 Spectral Sensitivity Theorem을 제안하며, 층별 이득과 정렬에 의해 지배되는 분산 체제에서 끌림 체제로의 위상 전환을 이론적으로 분석했다. LibriSpeech 기반 적대적 데이터셋으로 Whisper Tiny~Large-v3-Turbo를 검증한 결과, 중간 규모 모델은 Cross-Attention rank가 13.4% 붕괴하는 구조적 해체(Regime I)를, 대규모 모델은 Self-Attention이 rank를 압축하며 음향 증거로부터 분리되는 압축 추구 끌림(Regime II) 상태로 진입함을 확인했다.
LLM 생성 텍스트 탐지를 시간-주파수 영역의 신호 처리 문제로 재공식화한 WaveDetect는 토큰 확률 신호에 미분 가능한 연속 웨이블릿 변환(CWT)을 적용해 시간 영역에서 보이지 않는 스펙트럼 지문을 학습 가능한 표현으로 추출한다. RAID, EvoBench, Domain-Shift 평가에서 적대적 공격, 도메인 전환, 미경험 LLM 진화 상황에서도 높은 정확도와 견고성을 보이며 기존 최고 수준을 넘는 성능을 달성했다.
특이 학습 이론(singular learning theory)은 손실 특이점의 기하학을 통해 심층 네트워크의 복잡도를 규명한다. 지역 학습 계수(LLC, local learning coefficient)는 Watanabe의 실 로그 정준 임계값(RLCT, $λ$)의 표준 추정량으로, SGLD를 통해 이 기하학을 통합 베이지안 스칼라로 판독하며, 작업별 보정과 체크포인트당 $10^4$-$10^6$회의 순전파-역전파가 필요하다. 우리는 Dead-Direction Signatures(DDS)를 도입한다. 이는 특이 구조에 대한 저비용 폐형식 스펙트럴 판독의 한 계열로, 각각은 선택된 층에서 네트워크의 활성화 행렬 또는 샘플별 그래디언트 Fisher-Gram을 읽으며, SGLD 사후(posterior) 체인을 스펙트럴 선형대수로 대체한다. 이 판독은 임의의 특이 최솟값에서 활성화 측과 Fisher 측 스펙트럼 사이의 구조적 상관을 예측하는 dead-direction 프레임워크와, 단일 고유값 모니터로는 얻을 수 없는 rank-곱적 부피 항등식에 기반한다: 활성 부피(active-volume) $\log\det^{+}(G)$ 기울기는 dead directions의 개수를 세며, $r \in \{1,2,3,4\}$에 걸쳐 rank-deficit $r$을 추적한다($r{=}2,3,4$에서 기울기 비 $2.0, 3.1, 4.0$ vs 예측값 $2,3,4$), 여기서 최소 고유값은 rank에 무감(rank-blind)하다. 폐형식 $λ$를 갖는 축소 rank 회귀(reduced-rank regression)에서, 보정된 LLC는 평균 $99\%$로 $λ$를 복원하고 DDS 관측량은 프레임워크가 예측한 부호에서 rank로 이를 추적한다; 비선형 modular-addition 트랜스포머에서는 프로토콜 예산에서 보정된 LLC가 rank-flat한 반면, DDS는 열여덟 자릿수의 크기에 걸쳐 $d_{\mathrm{model}}$을 분리한다. LLC의 통합 사후 판독을 보완하여, DDS는 네트워크의 dead directions에 대한 방향적·층-국소적 접근 수단을 제공하며, 이는 활성화 및 그래디언트 스펙트럼으로부터 폐형식으로 판독된다.
