읽을 가치가 있는 기사만, 짧고 또렷하게.

StreetComplete 애플리케이션의 iOS 포트 개발이 현재 공개 베타 단계에 진입했습니다. 이 프로젝트는 코드가 100% Kotlin으로 작성되어 있으며, Kotlin Multiplatform을 활용하여 플랫폼 간 코드 공유를 목표로 합니다.

개발팀은 플랫폼 종속적인 코드를 최소화하기 위해 Kotlin Multiplatform을 사용하여 UI 코드 공유를 추진하고 있습니다. 특히 UI 코드는 Jetpack Compose를 기반으로 하며, 이를 Compose Multiplatform으로 확장하여 Android와 iOS 간의 코드 중복을 줄이는 방식으로 마이그레이션을 진행하고 있습니다.

현재 프로젝트는 플랫폼별 코드를 분리하고 UI 코드를 Compose Multiplatform으로 점진적으로 이전하는 단계에 있으며, 마이그레이션은 약 50% 완료되었습니다. 전체 포트를 완성하기 위해서는 커뮤니티의 기여가 필수적이며, 개발자들은 프로젝트 보드에서 참여할 수 있는 작업이나 관련 기술에 대한 기여를 통해 개발에 동참할 수 있습니다.

유럽의 주요 결제 그룹들이 비자(Visa)와 마스터카드(Mastercard)에 대한 의존도를 줄이고 결제 주권을 확보하기 위해 연합하여 새로운 국경 간 결제 네트워크를 구축하기로 합쳤습니다. 이들은 마드리드를 기반으로 하는 유럽 결제망(European Network for Payments, ENP)이라는 합작 회사를 설립하여 국가별 결제 시스템을 연결하는 것을 목표로 합니다.

이 새로운 네트워크는 스페인의 비주움(Bizum), 이탈리아의 반코마트(Bancomat), 브뤼셀의 웨로(Wero)를 포함하여 스코틀랜드의 지파이(Zippay) 등 유럽 13개국과 노르웨이에서 약 1억 3천만 명의 사용자에게 서비스를 제공하는 기존 결제 시스템들을 통합합니다. 이들은 유럽 표준과 즉각적인 계좌 간 결제를 기반으로 공통의 기술적 및 운영 계층을 구축하여 기존 시스템을 대체하기보다는 연결하는 데 중점을 두고 있습니다.

유럽 정책 입안자들은 글로벌 질서의 파편화로 인해 핵심 결제 시스템 접근성에 대한 우려가 커지면서 결제 주권을 우선시하고 있습니다. 이 네트워크는 유럽 중앙은행(ECB)이 2029년까지 디지털 유로를 계획하고 있는 프로젝트를 보완하는 역할을 할 것으로 기대됩니다.

향후 이 네트워크는 개인 간 결제부터 전자상거래 및 판매 시점 결제에 이르기까지 단계적으로 확장될 예정입니다. 다만, 이 프로젝트가 실질적인 EU 결제 주권으로 이어질지는 유럽의 결제 규제 발전 방향, 상인들의 수용 여부, 그리고 EU 회원국의 정치적 지지에 달려 있다는 점을 고려해야 합니다.

Three Slicer 0.3.3의 성능 최적화 과정을 정리한 내용입니다. 개발 과정에서 발견된 병목 현상을 해결하여 슬라이싱 시간을 획기적으로 단축하는 데 성공했습니다.

주요 개선 사항은 OrcaSlicer 포팅 과정에서 누락되었던 CPU 병렬성을 복구한 것입니다. 이를 통해 1.13M facet tree-support plate 전체 슬라이스에 소요되던 시간이 기존 91.1초에서 9.7~9.8초로 크게 줄어들었습니다.

이러한 최적화는 브라우저 환경에서 WASM 슬라이서를 구동할 때 발생하는 V8 및 WebGPU 병목 현상을 해결하는 데 기여했습니다. 이는 복잡한 3D 데이터 처리 시 병렬화가 성능에 미치는 영향을 구체적으로 보여주는 사례입니다.

