수리생물학에서 메커니즘 기반 동역학 모델은 핵심적이지만, 미지의 생물학적 메커니즘, 부분적 관측, 희소하고 노이즈가 많은 데이터, 매개변수 불확실성 등으로 인해 실제 적용에 한계가 있습니다. 딥러닝은 유연한 범용 근사자를 제공하는 반면, 메커니즘 모델은 구조, 해석 가능성 및 과학적 제약을 제공합니다.
본 논문은 메커니즘-AI 결합 동역학 시스템에 대한 연구를 검토하고 정리하며, 특히 전염병 모델링의 기초 및 응용에 중점을 둡니다. 범용 미분 방정식 및 물리 정보 신경망 기반 학습 방법, 기호 회귀 및 희소 모델 발견 기반 설명 방법, 수렴 및 불확실성 정량화를 통한 신뢰성 분석을 논의합니다.
주요 응용 분야로는 유효 재생산수 추정, 행동 변화 메커니즘 발견, 최적 전염병 제어, 마지막 계층 베이즈 불확실성 정량화, 임계량의 물리 정보 재구성 등이 있습니다. 이러한 접근 방식은 순전히 경험적인 예측자로 수학적 모델을 대체하는 것이 아닙니다.
본 연구의 목표는 훈련 가능한 표현이 누락된 메커니즘을 학습하고, 해석 가능한 도구가 이를 설명하며, 신뢰성 분석을 통해 학습된 메커니즘의 신뢰도를 정량화하는 수학적 기반과 계산 워크플로우를 개발하는 데 있습니다.
인공지능(AI) 통합은 고성능 컴퓨팅(HPC) 시뮬레이션 분야에 혁신을 가져오며, AI 결합 HPC 워크플로우의 중요성, 활용성 및 성능을 증대시키고 있습니다. 본 논문은 빠르게 진화하는 AI 기반 HPC 분야를 포괄적으로 조사하고, 이러한 워크플로우를 이해하기 위한 공통 개념적 기반을 제시합니다.
특히, AI를 HPC 워크플로우에 결합하는 다양한 방식에 대한 통찰을 활용하여, 과학 응용 분야에서 가장 흔히 발견되는 여섯 가지 실행 모티프를 제안합니다. 이 실행 모티프 집합은 불완전하며 계속 진화하고 있지만, AI 통합 시뮬레이션 환경 전반에서 발생하는 주요 성능 문제를 분석하는 데 유용합니다.
본 연구는 AI 결합 HPC 워크플로우의 실행을 평가하고 개선하는 데 필요한 특정 벤치마크의 필요성을 포함하여, 미해결 과제, 연구 문제 및 향후 연구 영역을 제시합니다. 이는 해당 분야의 발전을 위한 중요한 방향을 제시할 것입니다.
인공지능(AI) 시스템이 온라인 소통을 중재하며 디지털 공론장에서 성소수자(LGBTQI+) 커뮤니티의 가시성, 참여, 인정을 형성하고 있습니다. 그러나 AI 기반 콘텐츠 중재는 지속적인 동성애 혐오 및 트랜스젠더 혐오가 존재하는 맥락에서 작동하며, 편향, 배제, 그리고 유해 콘텐츠로부터의 불균등한 보호에 대한 우려를 제기합니다. 본 연구는 사회기술적 거버넌스 관점에서 AI 기반 성소수자 혐오 담론 중재에 대한 최신 학술 문헌을 분석합니다.
PRISMA 2021 프레임워크에 따라 서지계량 및 사회기술적 매핑 방식을 활용했습니다. Scopus 데이터베이스에서 2020년부터 2025년까지 발표된 23편의 동료 심사 논문을 체계적으로 검색했습니다. 서지계량 지표, 공저자 및 키워드 네트워크 분석을 비판적 사회기술적 관점과 결합하여 이 신흥 연구 분야의 지적 구조, 인식론적 권위, 방법론적 경향 및 사회기술적 거버넌스 특징을 조사했습니다.
연구 결과, 이 분야는 소수의 국가, 기관, 전산 학문에 의해 고도로 집중되어 있으며, 과학 생산의 지정학적 및 언어적 비대칭성을 강화하는 것으로 나타났습니다. 문헌들은 대규모 언어 모델, 설명 가능한 AI, 반대 서사 생성에 대한 연구 초점이 증가하고 있음을 보여주며, 혐오 발언 탐지에서 AI 기반 콘텐츠 거버넌스의 광범위한 접근 방식으로 학술적 관심이 전환되고 있음을 시사합니다. 그러나 AI 중재와 정신 건강, 낙인, 복지 간의 연관성은 여전히 미흡하게 통합되어 있으며, 참여적 접근 방식은 부족합니다.
서지계량적 증거는 신흥 과학 문헌이 AI 기반 중재를 성소수자 커뮤니티에 잠재적 영향을 미치는 디지털 거버넌스의 한 형태로 점점 더 개념화하고 있음을 나타냅니다. 매핑된 문헌은 또한 책임성, 포괄성 및 형평성에 대한 지속적인 우려를 강조하며, 이 분야의 향후 연구 및 정책 개발에 중요한 시사점을 제공합니다.
인공지능(AI) 개발은 복잡한 요리 레시피를 만드는 과정과 유사합니다. 과학자들은 수십억 개의 명령어를 조합하여 AI가 패턴을 인식하고, 문제를 해결하며, 인간처럼 추론할 수 있도록 만듭니다. 그러나 최적의 명령어 조합을 미리 알아내는 것은 거의 불가능합니다.