대규모 언어 모델(LLM)에서의 환각(hallucination) 감지는 배포에 있어 매우 중요하며, 최근 연구에서는 어텐션(attention) 유래 그래프 라플라시안(graph Laplacian)의 스펙트럼이 추론(reasoning) 품질에 대한 강력한 신호를 담고 있음을 보여줍니다. 그러나 기존의 스펙트럼 진단 방식은 라플라시안 스펙트럼을 소수의 고유값(eigenvalue)이나 수동으로 선택한 스칼라 값으로 요약하여 대부분의 구조를 활용하지 못합니다. 우리는 각 층(layer)의 어텐션 라플라시안을 해밀토니안(Hamiltonian)으로 취급하고, 그 열역학적 퍼텐셜(thermodynamic potentials)인 분할 함수(partition function), 자유 에너지(free energy), 스펙트럼 엔트로피(spectral entropy), 열용량(heat capacity)을 무작위 행렬 이론(RMT) 스펙트럼 형식 인자(spectral form factor)와 함께 추출하는 스펙트럼 기술자(descriptor)인 자유 에너지 서명(Free-Energy Signatures, Fes)을 제안합니다. 우리는 세 가지 결과를 증명합니다: (i) 어텐션 섭동(perturbation) 하에서의 Fes의 립시츠 안정성(Lipschitz stability); (ii) Fes가 유한한 스펙트럼 요약을 풍부하게 하며, 명시적인 규칙성(regularity) 및 그리드 해상도(grid-resolution) 가정 하에서 모멘트 유래 스펙트럼 기능(spectral functionals)을 근사함을 보여주는 표현력(expressiveness) 결과; (iii) Fes로 구축된 학습(training) 없는 감지기의 AUROC에 대한 유한 샘플 PAC 한계(PAC bound). 경험적으로, 6개의 오픈 가중치(open-weight) LLM과 6개의 벤치마크(benchmark)에 걸쳐, Fes 기술자에 대한 경량 프로브(probe)는 어텐션 스펙트럼 기준선(baseline) 중 가장 강력한 집계 AUROC를 달성하여, 기본 LLM의 업데이트 없이 평균적으로 LapEig보다 $+6.5$ AUROC 포인트, GoR-4보다 $+2.4$ 포인트 향상되었습니다. 완전 비지도 설정(unsupervised setting)에서, RMT 편차 점수(RMT-deviation score)는 평균 AUROC $0.71$을 달성하여 레이블 없는(label-free) 하지만 약한 감지기를 제공합니다. 보완적인 RMT 분석은 올바른 생성(correct generations)은 더 위그너-다이슨(Wigner-Dyson) 유사 스펙트럼 통계를 나타내는 반면, 환각은 더 푸아송(Poisson) 유사 통계를 나타냄을 보여줍니다. 익명화된 코드와 설정(config)은 보충 자료에 제공됩니다.
최근 랜덤 행렬 이론(RMT) 연구는 결정론적 등가물(deterministic equivalents)이라는 개념을 발전시켰는데, 이는 신경망(NNs)의 비선형 특징 맵(feature map)과 같은 대규모 비선형 랜덤 행렬의 스펙트럼 거동을 근사하는 일반적인 선형 대리 모델입니다. 이러한 등가물은 복잡한 모델을 고전적 RMT 도구의 범주에 속하는 성질을 지닌 더 간단한 모델로 단순화하여 이론적 예측을 가능하게 합니다. 그러나 이는 고차원 비선형 분리 가능 데이터의 분류(classification)에 있어 이상화된 선형 등가성이 여전히 의미 있는지라는 의문점을 남깁니다. 이에 동기 부여하여, 우리는 XOR 문제를 위한 대표적인 비선형 분리 가능 데이터셋(dataset)에서 1층 피드포워드 신경망(NN)의 비선형 특징 맵인 켤레 커널(CK)을 고려합니다. 또한, CK 내의 정보성 아웃라이어 고유값과 이에 대응하는 고유벡터들이 XOR 레이블과 점근적으로 정렬(alignment)하는지 여부를 연구하여 비선형 학습 가능성의 대리 지표로 삼습니다. 우리는 머신러닝(ML) 실무에서 흔히 조정하는 다양한 설정(샘플 복잡도, 신호 대 잡음비(SNR), 비선형 활성화 함수 선택, 사전학습된 특징)을 변경할 때 발생하는 정보성 스파이크(spike)를 정밀하게 분석할 수 있도록 CK 행렬의 강건한 이차 등가 모델을 개발합니다. 우리는 이러한 설정들이 CK를 선형 등가 모델의 범위를 벗어나게 만들고 레이블 정렬 아웃라이어 고유 공간으로의 BBP 유형 전이를 일으키는 영역을 식별합니다. 본 분석은 ML에서 실질적으로 관련 있는 문제들에 RMT의 결정론적 등가 도구를 활용할 수 있도록 돕습니다.