OpenAI와 Synopsys는 칩 설계를 혁신할 GPT-Synopsys라는 전문 모델 개발을 위해 전략적 파트너십을 체결했습니다. 이 협력은 OpenAI의 최첨단 AI 능력과 Synopsys의 검증된 전자 설계 자동화(EDA) 도구 및 칩 설계 전문 지식을 결합하여 반도체 설계 프로세스를 근본적으로 변화시키는 것을 목표로 합니다.

GPT-Synopsys는 에이전트형 AI 기술을 활용하여 일반 목적 모델을 EDA 도구에 연결함으로써 칩 설계 워크플로우를 수행할 수 있게 합니다. 이를 통해 AI 모델이 설계 도구를 전문가처럼 사용하여 설계 결과를 해석하고 성능, 전력, 면적(PPA)을 반복적으로 최적화할 수 있게 되어 더 복잡한 칩을 신속하게 시장에 출시할 수 있습니다.

이러한 통합은 반도체 공학이 PPA나 첫 시도 성공률을 희생하지 않으면서 칩 설계 프로세스를 극적으로 가속화해야 한다는 목표를 반영합니다. 또한, 고객의 설계 데이터는 모델 학습에 사용되지 않으며 암호화되어 보호되고 접근 통제가 가능하여 엔지니어들이 안전하게 혁신을 진행할 수 있습니다.

화웨이가 최신 플래그십 모델인 Mate 90 Pro Max용 추가 카메라 렌즈를 출시하며 모바일 카메라 기술에 새로운 변화를 가져왔습니다. 이 렌즈는 단순히 줌 기능을 확장하는 것을 넘어, 자체 이미지 센서를 포함하고 있어 기존 스마트폰 자체 센서보다 훨씬 큰 크기의 렌즈를 장착할 수 있게 했습니다.

이 추가 렌즈에 사용된 루이잉 Z10 카메라는 1인치형 50메가픽셀 RYYB 센서를 탑재하고 있는데, 이는 스마트폰 내부에 있는 센서보다도 더 큰 크기입니다. 따라서 사용자는 단순히 줌 성능을 개선하는 것을 넘어 카메라 시스템 전체를 완전히 재정비하는 경험을 하게 됩니다.

최근 몇 년간 중국 안드로이드 제조사들은 비보의 사례를 따라 플래그십 폰에 추가적인 '텔레컨버터' 렌즈를 출시하여 자체 기기가 따라잡기 어려운 장거리 사진 촬영 기능을 제공해 왔습니다. 화웨이의 이번 움직임은 이러한 추세를 뛰어넘어 하드웨어 확장과 센서 통합을 통해 카메라 기능을 근본적으로 혁신하고 있음을 보여줍니다.

독일의 e-바이크 제조사인 렘모(Lemmo)가 최초로 카고 바이크인 렘모 3를 출시했으며, 이 모델은 최초로 반고체 전지(semi-solid state battery)를 탑재했다는 점이 주목받고 있습니다. 렘모 3는 리비안(Rivian)의 Also TM-B 모델을 기반으로 한 스텝스루(step-through) 롱테일 디자인을 채택하여 카고 바이크 시장에서 새로운 기준을 제시합니다.

이 모델의 가장 큰 장점은 반고체 전지를 사용했다는 점인데, 이는 기존의 리튬 이온 배터리보다 훨씬 안전합니다. 반고체 전지는 젤과 같은 구성을 가지고 있어 에너지 밀도가 향상되고 열 폭주(thermal runaway)의 위험이 크게 줄어듭니다. 이는 배터리 크기를 더 작게 만들면서도 더 긴 주행 거리와 수명을 확보할 수 있게 해줍니다.

따라서 반고체 전지는 집이나 사업장에서 밤새 충전할 때 화재 위험이 적어 안전성이 크게 향상됩니다. 이 기술은 더 컴팩트한 배터리에서 더 나은 성능을 얻고자 하는 개발자들에게 에너지 밀도와 안전성 측면에서 중요한 기술적 진보를 의미합니다.

투자자 케빈 올리어리는 5월 11일 폭스 비즈니스에서 중국 요원들의 공격을 받고 있다고 밝히며 자신의 프로젝트인 원더 밸리(Wonder Valley)에 대한 논란을 촉발시켰습니다. 이 프로젝트는 유타주 박셀더 카운티에 위치한 세계 최대 규모의 데이터 센터로, 4만 에이커에 걸쳐 9기가와트의 전력을 생산할 계획이었습니다.