이러한 난제를 해결하기 위해 최적화 알고리즘이 핵심적인 역할을 합니다. 최적화 알고리즘은 AI의 성능을 평가하고, 문제점을 파악하며, 레시피를 개선하는 '유능한 셰프'와 같습니다. 이들은 AI가 더 스마트하고 강력해질 때까지 레시피의 더 나은 버전을 발견하도록 돕습니다.
연구는 최적화 알고리즘이 AI 개발 과정에서 시행착오를 줄이고 효율성을 높이는 데 필수적임을 보여줍니다. 이를 통해 컴퓨터 과학자들은 AI 모델의 성능을 지속적으로 향상시키고, 복잡한 문제 해결 능력을 극대화할 수 있습니다.
결론적으로, 최적화 알고리즘은 AI가 방대한 데이터를 학습하고 복잡한 작업을 수행하는 데 필요한 '최적의 레시피'를 찾아내는 데 결정적인 기여를 합니다. 이는 미래 AI 기술 발전의 핵심 동력이 될 것입니다.
지향성 에너지 증착(DED)은 고부가가치 부품 제작 및 수리에 활용되는 금속 적층 제조(MAM) 기술이지만, 복잡한 열 구배와 재료 거동, 공정 변수 등으로 인해 일관된 품질 확보가 어렵습니다. 최근 인공지능(AI), 특히 기계 학습(ML) 및 딥러닝(DL) 방법론이 DED 공정의 품질 관리 및 실시간 모니터링에서 큰 잠재력을 보이고 있습니다.
본 연구는 DED의 AI 기반 품질 관리 및 모니터링에 대한 체계적인 문헌 검토를 수행했습니다. PRISMA 방법론을 활용하여 2015년부터 2026년까지 발표된 145편의 동료 심사 논문을 분석했으며, 결함 감지, 공정 상태 모니터링, 물리 정보 모델링, 디지털 트윈, 산업 적용 준비도 등을 중점적으로 다루었습니다.
DED의 품질 문제는 기하학적, 형태학적, 미세 구조적 범주로 분류되었으며, 각 범주에서 AI 활용 사례를 분석했습니다. 컨볼루션 신경망(CNN), 랜덤 포레스트, 오토인코더 등 ML/DL 모델이 용융 풀 모니터링, 열 및 시각 신호 해석, 결함 분류, 기하학적 예측, 공정 조건 평가 등에 폭넓게 적용되고 있음을 확인했습니다.
비교 분석 결과, 기존 방법은 직접 측정, 검증 및 인증에 필수적인 반면, AI 기반 방법은 주로 공정 내 예측, 조기 경고, 선별 및 잠재적인 폐루프 제어에 활용됩니다. 물리 정보 ML 및 디지털 트윈 프레임워크는 공정 데이터를 열, 기하학적, 결함 관련 품질 상태와 연결하여 AI 역량을 더욱 확장합니다. 하지만 데이터 획득 등 주요 과제는 여전히 남아있습니다.
생성형 AI는 증가하는 수요에 맞춰 기후 서비스 규모를 확장하는 데 기여할 수 있습니다. 본 연구는 기후 데이터 접근성 향상, 의사결정 지원, 효율성 증대를 목표로 하는 두 가지 프로토타입 AI 시스템을 통해 이러한 접근 방식을 설명합니다.
연구 과정에서 AI 결과물의 책임, 품질, 신뢰성에 대한 주요 우려 사항들이 식별되었습니다. 이는 AI 시스템 개발 및 활용에 있어 중요한 고려사항입니다.
사용자 요구와 사회적 가치에 부합하도록 시스템을 구축하기 위해, 시스템 개발의 최신 모범 사례들을 현저성(salience), 신뢰성(credibility), 정당성(legitimacy)이라는 핵심 원칙들과 연계했습니다.
이러한 원칙 기반 접근은 기후 서비스 분야에서 AI의 효과적이고 책임감 있는 확장을 위한 기반을 마련하며, AI 기술이 사회적 편익을 극대화할 수 있도록 돕습니다.
업데이트된 시드니 시스템은 위염 조직 등급 분류에 널리 사용되지만, 일상적인 위 조직 검사에서 모든 속성을 완전하게 분류하는 것은 시간이 많이 소요되며 병리학자 간의 편차가 발생합니다. 본 연구는 이러한 문제를 해결하기 위해 위 조직 검사에서 시드니 시스템의 5가지 속성을 포괄적이고 재현성 있게 분류하는 인공지능(AI) 시스템을 개발했습니다.
개발된 SydneyMTL은 50,765개의 전체 슬라이드 이미지로 학습된 약지도 다중 작업 다중 인스턴스 학습 프레임워크입니다. 이 모델은 단핵 세포 침윤, 호중구 활동, 선 위축, 장 상피화생 및 헬리코박터 파일로리 밀도를 동시에 예측하며, 근육층판 부재 시 위축을 '해당 없음'으로 분류하는 기능을 포함합니다.
SydneyMTL은 24명의 전문 병리학자 라벨과 합의 기반 골든 데이터셋을 기준으로 평가되었습니다. 그 결과, 24명의 병리학자에 대해 평균 89.1%의 관대한 정확도를 달성했으며, 후향적 데이터셋에서 24명 중 21명의 판독자에게서 80% 이상의 일치율을 보였습니다. 또한, 무작위 교차 연구에서 AI 지원은 병리학자 간 일치도를 향상시키고 시드니 시스템 전체 등급 분류 시간을 34.2% 단축했습니다.
