PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09752v1eess.SP

V-빔 열 센서의 데이터 기반 순방향 및 역방향 모델링

Data-Driven Forward and Inverse Modeling of V-Beam Thermal Sensors

이 논문은 V-빔 열 센서의 데이터 기반 역설계를 위한 머신러닝 프레임워크를 제시한다. 목표는 주어진 온도에서 목표 변위를 달성하는 최적의 센서 형상, 즉 빔 경사각, 빔 길이, 빔 폭을 결정하는 것이다. 설계는 또한 최소 구조 부피와 센서가 지탱해야 하는 최소 기계적 응력을 갖는 형상을 제공해야 한다. 이 문제는 주어진 변위에 대해 가능한 형상 구성이 여러 가지 존재하기 때문에 비적정(ill-posed) 문제이며, 이로 인해 직접 회귀 방법은 실패한다. 우리는 문제의 본질을 점진적으로 파악한 다섯 가지 탐색적 시도를 기록하며, 이는 두 단계 해결책으로 귀결된다: 형상과 재료 상수를 센서 응답으로 매핑하도록 학습된 신경망 순방향 모델, 그리고 고정된 순방향 모델에 대해 응력과 부피를 동시에 최소화하는 그래디언트 하강 역최적화. 제안된 파이프라인은 3,000개 샘플 데이터셋을 활용하며, 변위 예측에서 4.76%의 MAPE를 달성하고 예측의 70% 이상이 5% 미만의 MAPE를 기록한다.

arXiv:2602.10392v3cs.LG

텐서 방법: 소재 설계를 위한 통합적이고 해석 가능한 접근법

Tensor Methods: A Unified and Interpretable Approach for Material Design

새로운 소재를 설계할 때, 원하는 특성을 갖도록 소재 설계를 조정하는 것이 종종 필요하다. 소재 설계 파라미터의 집합이 커질수록 탐색 공간은 지수적으로 증가하여, 모든 설계 조합의 실제 합성과 평가는 사실상 불가능해진다. 유한 요소 해석(FEA)과 같은 전통적인 계산 방법을 사용하더라도 이 설계 공간을 탐색하기에는 계산 비용이 지나치게 크다. 최근 방법들은 머신러닝(ML) 대리 모델을 사용하여 최적의 소재 설계를 보다 효율적으로 결정하지만, 이러한 방법들은 흔히 (i) 해석하기 어렵고 (ii) 학습 데이터가 전체 설계 공간의 비균일 샘플링에서 비롯될 경우 성능이 저하되는 문제가 있다. 본 연구에서는 해석 가능성과 예측을 위한 통합적 접근법으로서 텐서 완성(tensor completion) 방법의 활용을 제안한다. 우리는 고전적인 텐서 방법이 예측에서 전통적인 ML 방법과 경쟁할 수 있으며, 해석 가능한 텐서 인수(tensor factor)라는 부가적인 이점이 무상으로 제공됨을 관찰한다. 실험에서 우리는 텐서 인수를 통해 물리적 현상을 재발견할 수 있었으며, 이는 예측이 문제의 물리학과 정렬되어 있음을 나타낸다. 또한 기존 패턴을 재발견할 수 있다는 점에서, 이 인수들은 실험가들이 잠재적으로 새로운 패턴을 식별하는 데 활용될 수 있음을 의미한다. 아울러 설계 공간의 비균일 샘플링에서 비롯된 학습 데이터를 접할 때 두 유형의 대리 모델(전통적 ML 및 텐서 기반)의 효과를 연구한다. 저랭크(low-rank) 제약으로 인해 비균일 샘플링 시나리오에서 더 나은 일반화를 제공할 수 있는 일부 특화된 텐서 방법을 관찰한다. 최선의 일반화는 텐서 모델에서 나타나며, 이 모델은 기준선 ML 방법 대비 집계 R²에서 최대 5% 향상을 달성하고, 일부 분포 외(out of distribution) 구간에서의 오차를 절반으로 줄인다.

arXiv:2607.04450v1cs.LG

ASTEC를 활용한 원자로 중대사고 대리 모델링을 위한 심층 학습 기반 접근법

A Deep Learning-based surrogate model for Severe Accidents in nuclear reactors using ASTEC

오토인코더(AutoEncoder)로 300배 이상의 차원 축소를 수행하고 신경 상미분방정식(Neural ODE)으로 시간 진행을 모델링하는 딥러닝 기반 대리 모델(surrogate model)을 구축하여, 전원 완전 상실(SBO) 및 냉각재 상실 사고(LOCA) 시나리오에서 ASTEC 시뮬레이터의 약 80개 물리 변수를 1분 이내로 예측한다. 수 일이 소요되는 ASTEC 중대사고(severe accident) 시뮬레이션을 실시간 원전 운전원 훈련에 활용할 수 있도록 최대 40시간 분량의 시뮬레이션을 대폭 가속한 첫 연구다.

