arXiv:2609.27621v1 cs.AI

SHRAV: 물리 모델링 및 역설계를 위한 상태-가설-추론-행동-검증 프레임워크

SHRAV: State-Hypothesis-Reason-Action-Verify Framework for Physical Modeling and Inverse Design

Ziheng Guo, Yang Bu

제출 2026-09-24

한국어 초록

물리 모델링(physical modeling)과 역설계(inverse design)는 재사용 가능한 상태(state)로부터 이어갈 수 있는 계산을 필요로 합니다. 우리는 상태(State), 가설(Hypothesis), 추론(Reason), 행동(Action), 검증(Verify)을 중심으로 구성된 아키텍처 독립적 계산 프레임워크인 SHRAV를 소개합니다. 이 프레임워크의 핵심 메커니즘은 선언된 재사용 경계와 학습된 진화 및 수치적 양에 대한 명시적 역할을 갖춘 상태 지속(state-continuation) 코어입니다. 순방향 구성은 예측 상태를 진화시키고 물리적 반응을 판독하며, 역설계 구성은 추가로 목표 지향적 수정을 생성하고 평가기 피드백을 활용합니다. 전자기 월드 모델 연구는 순방향 구성에 매핑되며, 선별된 판독 및 재사용 진단 결과가 여기에 보고됩니다. 전산 리소그래피는 역설계 구성을 실증합니다. 즉, 독립적인 스칼라-동공(scalar-pupil) 재생 하에서 4회의 고정 가중치(fixed-weight) 설계 업데이트를 통해 임계값 적용 공중상 IoU(intersection-over-union)를 0.5313에서 0.8153으로 향상시키며, 예측기 추정치와 독립적 재생 간의 최대 절대 예측-재생 차이는 약 0.000824를 나타냅니다.

원문 초록

Physical modeling and inverse design require computation that can continue from reusable state. We introduce SHRAV, an architecture-independent computational framework organized around State, Hypothesis, Reason, Action, and Verify. Its central mechanism is a state-continuation core with declared reuse boundaries and explicit roles for learned evolution and numerical quantities. Forward configurations evolve predictive state and read out physical responses; inverse-design configurations additionally generate target-directed modifications and consume evaluator feedback. Electromagnetic world-model studies are mapped to forward configurations, with selected readout and reuse diagnostics reported here. Computational lithography demonstrates an inverse-design configuration: four fixed-weight design updates improve thresholded aerial-image intersection-over-union from 0.5313 to 0.8153 under independent scalar-pupil replay, with maximum absolute prediction-replay difference approximately 0.000824 between predictor estimates and independent replay.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.27621v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.36645v2cs.RO공통 태그 Prediction, world model

예측 지도 신호가 전달되는 위치가 VLA 정책의 학습 내용을 결정한다

Where Predictive Supervision Goes Shapes What VLA Policies Learn

장면의 변화를 예측하는 것이 제어에 유용한 표현(representation)을 형성한다는 전제 하에, 미래 예측은 비전-언어-행동(VLA, vision-language-action) 정책을 개선하는 데 점점 더 널리 사용되고 있습니다. 그러나 예측 품질 그 자체만으로는 정책이 행동을 위한 더 나은 표현을 학습했음을 보장하지 못합니다. 이러한 차이는 성공적인 제어가 익숙한 배치를 넘어 공간적 상태와 발생 가능한 장면 변화를 보존하는 것에 좌우되는 분포 변화(distribution shift) 상황에서 중요해집니다. 본 연구에서는 예측 지도(predictive supervision)가 VLA 정책에 사용되는 시각적 표현을 개선하는지 여부를 결정하는 요인을 살펴봅니다. 일치된 타깃 구성, 예측 범위(prediction horizon), 학습 조건을 갖춘 통제된 비교를 통해, 예측 인터페이스에 따라 예측 결과와 시각적 표현이 현저하게 달라지며, 여기에는 익숙한 장면을 넘어 전이되는 공간, 역학, 행동 정보의 차이도 포함됨을 확인했습니다. 이러한 차이는 예측 오차가 정책의 시각적 스트림을 어떻게 형성하는지에서 비롯됨을 추적하여 밝혔습니다. 이러한 통제된 발견과 일관되게, 더 직접적이고 장면과 일치된 미래 지도 신호로 학습(training)된 VLA 정책은 시뮬레이션 및 실제 물리 환경의 분포 변화에서 더 강한 강건성을 보입니다. 종합하면, 본 연구의 결과는 미래 예측을 표현 학습의 설계 문제로 규정하며, 제어에 대한 그 가치는 지도 신호가 정책이 행동을 수행하는 기반이 되는 표현에 도달하는지 여부에 달려 있음을 보여줍니다.

