Caramel LabCaramel Lab

2026년 46주차 · 급상승 연구 주제

AI 기반 문제 해결 및 계획

컴퓨터 과학 · AI-based Problem Solving and Planning

▲168%

연 228 → 612편
분야 평균 대비 +142%p

왜 지금 뜨나

복잡하고 동적인 실제 환경에서 인공지능이 스스로 최적의 행동 계획을 수립하고 문제를 해결하는 능력은 자율 시스템, 로봇 공학 등 다양한 분야에서 핵심적인 역량으로 부상하고 있습니다.

출판량은 OpenAlex 전수 데이터를 최근 12개월과 직전 12개월로 나눠 비교한 값이에요. 분야 전체가 함께 커지는 착시를 빼기 위해 분야 중앙값 성장률을 차감한 초과 성장(+142%p)으로 순위를 매겼어요.

이 주제로 잡을 수 있는 연구 방향

학부·석사 수준에서 실제로 착수 가능한 스케일로 좁힌 방향이에요. 마음에 드는 걸 고르면 카라멜 조교가 이어서 구체화해 줘요.

이 주제 전체로 아이디에이션 시작

이 주제의 대표 논문

인용 속도와 최신성으로 고른 논문이에요. 한국어 요약을 먼저 보고, 원문은 8개 섹션 풀 분석으로 이어갈 수 있어요.

1

LLM 에이전트 도구 활용의 진화

The evolution of tool use in LLM agents: from single-tool call to multi-tool orchestration

대규모 언어 모델(LLM)은 모델 파라미터만으로는 해결할 수 없는 외부 정보 접근, 소프트웨어 시스템 호출, 디지털 환경에서의 행동을 위해 도구 활용이 필수적입니다. 초기 연구는 단일 도구 호출의 정확성 여부에 집중했으나, 에이전트 시스템이 발전함에 따라 중간 상태, 실행 피드백, 변화하는 환경, 안전성, 비용, 검증 가능성 같은 실용적 제약을 고려한 다중 도구 오케스트레이션으로 초점이 이동하고 있습니다. 본 연구는 다중 도구 LLM 에이전트의 최신 발전을 종합적으로 검토하고, 이 분야의 주요 연구 방향을 분석합니다. 단일 호출 …

2

ConceptBot: LLM 로봇 계획을 위한 상식 기반 작업 분해

ConceptBot: Knowledge-graph-grounded commonsense for task decomposition in LLM robot planning

로봇 계획은 언어적 모호성 해소 및 객체 해석에 상식 추론이 요구될 때 어려움을 겪습니다. 본 연구는 이러한 문제를 해결하기 위해 대규모 언어 모델(LLM)과 지식 그래프를 통합하는 모듈형 계획 프레임워크인 ConceptBot을 제안합니다. ConceptBot은 지시의 모호성을 해소하고, 객체 의미를 접지하며, 위험 인식 작업 수준 계획을 지원합니다. ConceptBot은 세 가지 핵심 구성 요소로 이루어집니다. 첫째, 객체 속성 추출(OPE) 모듈은 ConceptNet의 의미 개념을 활용하여 장면 이해를 증강합니다. 둘째, 사용…

3

LLM과 실제 탐색: 상호보완적 역할 재고찰

How Far Are LLMs from Real Search: Rethinking the Complementary Roles of Search and Learning

문제 해결의 핵심인 탐색(Search)과 대규모 언어 모델(LLM)의 상호보완적 관계를 세 가지 관점에서 체계적으로 탐구합니다. 첫째, 학습이 탐색 효율성을 어떻게 향상시키는지 분석하고, LLM을 활용한 효과적이고 효율적인 탐색 프레임워크인 SeaL(Search via Learning)을 제안합니다. 둘째, 탐색의 엄격한 완전성을 보장하기 위해 SeaL을 SeaL-C로 확장합니다. 세 가지 실제 계획(planning) 작업에 대한 평가 결과, SeaL은 기존 방식 대비 탐색 공간을 최대 99.1%까지 줄이면서 거의 완벽한 정확도를…

이번 주 트렌드 전체 보기