대규모 언어 모델(LLM)은 자연어 처리 외에도 복잡한 과학 문제 해결에 활용되며, 기존 기계 학습 방식과 달리 추론 및 맥락 학습 능력을 통해 재료 발견 분야에 새로운 패러다임을 제시하고 있습니다. 본 연구는 산소 환원 반응을 위한 고성능 단일 원자 촉매를 발견하기 위해 다중 에이전트 기반 추론 및 최적화를 통한 전기 촉매 탐색(MAESTRO) 프레임워크를 제안합니다.
MAESTRO는 전문화된 역할을 가진 여러 LLM이 협력하여 자율적인 설계 루프 내에서 작동합니다. 각 에이전트는 반복적으로 추론하고, 촉매 수정안을 제안하며, 결과를 반영하고, 설계 이력을 축적합니다. 이 반복적인 과정을 통해 맥락 학습이 가능해집니다.
이러한 과정을 통해 MAESTRO는 LLM의 배경 지식에 명시적으로 인코딩되지 않은 설계 원리를 식별했으며, 반응 중간체 간의 기존 스케일링 관계를 깨뜨리는 촉매를 성공적으로 발견했습니다. 이는 다중 에이전트 LLM 프레임워크가 화학적 통찰력을 생성하고 유망한 촉매를 발견하는 강력한 전략임을 보여줍니다.
본 연구 결과는 재료 과학 분야에서 다중 에이전트 LLM 프레임워크의 잠재력을 강조하며, 새로운 촉매 설계 및 발견을 위한 효율적인 접근 방식을 제시합니다.
풍력 에너지는 전 세계 전력 수요 충족 및 탈탄소화 목표 달성에 중요하지만, 간헐적이고 비정상적이며 공간적으로 결합된 특성으로 인해 전력 시스템 통합이 어렵습니다. 특히, 초단기(10분) 및 단기(1시간) 풍력 발전량 예측은 실시간 전력 배분, 예비력 할당, 계통 안정성에 필수적이지만, 풍력 터빈 간의 후류 상호작용, 풍향·풍속 변화, 센서 노이즈 등으로 인해 여전히 도전 과제로 남아있습니다.
본 연구에서는 이러한 문제를 해결하기 위해 물리 정보 기반의 방향성 인식 대규모 언어 모델(LLM) 유도 동적 시공간 그래프 딥 네트워크(LLXSTG)를 제안합니다. 이 프레임워크는 물리 정보 기반의 전력 곡선 정제, LLM이 유도하는 동적 그래프 구성, 그리고 시공간 그래프 컨볼루션 네트워크를 통합하여 풍력 발전기의 체제 의존적이고 지향적인 상호작용을 명시적으로 모델링합니다. 기존의 정적 또는 상관관계 기반 그래프와 달리, LLM은 변화하는 풍력 체제에 적응하는 상황 조건부 인접 구조를 추론하며, 스키마 검증 및 대체 메커니즘을 통해 해석 가능성과 재현성을 보장합니다.
대규모 다중 터빈 풍력 발전소의 고해상도 데이터셋을 활용한 광범위한 실험을 통해 제안된 프레임워크의 성능을 검증했습니다. 14개의 기존 딥러닝, 트랜스포머 기반, 하이브리드 앙상블 모델 및 두 가지 최신 LLM 기반 예측 모델과 비교한 결과, LLXSTG는 10분 예측에서 JST-Transformer 대비 평균 절대 오차(MAE)를 66.5%, 제곱 평균 제곱근 오차(RMSE)를 67.9% 감소시켰으며, R-v 지표에서 19.3% 향상된 성능을 보였습니다.
이 연구는 풍력 발전량 예측의 정확도를 크게 향상시켜, 풍력 에너지의 안정적인 계통 통합과 효율적인 운영에 기여할 수 있는 새로운 방법론을 제시합니다.