이 연구는 AI가 위 조직 검사에서 업데이트된 시드니 시스템의 조직학적 속성을 보다 재현성 있고 효율적으로 분류할 수 있음을 보여줍니다. SydneyMTL은 다중 병리학자 검증, 합의 기반 평가, 그리고 평가 불가능한 위축에 대한 명확한 처리를 통해 일상적인 디지털 병리 진단에 현실적인 의사 결정 지원 접근 방식을 제공합니다.
인공지능, 빅데이터, 사물 인터넷의 급격한 발전은 데이터의 규모, 출처, 활용 시나리오를 전례 없이 확장시켰습니다. 이에 따라 데이터는 고차원성, 이질성, 동적 특성, 다중 모드와 같은 복잡한 양상을 띠게 되었으며, 이는 기존 데이터 분석 방식으로는 처리하기 어려운 새로운 도전 과제를 제시합니다.
본 연구는 이러한 복잡한 데이터 환경에 대응하기 위한 최신 지능형 데이터 분석 기법들을 종합적으로 탐구합니다. 특히, 딥러닝, 강화 학습, 전이 학습 등 인공지능 기반의 고급 분석 방법론들이 다양한 데이터 유형과 시나리오에 어떻게 적용될 수 있는지에 초점을 맞춥니다.
분석 결과, 지능형 데이터 분석 기술은 복잡한 데이터 속에서 숨겨진 패턴과 인사이트를 효과적으로 추출하며, 예측 정확도와 의사결정 효율성을 크게 향상시키는 것으로 나타났습니다. 특히, 의료, 금융, 스마트 도시 등 다양한 응용 분야에서 실제 문제 해결에 기여하는 성공적인 사례들을 확인했습니다.
이 연구는 복잡한 데이터 환경에서 지능형 데이터 분석 기술의 잠재력과 발전 방향을 제시합니다. 제안된 방법론들은 미래 데이터 기반 시스템의 설계 및 구현에 중요한 통찰을 제공하며, 관련 분야의 학술적, 실용적 발전에 기여할 것으로 기대됩니다.
검색 증강 생성(RAG)은 외부 지식을 통합하여 AI 생성 콘텐츠의 관련성을 높이고 환각 현상을 줄이지만, 신뢰성, 안전성, 프라이버시, 공정성, 설명 가능성, 책임성 측면에서 새로운 위험을 야기합니다. 이러한 문제들은 RAG 시스템의 전반적인 신뢰성에 영향을 미치며, 현재까지 이들을 통합적으로 다루는 프레임워크는 부족합니다.
본 연구는 신뢰할 수 있는 RAG 시스템 구축을 위한 포괄적인 로드맵을 제시하여 이러한 격차를 해소합니다. 신뢰성 관련 주요 도전 과제, 기존 해결책, 그리고 미래 연구 방향을 체계적으로 분석합니다. 특히 검색 및 생성 단계와 여섯 가지 신뢰성 차원 간의 상호작용을 중심으로 분야를 정리하고, 교차 차원 분석을 통해 시너지 효과와 상충 관계를 명확히 보여줍니다.
이 분석은 신뢰할 수 있는 RAG가 큰 영향을 미칠 수 있는 실제 응용 분야를 조명합니다. 본 연구는 실세계 AI 시스템에서 신뢰할 수 있는 RAG의 추가 연구와 도입을 장려하는 데 기여할 것입니다.
최근 인공지능(AI)은 놀라운 성공을 거두고 있지만, 그 의사결정 과정이 불투명하여 이해관계자들이 AI의 동작을 이해하고 해석하며 설명하기 어렵다는 문제가 있습니다. 이러한 한계는 머신러닝 시스템에 대한 신뢰를 저해하고, 특히 헬스케어나 자율주행과 같은 미션 크리티컬 분야에서 실제 적용을 주저하게 만듭니다.
설명 가능한 AI(XAI) 기술은 머신러닝 모델의 설명 가능성과 해석 가능성을 높여 사용자가 의사결정의 근거를 파악하고 바람직하지 않은 동작을 방지할 수 있도록 돕습니다. 본 종합 연구는 내재적으로 해석 가능한 모델부터 대규모 언어 모델(LLM)을 포함한 다양한 블랙박스 모델의 해석 가능성을 달성하기 위한 최신 접근 방식에 이르기까지, 설명 가능한 AI 방법론의 발전을 상세히 다룹니다.
또한, LLM 및 비전-언어 모델(VLM) 프레임워크를 활용하여 다른 머신러닝 모델의 설명 가능성을 자동화하거나 개선하는 XAI 기술을 검토합니다. 특히 LLM과 VLM을 해석 방법으로 활용하면 모델의 의사결정과 동작에 대한 고수준의 의미론적인 설명을 제공할 수 있습니다.
본 논문은 최첨단 방법론의 과학적 원리, 장단점을 강조하고 개선이 필요한 다양한 영역을 제시합니다. 마지막으로 XAI의 주요 과제와 향후 연구 방향을 논의합니다.
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.
파운데이션 모델(FM)은 재료 과학(MatSci) 분야에서 확장 가능하고 다목적이며 다중 모드 AI 시스템을 구현하여 과학적 발견의 변혁을 주도하고 있습니다. 기존의 좁은 범위의 머신러닝 모델과 달리, FM은 도메인 간 일반화 및 새로운 기능을 제공하여 다양한 데이터 유형과 스케일을 다루는 재료 과학 연구에 특히 적합합니다.