arXiv:2609.27180v1stat.ML공통 태그 Prediction, parameter estimation

치료 전후 데이터를 이용한 치료 효과 추정을 위한 인공지능 대리(surrogate)

Artificial intelligence surrogates for treatment effect estimation with before-and-after data

임상적으로 중요한 결과를 측정하는 데 비용이 많이 들거나 장기 추적관찰이 필요한 경우, 의학적 치료의 인과 효과를 추정하기는 어렵다. 단기적이거나 비용이 적은 대리(surrogate) 결과는 잠재적 대안을 제공하지만, 대리 바이오마커는 이용할 수 없거나 식별하기 어려울 수 있다. 인공지능(AI)의 발전은 값싸고 고차원인 측정값으로부터 임상 결과를 점점 더 정확하게 예측할 수 있게 했으며, 이는 AI 예측 자체를 대리 변수로 사용할 기회를 만든다. 이를 위해 우리는 각 치료 받은 개인에 대해 치료 전후에 얻은 쌍체 측정값으로부터 치료 효과를 추정하는 프레임워크를 개발한다. 사전학습된 AI 모델을 치료 전후 측정값에 적용하고, 우리의 추정량은 그로부터 얻은 결과 예측을 비교한다. 우리는 이러한 개인 내(within-person) 대비가 어떤 기술적 가정 하에서 처치 받은 집단에 대한 평균 처치 효과를 식별하는지를 특성화하며, 치료 받은 개인에 대해 임상 결과가 전혀 관측되지 않는 경우에도 해당한다. 이러한 가정을 정당화할 수 없을 때, 우리는 소수의 관측된 임상 결과를 사용해 바이어스를 보정하는 예측 기반 추론(prediction-powered inference)을 사용하고 유효한 추론을 얻는다. 합성 및 실제 심장-종양(cardio-oncology) 실험은 이 접근법의 타당성과 정확성을 보여준다.

arXiv:2609.27986v1cs.LG공통 태그 Prediction, parameter estimation

상대 방전 단계(RDS) 분류: 배터리 방전 진행 상황의 실용적 지표

Relative Discharge Stage (RDS) Classification: A Practical Indicator of Battery Discharge Progress

실제 배터리 응용 환경에서는 미래의 부하 프로파일을 알 수 없고 매우 동적이기 때문에, 정확한 잔여 방전 시간(RDT) 예측은 어려운 과제이다. 연속적인 RDT 회귀의 불확실성을 해결하기 위해, 본 논문은 잔여 방전 상태를 Normal, Good, Moderate, Low, Recharge Required의 다섯 가지 해석 가능한 클래스로 나타내는 배터리 관리 지표인 상대 방전 단계(Relative Discharge Stage, RDS)를 제안한다. 현재의 충전 수준을 반영하는 충전 상태(SOC)와 달리, RDS는 추론 시 미래 전류 정보 없이도 남은 방전 과정을 특성화한다. 이를 위해 SOC 추정과 경량 시간적 학습을 결합한 물리 기반(physics-informed) RDS 분류 프레임워크를 제안한다. SOC 추정 구성요소는 2차 ECM 상태 및 단자 전압 예측, 히스테리시스 및 OCV 온도 보정, 코어 온도 추정, AEKF 상태 보정을 포함하며, OCV 평가, 온라인 STC-ECM 매개변수 적응, 사전학습된 신경망 잔차 전압 보정이 이를 뒷받침한다. 측정된 전류, 단자 전압, 표면 온도, 그리고 추정된 SOC는 슬라이딩 관측 윈도우로 구성되어 경량 시간적 합성곱 신경망(temporal convolutional network)으로 처리된다. 두 개의 공개 리튬이온 배터리 데이터셋에 대한 실험을 통해, 다양한 부하 및 열 조건에서 80%를 초과하는 정확도로 견고한 RDS 분류 성능을 확인하였다.