올리어리는 데이터 센터 건설이 국가 안보와 AI 개발에 필수적이며, 이 모든 것을 방해하려는 적은 중국뿐이라고 주장하며 대중의 관심을 촉구했습니다. 그러나 이후 그는 특정 단체들이 중국이나 중국 공산당으로부터 자금을 지원받았다는 증거가 없음을 명확히 밝히면서 논조를 바꾸었고, 이로 인해 올리어리와 폭스 뉴스 미디어는 해당 주장에 대해 명예훼손 소송을 당했습니다.

이러한 논란은 프로젝트의 진행에 직접적인 영향을 미쳤는데, 데이터 센터를 만장일치로 승인했던 카운티 위원들은 프로젝트가 중단되었다는 통보를 받았습니다. 현재 해당 프로젝트는 법적 소송과 주민 투표 문제로 인해 중단 상태이며, 유타주 환경부(MIDA)는 추가적인 작업을 중단하고 있습니다.

결과적으로 이 프로젝트는 향후 정치적 환경과 규제에 직면하게 되며, 특히 소음과 열에 대한 규제가 강화될 가능성이 있습니다. 이는 AI 기업들이 데이터 센터 입지에 대해 공공 이미지 문제를 인식하게 만들고, 개발자들에게는 향후 규제와 정치적 반대에 따른 사업 불확실성을 고려해야 함을 시사합니다.

맥 스튜디오(M5 Ultra)는 현존하는 최첨단 인공지능 언어 모델을 로컬 환경에서 구동할 수 있는 능력을 갖추고 있습니다. 이는 대규모 AI 모델을 클라우드 서버에 의존하지 않고 사용자 기기 내에서 직접 실행할 수 있게 함으로써 AI 활용의 새로운 패러다임을 제시합니다.

이러한 기능은 개발자와 사용자에게 로컬에서 고성능 AI 작업을 수행할 수 있는 잠재력을 제공하며, 데이터 프라이버시를 유지하면서 복잡한 AI 연산을 처리할 수 있게 합니다. 특히, 프론티어급 AI 모델을 기기 내에서 구동하는 것은 향후 온디바이스 AI 기술 발전의 중요한 이정표가 될 것입니다.

다만, 현재 이 기능은 아직 초기 미리보기 단계에 있으며, 실제 사용 환경에서의 성능과 안정성은 추가적인 검증이 필요합니다. 따라서 이 기술이 향후 어떻게 발전하고 어떤 제약 조건이 따를지에 대한 지속적인 관찰이 요구됩니다.

PostgreSQL의 JSONB 데이터를 실제로 다룰 때 필요한 핵심 과정들을 지원 티켓 예제를 통해 정리했습니다. 이 글은 JSONB 데이터를 조회하고 수정하며 인덱싱하는 데 필요한 실질적인 방법을 다룹니다.

주요 내용은 중첩된 값을 조회하는 연산자인 `->`와 `->>`의 차이점, `@>` 연산자를 이용한 포함 검색 방법, 그리고 `jsonb_set()` 함수를 사용하여 문서 전체를 교체하지 않고 특정 값만 수정하는 방법을 설명합니다. 이러한 기능들은 복잡한 JSONB 데이터 구조를 효율적으로 관리하는 데 필수적입니다.

또한, 40,004개의 레코드를 예시로 GIN 인덱스를 설정하는 방법도 다루고 있습니다. 이는 JSONB 데이터에 대한 검색 성능을 최적화하는 데 중요한 맥락을 제공합니다.

Gacha Decoding은 모델의 능력에 비례하여 다양한 언어 모델 생성을 유도하는 추론 시간 기반 방법론을 소개합니다. 이 방법은 대화, 창의적 글쓰기, 이미지 생성 계획, 단백질 설계와 같은 개방형 도메인에서 기존의 생성 다양성 접근 방식보다 품질이 동등할 때 2.4배(다음 최선의 이전 접근 방식 대비 Vendi 기준) 더 우수한 성능을 보였습니다. 또한, Gacha Decoding은 다른 접근 방식이 발견하지 못한 새로운 모드를 찾아내며, 동일한 수의 고품질 모드를 훨씬 적은 샘플(11.0배)로 달성할 수 있습니다.