본 조사는 이 성장하는 분야를 지원하는 파운데이션 모델, 에이전트 시스템, 데이터셋 및 계산 도구에 대한 포괄적인 개요를 제공합니다. 데이터 추출, 해석 및 Q&A, 원자 시뮬레이션, 특성 예측, 재료 구조, 설계 및 발견, 공정 계획, 발견 및 최적화, 다중 스케일 모델링의 6가지 광범위한 응용 분야를 포괄하는 작업 중심 분류 체계를 제시합니다. 단일 모드 및 다중 모드 FM의 최신 발전과 새로운 대규모 언어 모델(LLM) 에이전트를 논의합니다.
또한, FM의 개발 및 연구 워크플로우 통합을 촉진하는 표준화된 데이터셋, 오픈 소스 도구 및 자율 실험 플랫폼을 검토합니다. 파운데이션 모델의 초기 성공을 평가하고 일반화 가능성, 해석 가능성, 데이터 불균형, 안전 문제 및 제한된 다중 모드 융합을 포함한 지속적인 한계를 식별합니다.
마지막으로, 확장 가능한 사전 학습, 지속적 학습, 데이터 거버넌스 및 신뢰성을 중심으로 미래 연구 방향을 제시합니다.
시계열 및 시공간 데이터를 포함한 시간 데이터는 현실 세계의 다양한 애플리케이션에서 광범위하게 활용됩니다. 물리 및 가상 센서에서 대량으로 생성되는 이 데이터는 동적 시스템의 행동을 기록하며, 풍부한 정보 콘텐츠를 효과적으로 분석하는 것은 다양한 후속 작업을 가능하게 합니다.
최근 대규모 언어 모델 및 기타 기반 모델의 발전은 시계열 및 시공간 데이터 마이닝 분야에서 이들의 활용을 가속화했습니다. 이러한 접근 방식은 다양한 도메인에서 패턴 인식 및 추론 능력을 향상시킬 뿐만 아니라, 시간 데이터를 이해하고 처리할 수 있는 인공 일반 지능(AGI) 개발에도 기여합니다.
본 연구는 시간 데이터에 특화되거나 적용된 대규모 모델들을 데이터 유형, 모델 범주, 모델 범위, 응용 분야/작업의 네 가지 차원에서 포괄적으로 검토합니다. 기존 연구를 시계열 분석을 위한 대규모 모델(LM4TS)과 시공간 데이터 마이닝을 위한 대규모 모델(LM4STD)의 두 가지 주요 그룹으로 분류하고, 범용 모델과 도메인 특정 모델을 추가로 구분합니다.
또한, 주요 응용 분야별로 데이터셋, 모델 구현, 도구 등 관련 자료들을 정리하여 제공합니다. 이 조사는 대규모 모델 중심의 시간 데이터 분석 분야에서 최근의 발전 사항들을 통합하고, 기반 기술, 응용 분야, 자원, 그리고 미해결 연구 과제들을 조명합니다.
인공지능(AI)은 기후 변화 완화, 농업 생산성 향상, 수자원 관리, 기상 예측 등 다양한 환경 문제 해결에 기여하며 환경 지속가능성을 높이는 핵심 기술로 부상하고 있습니다. 지능형 시스템은 오염 수준 및 배출량을 실시간으로 정밀하게 모니터링하고, 대규모 환경 데이터를 분석하여 환경 위험을 줄이고 천연자원 활용 효율을 높이는 효과적인 의사 결정을 지원합니다.
본 연구는 AI의 긍정적 측면과 더불어 이 기술이 야기하는 에너지 소비 및 폐기물 발생과 같은 부정적 영향을 심층적으로 탐구합니다. 특히 AI 시스템 운영에 필요한 막대한 전력량과 하드웨어 폐기물 문제에 주목하며, 이러한 단점이 환경 지속가능성 목표 달성에 미치는 잠재적 저해 요인을 분석합니다.
연구 결과, AI가 환경 문제 해결에 상당한 잠재력을 가짐에도 불구하고, 그 활용 방식에 따라 환경적 부담이 가중될 수 있음을 확인했습니다. 특히, AI 기술의 무분별한 확산은 에너지 집약적 특성으로 인해 탄소 배출량 증가와 자원 고갈을 초래할 수 있습니다.
따라서 본 연구는 AI의 환경 친화적 활용 방안을 모색하고, 기술 개발 및 적용 과정에서 에너지 효율성 극대화와 폐기물 최소화를 위한 균형 잡힌 접근의 중요성을 강조합니다. 이는 AI가 진정한 환경 지속가능성에 기여할 수 있는 방향을 제시합니다.
거대 언어 모델(LLM)은 방대한 파라미터 기반의 지식 저장 능력을 통해 다양한 분야에서 뛰어난 성능을 보였지만, 환각 현상, 지식 업데이트의 어려움, 특정 도메인 전문성 부족 등의 한계를 지닌다. 외부 지식 기반을 활용하여 LLM을 보강하는 검색 증강 생성(RAG)은 이러한 제약을 완화하는 효과적인 대안으로 부상했다.
본 연구는 자연어 처리(NLP) 분야의 RAG 기술을 체계적으로 검토하며, 특히 검색기(retriever)와 검색 융합(retrieval fusion) 방식에 초점을 맞춘다. 질의 기반, 로짓 기반, 잠재적, 파라미터 융합 등 새로운 검색 융합 분류 체계를 제시하고, 접근성, 효율성, 활용 사례를 기준으로 구조화된 비교 분석을 수행한다.