arXiv:2412.19897v3stat.ML

설명 가능한 예측적 시계열 보정을 위한 대리 모델링

Surrogate Modeling for Explainable Predictive Time Series Corrections

설명 가능한 시계열 예측을 위해 해석 가능한 기반 모델과 비해석적 AI 보정 모델을 결합한 하이브리드 구조에서, AI 보정값을 제거한 데이터에 기반 모델을 재적합하여 파라미터 변화량(Δθ)으로 보정의 의미를 설명하는 BAPC(Before and After Prediction Parameter Comparison) 방법론을 시계열로 확장한다. 트렌드·주파수 변화점 및 Air Passenger, Tennessee Eastman Process 등 실제 데이터셋 실험을 통해 이상 패턴을 시간축 기준 특징 중요도 시각화로 설명할 수 있음을 보인다.

arXiv:2606.26592v1cs.CE

대리 가능도 가이던스를 갖는 PDE 역문제를 위한 잠재 확산 사후 샘플링

Latent Diffusion Posterior Sampling with Surrogate Likelihood Guidance for PDE Inverse Problems

PDE 제약 고차원 역문제를 위해 VAE, 무조건 잠재 확산 모델, 확산 사후 샘플링(DPS), 미분 가능 신경망 대리(surrogate) 모델을 결합한 잠재 공간 확산 사후 샘플링(L-DPS)을 제안하며, 디코더-대리 모델 조합으로 가능도 그래디언트를 계산해 반복적 수치 PDE 솔버 호출을 줄인다. 역 Darcy 유동 문제에서 희소·노이즈 압력 관측으로 투과도 필드를 추론할 때 정확하고 견고한 역해를 제공하고, 전체 공간 DPS 대비 추론 비용을 낮추며 희소·노이즈 환경에서 조건부 잠재 확산 및 역 FNO 같은 상각화(amortized) 기준선을 능가한다.

arXiv:2509.02555v2cs.LG

모델 병합 최적화를 위한 대리 벤치마크

Surrogate Benchmarks for Model Merging Optimization

LLM 모델 병합 하이퍼파라미터 최적화는 실제 병합·평가 비용이 커 알고리즘 개발과 비교에 큰 부담이 된다. PS·DFS 두 탐색 공간에 대한 대리 벤치마크 SMM-Bench를 구축해 하이퍼파라미터로부터 병합 성능을 예측하고, 최적화 알고리즘 동작을 저비용으로 시뮬레이션할 수 있음을 보였다.

arXiv:2606.11348v1cs.LG

SwiftCTS: 퓨샷 보정을 통한 빠른 설계 간 예측 및 클럭 트리 지표의 파레토 최적화

SwiftCTS: Fast Cross-Design Prediction and Pareto Optimization of Clock Tree Metrics via Few-Shot Calibration

클럭 트리 합성(CTS)은 물리적 설계 플로우에서 계산 비용이 많이 드는 단계로, 최적의 전력, 배선 길이, 타이밍 스큐를 위해 방대한 구성 공간을 탐색하기 위해 반복적인 EDA 도구 실행이 필요합니다. 기존 머신러닝 접근 방식은 미지의 매크로 아키텍처에 적응하기 위해 계산 비용이 많이 드는 재학습 또는 미세조정 주기가 필요하며, 전수 조합 탐색에서 요구되는 수백만 번의 평가와 구조적으로 부적합합니다. 우리는 두 가지 제한 사항을 동시에 해결하는 물리 정보 기반 대리 프레임워크인 SwiftCTS를 제시합니다. 가볍고 물리적으로 기반한 통계적 특징을 그래디언트 부스팅 앙상블과 결합하여, SwiftCTS는 CPU에서 5초 미만으로 학습되며 GPU 지원 없이 1밀리초 미만의 추론을 제공합니다. 재학습이나 미세조정 없이 분포 외(OOD) 설계를 처리하기 위해, 우리는 예측을 단 하나 또는 두 개의 물리적 참조 실행에 기준으로 삼는 K-샷 곱셈 보정 메커니즘을 도입하여, 미지의 매크로에서 전력 예측 오류를 24.5%에서 3.3%로, 배선 길이 오류를 56.6%에서 1% 미만으로 줄입니다. 이 엔진을 진화적 옵티마이저와 통합하여, SwiftCTS는 10초 미만 내에 100,000개의 CTS 구성을 평가하며, OpenROAD 플로우 내에서 물리적으로 검증된 파레토 최적 프론티어를 생성합니다. 폐루프 검증은 OOD 벤치마크에서 전력 및 배선 길이에 대한 0.5% 미만의 예측 오류와 5피코초 이내의 타이밍 스큐 예측을 확인하며, 모든 목표 지표에서 기본 도구 휴리스틱을 일관되게 능가합니다. 코드는 https://github.com/BarsatKhadka/SwiftCTS에서 공개적으로 제공됩니다.