인공지능 분야의 오랜 목표인 지능형 에이전트 개념은 최근 대규모 언어 모델(LLM)의 발전으로 새로운 전환점을 맞이했습니다. LLM은 추론, 계획, 도구 사용 능력을 갖춘 정교한 에이전트 개발을 가능하게 하며, 자연어를 인지 및 상호작용의 보편적 인터페이스로 활용하여 자율 작업 보조부터 복잡한 사회경제 시스템 시뮬레이션에 이르기까지 다양한 실제 응용 분야로 빠르게 확장되고 있습니다.
본 연구는 LLM 기반 에이전트 분야를 통합적으로 조망하며, 단일 및 다중 에이전트 시스템을 핵심 구성 요소로 체계적으로 분석하는 조직 프레임워크를 제시합니다. 계획 패러다임, 메모리 구조, 성찰 기반 자기 개선 등 에이전트 지능의 근간을 이루는 아키텍처 원리와 핵심 메커니즘을 심층적으로 분석합니다. 또한, 다중 에이전트 시스템의 역학을 탐구하며 조정 전략, 통신 프로토콜, 조직 구조를 상세히 다룹니다.
주요 벤치마크를 통해 성능 평가의 중요성을 강조하고 핵심 과제를 식별합니다. 연구는 LLM의 내재적 한계, 안전 및 정렬 보장의 복잡성 등 현재 당면한 주요 과제를 종합적으로 논의합니다. 이를 바탕으로 지속적 학습 및 향상된 다중 모달 능력 구현을 포함한 미래 연구 방향을 제시합니다.
이 연구는 LLM 기반 지능형 에이전트의 현재와 미래를 이해하는 데 필수적인 통찰을 제공하며, 관련 분야의 연구자와 개발자에게 중요한 지침이 될 것입니다.
네트워크 이상 탐지를 위한 머신러닝(ML) 기법은 위협 탐지 및 대응 시간을 크게 단축하며 효과적인 사전 예방 전략으로 부상하고 있습니다. 그러나 ML 모델 훈련 및 유지보수의 어려움과 잦은 오탐은 이러한 기술의 수용성과 신뢰도를 저해합니다. 이에 대응하여 설명 가능한 인공지능(XAI) 기술이 도입되었으나, 여전히 현장 실무자들의 수용도가 낮고 분석가 및 모델 관리자의 의사결정 요구를 충족시키지 못하는 한계가 있습니다.
본 연구에서는 대규모 언어 모델(LLM)이 이러한 문제를 해결할 독특한 접근 방식을 제공한다는 점에 주목합니다. KDD99 데이터셋으로 훈련된 랜덤 포레스트 분류기를 구현하는 특수 침입 탐지 대시보드인 HuntGPT를 개발했습니다. 이 도구는 SHAP 및 Lime과 같은 XAI 프레임워크를 통합하여 모델의 사용자 친화성과 직관성을 향상시켰습니다.
HuntGPT는 GPT-3.5 Turbo 대화형 에이전트와 결합하여 탐지된 위협을 쉽게 설명 가능한 형식으로 제공하며, 사용자 이해를 강조하고 원활한 상호작용 경험을 제공합니다. 시스템의 포괄적인 아키텍처와 다양한 구성 요소를 조사하고, CISM 실습 시험을 사용하여 프로토타입의 기술적 정확성을 평가했습니다.
그 결과, LLM 기술을 기반으로 XAI와 통합된 대화형 에이전트가 특히 침입 탐지 시스템 영역에서 설명 가능하고 실행 가능한 AI 솔루션을 생성하는 강력한 메커니즘이 될 수 있음을 확인했습니다. 이는 사이버 보안 운영팀의 신뢰도와 효율성을 크게 향상시킬 수 있습니다.
코드 분석은 소프트웨어 공학에서 디버깅, 성능 최적화, 보안 평가 등 핵심적인 역할을 수행합니다. 기존 도구들은 언어 특정성, 복잡한 설정, 그리고 교차 언어 일반화의 한계가 있었습니다. 최근 대규모 언어 모델(LLM)이 다양한 코드 관련 작업에 유망하게 부상했지만, 근본적인 코드 분석 능력에 대한 탐구는 부족했습니다. 본 연구는 LLM의 코드 분석 능력을 평가하여, LLM 기반 프로그래밍 도구의 발전 가능성을 모색합니다.