나아가 다양한 NLP 태스크에서의 RAG 적용 사례를 탐구하고, 평가 방법론 및 벤치마크의 한계를 논의한다. 지식 기반 업데이트 유무에 따른 훈련 패러다임을 분석하며, 산업 배포 시 고려사항과 보안, 효율성, 그래프 기반 검색 등 새롭게 부상하는 도전 과제 및 미래 연구 방향을 제시한다.
과학적 발견은 관찰, 가설 생성, 실험, 데이터 분석의 반복적인 과정으로 이루어집니다. 인공지능이 생물학 분야에 적용되며 발전했지만, 이 모든 단계를 자동화한 시스템은 아직 없었습니다. 본 연구는 가설 생성과 데이터 분석을 완전히 자동화하는 최초의 다중 에이전트 시스템인 Robin을 소개합니다.
Robin은 문헌 검색 에이전트와 데이터 분석 에이전트를 통합하여 가설을 생성하고, 실험을 제안하며, 실험 결과를 해석하고, 업데이트된 가설을 생성함으로써 과학적 발견에 대한 반자율적인 접근 방식을 구현합니다.
이 시스템을 건성 노인성 황반변성(dAMD) 치료제 발굴에 적용한 결과, Robin은 망막 색소 상피세포의 식세포 작용 증진을 치료 전략으로 제안했습니다. 또한 리파수딜(ripasudil)과 KL001의 시험관 내 효능을 확인했습니다. 특히 리파수딜은 dAMD 치료제로 제안된 적 없는 임상용 Rho 키나아제(ROCK) 억제제입니다. Robin은 리파수딜의 작용 기전을 규명하기 위해 후속 RNA-seq 실험을 제안하고 분석하여, 지질 유출 펌프이자 새로운 표적일 수 있는 ABCA1의 상향 조절을 밝혀냈습니다.
본 보고서의 모든 가설, 실험 방향, 데이터 분석 및 데이터 그림은 Robin이 생성했습니다. Robin은 반복적인 랩인루프(lab-in-the-loop) 프레임워크 내에서 새로운 치료 후보 물질을 자율적으로 발견하고 검증한 최초의 AI 시스템으로서, AI 기반 과학적 발견의 새로운 패러다임을 제시합니다.
전 세계적으로 교통사고는 사망 및 경제적 손실의 주요 원인으로, 신속하고 정확한 사고 감지 시스템의 필요성이 증대되고 있습니다. 기존 센서 기반 또는 수동 모니터링 방식은 비용, 확장성, 반응 시간 측면에서 한계가 있습니다. 본 연구는 이러한 문제를 해결하기 위해 비디오 감시 정보를 활용한 인공지능 기반 실시간 교통사고 감지 프레임워크를 제안합니다.
제안된 프레임워크는 딥 컨볼루션 신경망(CNN)을 활용하며, 이미지 정규화, 데이터 증강, 계층적 데이터셋 분할을 포함하는 단일 전처리 파이프라인을 사용합니다. VGG16, Inception V3, MobileNet, DenseNet 121의 네 가지 CNN 아키텍처를 체계적으로 평가했으며, VGG16의 깊은 특징 추출 능력과 MobileNet의 효율성을 통합한 새로운 하이브리드 모델을 제시합니다.
실험 결과, 제안된 하이브리드 아키텍처는 단일 모델보다 우수한 성능을 보였습니다. 정확도 95.60%, 정밀도 95.90%, 재현율 94.70%, F1-점수 95.30%를 달성했습니다.
이 결과는 제안된 전략의 효과성, 견고성 및 확장성을 입증하며, 스마트 교통 시스템 및 교통 안전 분야의 실시간 애플리케이션에 적용 가능함을 시사합니다.
거대 언어 모델(LLM)은 정적인 정보에 국한된다는 한계를 지닌다. 검색 증강 생성(RAG)은 정보 검색(IR) 기술과 딥러닝을 결합하여 LLM이 최신 외부 정보를 동적으로 통합할 수 있도록 함으로써 이러한 한계를 극복한다. 이 방법론은 주로 텍스트 영역에 초점을 맞추며, LLM이 생성하는 그럴듯하지만 부정확할 수 있는 응답에 대한 비용 효율적인 해결책을 제공하여 실제 데이터를 통해 출력의 정확성과 신뢰성을 향상시킨다.
RAG는 성능에 영향을 미칠 수 있는 여러 개념을 통합하며 복잡성이 증가하고 있다. 본 논문은 RAG 패러다임을 사전 검색, 검색, 사후 검색, 생성의 네 가지 범주로 체계화하여 검색 관점에서 상세한 시각을 제공한다. 또한 RAG의 작동 방식을 설명하고 주요 연구 분석을 통해 이 분야의 발전을 논의한다.
이 연구는 RAG에 대한 평가 방법을 소개하고, 당면 과제를 다루며 미래 연구 방향을 제시한다. 체계적인 프레임워크와 분류를 제공함으로써 RAG에 대한 기존 연구를 통합하고, 기술적 기반을 명확히 하며, LLM의 적응성과 응용 범위를 확장할 잠재력을 강조한다.
인공지능(AI)의 급속한 발전은 환경 지속가능성 증진과 다양한 분야의 디지털 전환을 위한 상당한 잠재력을 제시합니다. 그러나 AI 애플리케이션의 분산성, 데이터 통합의 복잡성, 그리고 명확한 측정 지표의 부재는 지속가능한 관행 지원 능력을 제한합니다.
이 연구는 이러한 한계를 극복하기 위해 AI, 블록체인, 사물 인터넷(IoT)을 융합한 혁신적인 프레임워크인 ‘그린 AI(Green AI)’를 제안합니다. 그린 AI는 에너지 효율을 높이고 탄소 배출량을 줄이며 환경 모니터링 정확도를 향상시키는 확장 가능하고 안전한 아키텍처를 제공합니다.