arXiv:2607.22399v1stat.ML공통 태그 Prediction, parameter estimation

유한 궤적로부터 에르고딕 동역학 시스템 학습

Learning Ergodic Dynamical Systems from a Finite Trajectory

우리는 에르고딕(ergodic) 확률적 동역학 시스템의 단일 유한 궤적로부터 학습하는 문제를 고려한다. 더 구체적으로, 시간 동질(time-homogeneous) 마르코프(Markov) 과정을 정의하는 이산 시간 자율 확률 시스템을 연구한다. 먼저 비선형 최소자승법(nonlinear least squares)으로 최적 1-단계 예측 함수를 추정하고, 과정의 불변 측도(invariant measure)에 대해 측정된 높은 확률 보장(high-probability guarantees)을 도출한다. 이러한 결과는 궤적 데이터의 비독립적·비동일분포적 특성이 고전적 통계적 학습 분석을 어떻게 수정하는지를 명시적으로 보여준다. 그런 다음 이 프레임워크를 고차 시스템과 유한 상태 공간으로 확장한다. 마지막으로, 동일한 최소자승법과 농도(concentration) 논증이 쿠프만 연산자(Koopman operator) 학습으로 자연스럽게 확장됨을 보인다. 우리의 접근법은 통계적 학습 이론과 마르코프 사슬에 대한 정량적 에르고딕 이론의 도구를 결합한다. 특히, 균일 기하학적 에르고딕(uniformly geometrically ergodic) 마르코프 사슬의 힐베르트 공간 값 가법 함수(additive functional)에 대한 농도 부등식(concentration inequality)에 의존한다.

arXiv:2607.21953v1cs.CV공통 태그 Prediction, parameter estimation

파노라마 인식과 비전-언어 모델을 통한 저고도 채널 다중경로 예측

Low-Altitude Channel Multipath Prediction via Panoramic Perception and Vision-Language Model

무인항공기(UAV) 통신은 6G 이동통신 네트워크에서 다양한 저고도 응용을 지원할 것으로 기대된다. 그러나 전통적인 통계적 채널 모델은 특정 환경에서 정확도가 제한적이며, 광선 추적(ray tracing)과 같은 결정론적 방법은 일반적으로 정확한 3차원 환경 모델에 의존하고 높은 계산 복잡도를 수반한다. 기존의 멀티모달 채널 예측 접근법은 주로 경로 손실(path loss)과 같은 대규모 지표에 초점을 맞추며, 소규모 파라미터 모델링에는 여전히 부족하다. 이러한 한계를 해결하기 위해 본 논문은 PanoLAMP(Panoramic perception and vision-language model-based Low-Altitude Multipath Prediction) 프레임워크를 제안한다. 이는 사전학습된 비전-언어 모델을 백본으로 채택하고, 송신기와 수신기 모두에서 수집한 파노라마 RGB-D 관측을 통해 전파 환경 특징을 포착하여 시선(line-of-sight) 경로에 대한 지연, 전력, 방위각, 천정각 오프셋을 예측한다. 실험은 7가지 UAV 고도에 걸친 18,949개의 UAV-차량 링크를 포함하는 합성 데이터셋에서 수행되었다. 실험 결과, 제안 방법은 다중경로 파라미터와 통계적 지표 모두에서 대표적인 베이스라인을 지속적으로 능가하며, 서로 다른 비행 고도에 걸쳐 더 강한 일반화 성능을 보였다.

arXiv:2607.12409v1cs.LG공통 태그 Prediction, parameter estimation

PINN을 이용한 바인딩 테이프 적용 낙하산 현수선 전개의 기계적 분석

Mechanical Analysis of Parachute Suspension Line Deployment with Binding Tapes Using PINN

낙하산은 항공, 우주항공 및 구조 임무에서 널리 사용됩니다. 낙하산 전개의 초기 단계인 현수선 추출과 펴기는 이후 팽창 과정의 원활한 수행을 직접적으로 좌우합니다. 이 초단기 과정에는 복잡한 동적 하중 변화가 관여합니다. 기존 연구 대부분은 현수선 장력을 계산하기 위해 상미분방정식의 수치 적분을 사용하지만, 이 방법은 현수선의 임의 위치에서 장력 값을 신속히 얻는 데 한계가 있습니다. 본 논문은 현수선 추출 및 펴기 과정에서의 장력 예측을 위한 물리 정보 신경망(PINN) 알고리즘을 개발하며, 이는 계산 효율성과 수치 정확도 측면에서 기존 적분 방법보다 우수한 성능을 보입니다. 또한 바인딩 테이프 매개변수가 현수선 동적 장력에 미치는 조절 법칙을 조사합니다. 비행 시험 데이터 및 기존 수치 결과와의 비교 검증을 통해 제안된 PINN 프레임워크의 신뢰성과 유효성을 입증합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.