인간 개발자의 코드 분석 방식(구문 분석, 정적 의미 추론, 동적 추론)에 맞춰 연구를 구성했습니다. C, Java, Python, Solidity 등 다양한 언어의 AST 생성, CFG 구성, 데이터 의존성 분석, 오염 분석, 불안정한 테스트 추론 등 9가지 대표 과제에 대해 21개 최신 LLM을 평가했습니다. 3,124개 코드 샘플에 자동화된 지표, 전문가 판정, 일관성 검증을 결합한 3단계 평가 프로토콜을 적용하여 방법론적 엄격성을 확보했습니다.
연구 결과, 최상위 LLM은 구문 분석(AST 90% 이상, 표현식 매칭 84-100%)에서 탁월한 성능을 보였고, 정적 분석에서도 초기 가능성을 나타냈습니다. 그러나 동적 추론 능력은 70% 미만으로 제한적이었으며, 데이터 변화에 대한 민감도가 높아(프로젝트별 F1 점수 0-1.0 변동) 일관성이 부족했습니다.
이러한 능력 계층(강력한 구문 분석, 보통 수준의 정적 분석, 취약한 동적 추론)은 다양한 LLM 전반에 걸쳐 일관되게 나타났습니다. 본 연구는 LLM의 코드 분석 능력에 대한 포괄적인 이해를 제공하며, 향후 LLM 기반 소프트웨어 공학 도구 개발의 방향을 제시합니다.
사이버 위협 인텔리전스(CTI)는 지능형 지속 위협(APT) 방어에 필수적이지만, 기존 CTI 데이터는 비정형성, 단편성, 수동 의존성, 그리고 공격 기법과의 제한적인 의미 매핑으로 인해 하위 추론 작업의 정확도를 저해합니다. 또한, 전통적인 정보 추출 방식은 문맥 인지 및 프롬프트 변화에 대한 민감성 부족으로 인해 교차 문단 의존성, 신규 위협, 저자원 샘플 시나리오에서 일반화에 어려움을 겪습니다.
이러한 한계를 극복하고자, 본 연구는 대규모 언어 모델(LLM)과 ATT&CK 프레임워크 기반의 의미 정렬을 통합한 CTI 지식 그래프 구축 및 위협 추론 시스템인 CTI-Thinker를 제안합니다. CTI-Thinker는 인컨텍스트 학습과 LoRA 기반 미세 조정을 활용하여 구조화된 위협 개체 및 관계를 추출합니다. 이후 벡터 기반 정렬 전략을 통해 이기종 표현을 통합하고, 개체 정규화 및 지식 융합을 수행하여 고품질 CTI 지식 그래프를 구축합니다.
최종적으로, 구조화된 지식 그래프와 외부 ATT&CK 자원을 검색 증강 생성(RAG) 프레임워크에 통합한 GraphRAG 기반 추론 엔진을 구축하여 전술 수준의 추론과 CTI 기반 질의응답을 가능하게 합니다. 실험 결과, CTI-Thinker는 위협 개체 및 관계를 정확하게 추출하고 신뢰할 수 있는 CTI 지식 그래프를 구축함을 입증했습니다.
또한, 공격 의도를 효과적으로 추론하고 지능형 추론을 지원하며, 기존 최첨단 방법론 대비 정밀도, 견고성, 일반화 가능성 측면에서 우수한 성능을 보였습니다. 이는 사이버 위협 분석을 위한 확장 가능하고 의미론적으로 풍부한 솔루션을 제공합니다.
오늘날 세계화된 경제에서 효과적인 위험 관리를 위해 포괄적인 공급망 가시성은 필수적이지만, 파트너 간 제한된 정보 공유로 인해 이를 달성하기 어렵습니다. 본 논문은 이해관계자 정보 공유에 직접 의존하지 않고 지식 그래프(KG)와 대규모 언어 모델(LLM)을 활용하여 공급망 가시성을 향상시키는 새로운 프레임워크를 제안합니다.