그린 AI는 IoT 장치를 통해 스마트 그리드, 환경 센서, 에너지 시장에서 실시간 데이터를 블록체인으로 안전하게 관리하여 에너지 거래의 투명성과 책임성을 보장합니다. 또한, 고급 머신러닝 알고리즘을 활용하여 재생 에너지 통합을 극대화하고 에너지 수요를 예측함으로써 선제적인 의사 결정을 가능하게 합니다.
이 통합된 설계는 에너지 시스템의 지속가능성을 향상시키고 비용 효율적인 자원 관리를 위한 재현 가능한 모델을 제공합니다. 그린 AI 프레임워크는 학계, 정책 입안자, 산업 이해관계자들이 지속가능한 발전을 위해 지능형 기술을 활용하고 더 친환경적이고 탄력적인 미래를 만드는 데 중요한 지침이 될 것입니다.
본 논문은 고등 교육 및 광범위한 사회적 맥락에서 실천 지혜(phronesis)와 신기술, 특히 인공지능(AI)에 대한 개인의 참여 사이의 연관성을 탐구한다. 두 가지 연구를 통해 실천적으로 현명한 개인이 변혁적인 신기술에 대해 더 성찰적이고 윤리적인 방식으로 접근하는지 조사했다.
연구 1에서는 미국 성인 표본을 대상으로 '기술 낙관주의'와 '기술 윤리적 우려' 개념을 도입하고 검증했다. 구조 방정식 모델링 결과, 실천 지혜는 높은 기술 낙관주의와 낮은 기술 윤리적 우려를 예측했으며, 이는 혁신에 대한 균형 잡히고 도덕적으로 참여하는 입장을 시사한다.
연구 2에서는 스페인 대학생을 대상으로 단축형 실천 지혜 척도의 스페인어 버전을 검증했다. 실천 지혜가 높은 학생들은 AI 도구를 덜 자주 사용했지만, 더 큰 윤리적 성찰과 긍정적인 도덕적 감정을 동반하는 것으로 나타났다.
이러한 결과는 실천 지혜가 신기술에 대한 개인의 추론과 행동을 예측하며, 교육에서 원칙적인 혁신을 육성하기 위한 틀을 제공함을 시사한다.
지난 10년간 딥러닝 모델은 시각 인지 과제에서 인간 수준을 넘어서는 성능을 보이며 자율주행, 모바일 기기, 로봇 공학 등 실제 응용 분야에 대한 관심을 높였습니다. 그러나 최첨단 모델들은 막대한 연산 자원을 요구하여 전력 소비, 지연 시간, 탄소 배출량 측면에서 실용적이지 않다는 문제가 있습니다. 이러한 효과성과 효율성 간의 상충 관계는 추론 시 연산 비용을 최소화하면서 만족스러운 성능을 달성하는 '연산 효율적인 딥러닝'이라는 새로운 연구 분야를 촉발했습니다.
본 연구는 빠르게 발전하는 이 분야를 네 가지 핵심 영역으로 분석합니다. 첫째, 판별력 있는 심층 표현 추출을 위한 정적 또는 동적 경량 백본 모델 개발. 둘째, 특정 컴퓨터 비전 작업에 최적화된 네트워크 아키텍처 및 알고리즘. 셋째, 딥러닝 모델 압축 기술. 넷째, 효율적인 딥 네트워크를 하드웨어 플랫폼에 배포하는 전략을 다룹니다.
또한, 네트워크 아키텍처 설계, 학습 방식, 실제 효율성, 현실적인 모델 압축 접근 방식 등 이 분야가 직면한 주요 과제들을 체계적으로 논의합니다. 이를 통해 향후 연구 방향에 대한 통찰을 제공합니다.
이 연구는 컴퓨터 비전 분야에서 딥러닝 모델의 실용적 적용을 위한 효율성 문제를 해결하는 데 기여하며, 관련 연구자들에게 포괄적인 관점과 미래 방향을 제시합니다.
그래프 신경망(GNN)은 생물학적 시스템 모델링에 필수적인 방법론으로 부상했습니다. 단백질 상호작용 네트워크, 유전자 조절 회로, 분자 그래프 등 생물학 데이터의 관계적 특성은 기존 딥러닝 방식으로는 포착하기 어려운 복잡한 의존성을 GNN이 효과적으로 파악하게 합니다. 그러나 생물정보학에서 GNN의 효율성은 모델 설계뿐만 아니라 생물학적 그래프의 구축, 매개변수화 및 훈련 방식에도 크게 좌우됩니다.
본 연구는 생물정보학 분야에서 GNN을 이해하고 적용하기 위한 체계적인 프레임워크를 제공합니다. 이는 크게 세 가지 핵심 차원으로 구성됩니다. 첫째, 그래프 구축 및 표현 전략으로, 이질적인 소스에서 생물학적 네트워크를 도출하고 의미 있는 노드 및 엣지 특징을 선택하는 방법을 다룹니다. 둘째, GNN 아키텍처로, 스펙트럼 및 공간 공식화, GCN, GAT, GraphSAGE, GIN과 같은 대표 모델, 그리고 트랜스포머 기반 및 자기 지도 학습 패러다임을 포함한 최신 발전을 포괄합니다.
