물리적 제약이 있는 파운데이션 모델의 에이전트적 진화 (Agentic evolution of physically constrained

인공지능 (AI)은 자동화된 과학적 발견을 점점 더 가속화하고 있지만, 현대의 범용 에이전트 (generalist agents)는 물리적 접지 (physical grounding)가 부족하여 하드웨어와 호환되지 않는 설계를 빈번하게 환각 (hallucinating)하는 문제가 있습니다. 본 연구에서는 하드웨어 준수 컴퓨팅 시스템을 자율적으로 설계하는 물리적으로 접지된 멀티 에이전트 발견 엔진 (multi-agent discovery engine)을 제시합니다. 과거의 과학적 혁신을 구조화한 진화적 지식 그래프 (Evolutionary Knowledge Graph)에 기반하여, 이 프레임워크는 '알고리즘적 사고의 사슬 (algorithmic Chain-of-Thought)'을 추출함으로써 맹목적인 확률적 탐색 (stochastic search)을 유도된 구조적 진화 (directed structural evolution)로 전환합니다. 파운데이션 모델 (foundation model) 배포라는 극한의 테스트베드에 적용한 결과, 이 엔진은 인간이 설계한 휴리스틱 (heuristics)을 능가하는 두 가지 하드웨어 인지 압축 방법론을 진화시켰습니다: Q-Enhance는 밀집 모델 (dense models)에서의 긴 문맥 정확도 손실을 완화하며, MoE-Salient-AQ는 3비트 미만 영역에서 최첨단 수동 희소 전문가 혼합 (sparse Mixture-of-Experts) 설계를 3.7% 상회하는 성능을 보여줍니다. 대역폭 효율적인 민감도 프로필 (Sensitivity Profile)을 활용하여, 우리는 2,350억 개의 파라미터를 가진 거대 모델을 제약된 듀얼 A100 서버에 성공적으로 배포하였으며, 정확도 저하를 0.64%로 최소화하면서 메모리 요구 사항을 75% 줄였습니다. 제약 없는 조합 탐색 (combinatorial search)을 지식 기반의 자율성으로 전환함으로써, 본 연구는 엄격한 물리적 경계 내에서 기계 주도적 발견을 위한 확장 가능한 하드웨어-소프트웨어 공동 설계 (hardware-software co-design) 패러다임을 구축합니다.