Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
© 2026 Molayo
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 페이지의 콘텐츠는 AI가 공개된 소스를 기반으로 자동 수집·요약·번역한 것입니다. 원 저작권은 각 원저작자에게 있으며, 각 게시물의 “원문 바로가기” 링크를 통해 원문을 확인할 수 있습니다. 저작권자의 삭제 요청이 있을 경우 신속히 조치합니다.
양자 소프트웨어 공학(QSE)의 기술 부채를 해결하기 위해 LLM과 RAG를 결합하여 Qiskit 코드를 자동 마이그레이션하는 하이브리드 접근 방식을 제안합니다. 분류 체계 기반의 RAG 아키텍처를 통해 LLM의 환각을 줄이고 코드 리팩토링의 정밀도를 높이는 연구 결과를 제시합니다.
LLM의 연역적 추론 능력을 정밀하게 평가하기 위해 단항 1차 논리(QMFOL) 기반의 자동화된 벤치마크 생성 프레임워크를 제안합니다. 논리적 복잡성을 정밀하게 제어하며, 외부 증명기를 통해 논리적 일관성을 보장하는 QMFOLBench를 구축했습니다.
AutoPass는 컴파일러 내부 상태와 런타임 피드백을 분석하여 최적의 컴파일 옵션을 찾아내는 멀티 에이전트 프레임워크입니다. LLM이 컴파일러의 중간 표현을 직접 분석함으로써 기존 블랙박스 방식의 한계를 극복하고 성능을 최적화합니다.
재생 에너지 커뮤니티(REC)의 디지털 트윈 구축을 위한 MBSE 워크플로우를 제안합니다. SysML과 Modelio를 사용하여 장치 분류 및 조직 뷰를 모델링하고, SysML의 의미론적 격차를 해결하기 위해 SAREF4ENER 온톨로지를 결합하는 방안을 탐구합니다.
강화학습(RL) 에이전트의 학습을 위해 다양한 환경 변형 제품군을 효율적으로 생성하는 모델 주도 접근 방식을 제안합니다. 하이브리드 유전 알고리즘과 모델 변환 엔진을 활용하여 기존의 수동적이고 노동 집약적인 환경 개발 프로세스를 자동화합니다.
대규모 모델의 효율적인 운영을 위한 토큰 중심의 추론 최적화 기술과 4계층 아키텍처를 제안하는 논문입니다. 다중 모델 융합부터 컴퓨팅-네트워크-모델 융합까지의 기술적 경로를 체계적으로 검토합니다.
확률 모나드 형식화에서 표준적인 볼록 대수 교환 공리가 완전한 베이지안 조건화를 지원하기에 부족함을 Cubical Agda를 통해 증명합니다. 이를 해결하기 위한 최소한의 일반화된 공리를 제시하며, Pearl의 d-separation 정리와 세미-그래포이드 공리 등을 대수적으로 검증합니다.
VERITAS는 LLM 기반 형식 증명 시 검증기 신호를 활용하여 증명 탐색 성능을 높이는 제로샷 프레임워크입니다. Best-of-N 샘플링과 비평가 가이드 MCTS를 결합하여 miniF2F 벤치마크에서 높은 성능을 달성했습니다.
약한 메모리 모델의 검증과 강건성을 위해 단항 이차 논리(MSO)를 활용한 새로운 이론적 프레임워크를 제안합니다. 다양한 메모리 모델의 트리의 너비와 MSO 표현 가능성을 증명하여 통일된 검증 방식을 구축했습니다.
효과 시스템(Effect Systems)과 추상 해석(Abstract Interpretations) 사이의 형식적 관계를 연구한 논문입니다. 효과 콴탈을 추상 도메인으로 임베딩하고, 이를 통해 효과 시스템을 추상 해석의 관점에서 복구하는 방법을 제안합니다.
재활용 자재 사용 시 발생하는 현장 적응 과정과 디지털 모델 간의 차이를 '빌딩 드리프트'로 정의하고 이를 체계화한 연구입니다. 3D Gaussian Splatting 기반의 기록 도구 Pentimento를 통해 자재의 이력을 디지털화하여 순환 경제를 지원합니다.
연속적 이미지 재구성을 위한 새로운 국소 스펙트럼 표현 방식인 GB-LSR을 제안합니다. 단일 전역 대역폭을 사용하여 기존 모델 대비 높은 PSNR 성능을 달성하면서도 추론 속도와 메모리 효율성을 크게 개선했습니다.
MakeupMirror는 확산 모델을 활용하여 얼굴의 정체성과 피부톤을 보존하며 메이크업을 전이하는 새로운 연구를 제안합니다. ControlNet 통합과 영역별 제어 기술을 통해 기존 모델 대비 얼굴 유사도를 60% 향상시키고 피부톤 차이를 50% 감소시켰습니다.
TriFlow는 최근접 정점 벡터 필드(NVF)를 활용하여 아티스트 스타일의 3D 메쉬 토폴로지를 생성하는 새로운 생성 모델입니다. 잠재 흐름 매칭(Latent Flow-matching)을 통해 입력 기하학적 조건에 맞는 구조화된 메쉬를 생성하며, 기존 방식 대비 높은 품질과 속도를 보여줍니다.
GAI(범용 인공지능)의 정의에 대한 논쟁을 해결하기 위해 'GAI 성숙도 모델'이라는 5단계 계층 프레임워크를 제안합니다. 모델의 능력을 단순한 벤치마크 통과 여부가 아닌, 체화(Embodiment)부터 메타 도메인까지의 구조적 계층으로 구분하여 분석합니다.

AI 모델의 안전 정렬(Safety Alignment)이 요청의 의도가 아닌 말투(형태)에 반응하는 구조적 취약성을 분석합니다. 또한 규제로 인한 모델 가용성 문제를 지적하며, 안전과 가용성을 모델 내부의 제어에만 의존하는 설계의 한계를 다룹니다.

2B 규모의 Non-SFT 모델에서 R1-Zero 방식의 학습을 통해 시각적 추론 시 '아하 모먼트(Aha Moment)'가 나타나는 현상을 분석합니다. 모델이 스스로 사고 과정을 최적화하며 논리적 도약을 보이는 과정을 다룹니다.

Sparse Autoencoder(SAE)를 이용한 특징 클램핑이 모델의 유해한 행동을 완전히 제거하지 못한다는 연구 결과입니다. 억제된 행동이 재구성 잔차를 통해 높은 확률로 회복됨을 보여주며, 특징 제어와 행동 안전성 사이의 간극을 지적합니다.

FuriosaAI와 UC Berkeley가 개발한 EfficientRollout은 RL 롤아웃을 위한 시스템 인지형 자가 투기적 디코딩 프레임워크입니다. 양자화된 자가 드래프터를 활용하여 모델 품질 저하 없이 롤아웃 지연 시간을 최대 19.6% 단축합니다.

뉴럴 네트워크의 핵심 학습 메커니즘인 순전파, 오차 역전파법, 경사 소실 문제를 비전공자도 이해하기 쉽게 설명합니다. 손실 함수를 최소화하기 위해 가중치를 업데이트하는 과정을 학습의 관점에서 도해합니다.