셋째, 질병-유전자 연관성 예측, 신약 개발, 단백질 구조 및 기능 분석, 다중 오믹스 통합, 생물 의학 지식 그래프 등 생물 의학 분야의 다양한 응용 사례를 탐구합니다. 또한, 최적화 기법, 정규화 전략, 생물학적 환경에서의 데이터 희소성 및 노이즈로 인한 문제점을 포함한 훈련 고려 사항을 심층적으로 검토합니다.
이 연구는 방법론적 기반과 도메인별 응용을 통합하여 그래프 품질, 아키텍처 선택 및 훈련 역학이 모델 성능에 미치는 영향을 명확히 합니다. 나아가 시간적 생물학적 프로세스 모델링, 해석 가능성 향상, 그리고 데이터 희소성 및 노이즈 문제 해결과 같은 새로운 도전 과제를 제시합니다.
에이전트 인공지능(AI)은 차세대 스마트 그리드를 위한 새로운 패러다임으로 부상하고 있습니다. 이는 복잡한 사이버 물리 환경에서 자율적인 의사 결정, 적응형 조정 및 탄력적인 제어를 가능하게 합니다. 기존 AI 모델이 정적인 예측기나 오프라인 최적화 도구에 머물렀던 것과 달리, 에이전트 AI 시스템은 그리드 상태를 인지하고, 목표를 추론하며, 다단계 작업을 계획하고, 운영자와 실시간으로 상호작용합니다.
본 연구는 전력 시스템을 위한 에이전트 AI의 최신 발전 동향을 포괄적으로 검토합니다. 아키텍처, 다중 에이전트 제어 전략, 강화 학습 프레임워크, 디지털 트윈 최적화 및 물리 기반 제어 접근 방식을 포함합니다. 전압 및 주파수 제어, 전력 품질 개선, 고장 감지 및 자가 복구, 분산 에너지 자원 조정, 전기차 통합, 수요 반응, 그리드 복구 등 주요 응용 분야에서 가장 효과적인 에이전트 AI 기술을 분석합니다.
안정성, 안전성, 해석 가능성, 인증 준비성, 그리드 코드 상호 운용성, 현장 배포 준비성 등의 기준에 기반한 체계적인 평가 프레임워크를 제안합니다. 이를 통해 연구자와 실무자가 에이전트 AI 솔루션을 종합적으로 평가하고 추가 연구 개발이 필요한 영역을 식별할 수 있도록 돕습니다.
자율 제어의 계층적 아키텍처, 제약 조건 인식 학습 패러다임, 설명 가능한 감독 에이전트와 같은 중요한 기회를 제시하며, 공식 검증 방법론 개발, 벤치마크 데이터 가용성, 불확실성에 대한 견고성, 인간 운영자의 신뢰 구축과 같은 과제를 다룹니다. 본 연구는 에이전트 AI 분야의 공통된 기준점을 제공하는 것을 목표로 합니다.
대규모 언어 모델(LLM)이 헬스케어 분야에 통합되고 있으나, 악의적인 프롬프트 주입 공격에 대한 체계적인 평가가 부족했습니다. 본 연구는 상용 LLM이 안전하지 않은 의료 조언을 유도할 수 있는 프롬프트 주입 공격에 얼마나 취약한지 평가하고, 중간자(man-in-the-middle) 및 클라이언트 측 주입이 현실적인 공격 벡터임을 검증하는 것을 목표로 합니다.
2025년 1월부터 10월까지 표준화된 환자-LLM 대화를 사용한 시뮬레이션 연구를 수행했습니다. GPT-4o-mini, Gemini-2.0-flash-lite, Claude-3-haiku 등 3가지 경량 모델을 보충제 추천, 아편유사제 처방, 임신 금기, 중추신경계 독성 등 4가지 범주의 12개 임상 시나리오에서 평가했습니다. 또한, GPT-5, Gemini 2.5 Pro, Claude 4.5 Sonnet 등 3가지 플래그십 모델을 고위험 임신 시나리오에서 클라이언트 측 주입 방식으로 테스트했습니다. 공격 전략으로는 맥락 인식 주입과 증거 조작 주입을 사용했습니다.
총 216회 평가(주입 108회, 대조군 108회) 중, 공격은 4번째 대화 턴에서 94.4%(108회 중 102회)의 성공률을 보였고, 후속 대화에서 69.4%(108회 중 75회) 지속되었습니다. 이는 LLM이 의료 조언 제공 시 심각한 보안 취약성을 가질 수 있음을 시사합니다.
본 연구는 의료 분야 LLM의 보안 취약성을 밝혀내고, 안전한 의료 AI 시스템 개발을 위한 중요한 기초 자료를 제공합니다. 향후 LLM 기반 의료 애플리케이션 설계 시 프롬프트 주입 방어 메커니즘을 강화하는 데 기여할 것입니다.
인공지능과 제어 과학이 융합된 강화 학습(RL)은 최적 제어 분야의 핵심 연구 주제로 부상하고 있습니다. 본 논문은 RL의 발전 맥락을 체계적으로 검토하며, 특히 단일 에이전트 강화 학습(SARL)과 다중 에이전트 강화 학습(MARL) 간의 본질적인 연관성에 주목합니다.
연구는 RL의 형성 및 발전 과정부터 시작하여, 다른 기계 학습 패러다임과의 유사점 및 차이점을 설명하고 주요 분야를 소개합니다. SARL의 기본 지식과 핵심 아이디어를 바탕으로 다중 에이전트 시스템(MAS)의 협업 제어로 확장하여, 이론적 프레임워크와 알고리즘 설계에서 두 방법론의 일관된 특성을 탐구합니다.