제안하는 제로샷(zero-shot) LLM 기반 프레임워크는 공개된 소스에서 다양하고 도메인 특화된 공급망 정보를 자동으로 추출합니다. 이를 통해 공급망 주체, 지리적 위치, 소유 구조, 제품 흐름 전반에 걸쳐 복잡한 다단계 상호 의존성을 포착하는 구조화된 지식 그래프를 구축합니다. 특히, 명명 엔티티 인식(NER) 및 관계 추출(RE) 작업에 제로샷 프롬프팅을 사용하여 광범위한 도메인 특화 학습의 필요성을 없압니다.
정량적 평가와 전기차 공급망(배터리 제조 핵심 광물 추적) 사례 연구를 통해 프레임워크의 유효성을 검증했습니다. 이 프레임워크는 2단계 공급업체 이상으로 가시성을 확장하며 공급망 매핑에 효과적임을 입증했습니다. 또한, 핵심 의존성과 대체 소싱 옵션을 밝혀내어 공급망 중단 시 위험 관리 및 전략적 계획 수립을 강화합니다.
NER 및 RE 작업에서 높은 정밀도를 보여 복잡한 다단계 공급망 네트워크를 이해하는 효과적인 도구를 제공합니다. 이 연구는 도메인 특화 공급망 지식 그래프를 구축하는 새로운 프레임워크를 제시하며, 가시성 분야의 오랜 과제를 해결하고 디지털 공급망 감시 발전을 위한 길을 열어줍니다.
수십억 개의 매개변수를 가진 대규모 언어 모델(LLM)은 특정 훈련 없이도 소수의 예시만으로 학습하는 인컨텍스트 학습 능력을 보인다. 기존 모델들이 언어 과제에서 뛰어난 성능을 보였지만, 기본적인 추론 벤치마크에서는 한계를 드러냈다. 그러나 새로운 인컨텍스트 학습 접근법인 Chain-of-Thought는 이러한 벤치마크에서 강력한 다단계 추론 능력을 입증했다.
본 연구는 LLM의 다단계 추론 분야를 종합적으로 검토한다. 다단계 추론의 생성, 평가, 제어 방식을 체계화하는 분류법을 제시하고, 핵심 접근법과 미해결 과제를 심층적으로 다룬다. 또한, 향후 연구를 위한 구체적인 의제를 제안한다.
연구 결과, 다단계 추론 접근법은 단순한 수학 문제 해결을 넘어 논리, 조합 게임, 로봇 공학 등 다양한 분야의 복잡한 문제들을 성공적으로 해결하고 있음을 확인했다. 특히 외부 도구와 연동하여 코드를 생성하고 실행하는 방식도 활용된다. 많은 다단계 추론 연구는 미세 조정, 외부 최적화 루프, 인컨텍스트 강화 학습, 자기 성찰 등 강화 학습 기법을 적극적으로 활용하고 있다.
연구자와 기업가들은 질적 데이터 분석에 생성형 인공지능(GenAI) 도구를 적용하는 방안을 적극적으로 모색하고 있습니다. 자동 코딩 및 주제 분석부터 가상 연구 보조 역할에 이르기까지, 질적 연구에서 GenAI의 잠재적 응용 분야는 광범위해 보입니다. 본 논문은 GenAI가 어떤 기술적 인공물인지 근본적인 질문을 던지고, 질적 데이터 분석에 적합한지 평가합니다.
특히 대규모 언어 모델(LLM)에 초점을 맞춰 GenAI에 대한 접근 가능하고 기술적으로 정보에 입각한 분석을 제공하며, 질적 데이터 분석에서 GenAI 사용의 혁신적 잠재력에 대한 주장을 검증합니다. 이 평가는 중요한 단점들을 밝혀내며, 경영 연구자들이 이 기술을 비판 없이 수용할 경우 용납할 수 없는 인식론적 위험을 초래할 수 있음을 보여줍니다.
본 연구는 이러한 인식론적 위험을 탐색하고, 질적 데이터 분석의 본질이 의미 해석, 즉 본질적으로 인간의 능력에 있음을 강조합니다. 이는 GenAI의 한계를 명확히 하고, 인간 중심의 질적 연구 방법론의 중요성을 재확인하는 계기가 됩니다.