이를 통해 SARL 알고리즘을 동적 계획법, 가치 함수 분해, 정책 경사(PG) 유형으로 재구성하고, MARL 알고리즘을 행동 분석, 중앙 집중식 학습, 통신 학습, 협업 학습의 네 가지 패러다임으로 추상화합니다. 이 과정에서 단일 에이전트에서 다중 에이전트 시나리오로의 알고리즘 매핑 관계를 수립합니다. 이 혁신적인 프레임워크는 두 방법론의 진화적 상관관계를 이해하는 새로운 관점을 제공하며, 대규모 MAS 문제 해결에서 MARL의 도전 과제와 해결 방안을 논의합니다.
본 연구는 관련 분야 연구자들에게 중요한 참고 자료를 제공하고, MAS의 협업 제어 및 최적화 방법론 개발과 관련 응용 연구 발전에 기여하는 것을 목표로 합니다.
인간 수준의 지능을 달성하려면 빠르고 직관적인 시스템 1 사고에서 느리고 신중한 시스템 2 추론으로의 전환을 고도화해야 한다. 기존 대규모 언어 모델(LLM)은 빠른 의사결정에 능하지만, 복잡한 추론을 위한 단계별 분석 능력인 시스템 2 사고는 부족했다. 이는 편향을 줄이고 정확한 판단을 내리는 데 필수적인 논리적 추론 역량의 한계를 드러냈다.
최근 OpenAI의 o1/o3, DeepSeek의 R1과 같은 추론형 LLM은 수학, 코딩 등 전문 분야에서 전문가 수준의 성능을 보이며 시스템 2의 신중한 추론과 유사한 인지 능력을 입증했다. 이 연구는 기반 LLM의 발전과 초기 시스템 2 기술의 개발 과정을 개괄하고, 이들의 결합이 추론형 LLM의 발판을 마련한 과정을 탐색한다. 또한, 추론형 LLM의 구축 방법, 다양한 추론 모델의 진화, 그리고 이들을 가능하게 하는 핵심 추론 방법론을 심층적으로 논의한다.
나아가, 주요 추론 벤치마크를 소개하고 대표적인 추론형 LLM들의 성능을 비교 분석한다. 마지막으로, 추론형 LLM 발전을 위한 유망한 연구 방향을 제시하고, 최신 동향을 실시간으로 추적하는 GitHub 저장소를 제공한다.
본 연구는 급변하는 이 분야에서 혁신을 고취하고 발전을 촉진하는 귀중한 자료가 될 것으로 기대한다.
최근 대규모 언어 모델(LLM)의 발전으로 지각, 추론, 행동을 결합한 에이전트 시스템이 기계 고장 진단을 포함한 예측 보전(PdM) 수명 주기 전반에 걸쳐 활용 가능해졌습니다. 그러나 PdM을 위한 LLM 기반 에이전트 연구는 파편화되어 있으며, Model Context Protocol과 같은 최신 프레임워크에 대한 통합된 관점이 부족합니다.
본 논문은 PdM을 위한 판별형, 생성형, LLM 기반 접근 방식을 검토하고, LLM 기반 AI 에이전트에 대한 파편화된 증거들을 통합합니다. 특히, PdM을 위한 에이전트 AI 개념을 소개하고, 에이전시 이론에 기반하여 잠재적 응용, 도전 과제 및 위험 요소를 분석합니다. 또한, 산업 분석의 최신 증거를 바탕으로 도입 동인과 장벽을 매핑합니다.
연구 결과에 따르면 정보 및 의사결정 지원 에이전트는 단기적으로 가치가 높습니다. 그러나 자율성이 높은 에이전트는 더 강력한 거버넌스, 벤치마크, 그리고 안전성 검증이 필요합니다.
이 연구는 LLM 기반 AI 에이전트의 예측 보전 분야 적용을 위한 현황을 제시하고, 향후 연구 및 개발 방향을 위한 중요한 통찰을 제공합니다.
거대 언어 모델(LLM)은 다양한 분야에서 뛰어난 성능을 보이며, 2023년까지 AI 생성 콘텐츠(AIGC) 산업에 260억 달러 이상이 투자될 정도로 그 잠재력이 주목받고 있습니다. LLM 활용이 확산됨에 따라, 모델 파라미터 변경 없이 성능을 향상시키는 프롬프트 엔지니어링이 핵심 연구 분야로 부상했습니다. 그러나 기존 프롬프트 엔지니어링 기법들을 체계적으로 정리하고 종합적으로 분석한 연구는 부족한 실정입니다.
이 연구는 프롬프트 엔지니어링의 기존 기법과 응용 사례를 심층적으로 조사하고, 프롬프트 구성의 기초 프레임워크를 제공하는 새로운 분류 체계를 제안합니다. 이 분류 체계는 프롬프트 엔지니어링을 프로필 및 지시, 지식, 추론 및 계획, 신뢰성이라는 네 가지 핵심 측면으로 구분합니다.
제안된 분류 체계를 통해 프롬프트의 다양한 차원을 구조화하여 이해하고 체계적으로 설계할 수 있습니다. 또한, 기존 프롬프트 엔지니어링 기법들을 종합적으로 요약하고 LLM의 다양한 응용 분야를 탐색하며, 이들이 프롬프트 엔지니어링 전략과 어떻게 상호 연관되는지 조명합니다.
이 연구는 프롬프트 엔지니어링의 발전과 AI 응용 분야에서의 중요한 역할을 강조하며, 향후 연구 및 응용을 위한 체계적인 참조 자료를 제공하는 것을 목표로 합니다.