이 연구의 핵심 통찰은 다양성을 명령어 준수 문제로 취급하는 것입니다. 모델의 토큰 엔트로피에 의존하는 대신, 외부 난수 생성기(RNG)의 무작위성을 모델의 명령어 준수 능력과 결합하여 응답 공간의 뚜렷한 모드를 확장하고 실현합니다. 이러한 "주사위로 계획하기" 접근 방식은 다양성과 모델 능력 사이의 오랜 긴장을 역전시킵니다.

연구 결과는 기반 모델(LM)이 명령어 준수 능력이 향상될수록 Gacha Decoding을 통한 다양성이 일관되게 개선됨을 보여줍니다. 이는 기존 접근 방식에서 토큰 엔트로피와 다양성이 감소함에도 불구하고 달성됩니다. 따라서 생성 다양성은 단순히 토큰 엔트로피에 의해 결정되는 것이 아니라 명령어 준수 능력이 다양성을 이끌 수 있음을 강조합니다.

트럭에미트릭스(truemetrics)가 GTM(Go-to-Market) 창업자 어소시에이트를 채용하며 성장을 모색하고 있습니다. 이 회사는 배송 과정에서 발생하는 마지막 1미터 배송의 비효율성을 해결하기 위해 배송 기사의 스마트폰 센서 데이터를 분석하여 주차 및 출입 위치를 파악하는 기술을 제공합니다. 이 기술은 독일, Qatar, 영국 등 여러 국가에서 운영되며 GLS, DPD, PostNord와 같은 기업에 솔루션을 판매하며 이미 150만 유로 이상의 연간 반복 매출(ARR)을 달성한 상태입니다.

이 포지션은 기술과 비즈니스 성장의 교차점에서 작동하며, 제품을 실제로 시장에 내놓고 성장시키는 엔진을 운영하는 데 중점을 둡니다. 채용자는 영업 파이프라인 구축과 더불어 새로운 시장이나 제품 각도를 탐색하는 실험적인 업무를 병행하게 되며, 이는 기술적 해결책이 실제 상업적 가치로 전환되는 과정을 직접 경험할 수 있다는 의미입니다.

회사의 공동 창업자들은 엔지니어링과 경영 경험을 바탕으로 기술과 고객 경험을 결합하여 이 문제를 해결했습니다. 특히 CTO인 Jan Bischof는 제어 이론 박사 학위를 소지하고 있으며, CEO인 Ingo Boegemann은 엔지니어링 및 엑시트 경험을 보유하고 있습니다.

이 역할은 단순히 기존의 프로세스를 실행하는 것을 넘어, 질문을 던지고 개선을 제안하며 불확실성 속에서 주도적으로 결과를 만들어내는 문제 해결 능력을 요구합니다. 지원자는 베를린에 기반하여 연봉 5만~6만 유로를 받으며, 빠른 속도로 변화하는 환경에서 주도적인 오너십을 발휘할 준비가 되어 있어야 합니다.

펩타이드 서열은 수소결합으로 형성되는 구조와 그 구조가 나타나는 동역학을 모두 결정하지만, 이를 예측하려면 많은 상호작용 분자 사이의 느린 집단 과정들을 해결해야 합니다. 분자 동역학(MD)은 이러한 과정에 대한 미시적 통찰을 제공하지만, 조립에 필요한 긴 시간 척도와 방대한 펩타이드 서열 공간 때문에 체계적인 탐색이 계산적으로 매우 어렵습니다.

이에 연구진은 펩타이드 자가 조립을 통해 수소결합 시스템을 위한 전이 가능한 생성적 분자 동역학(GenMD) 프레임워크인 SupraTITO를 제안합니다. SupraTITO는 펩타이드 서열, 분자 위상, 주기적 기하학에 조건화된 전이 가능한 암시적 전달 연산자(TITO)를 학습하여, MD 적분 단계보다 훨씬 긴 물리적 간격에 걸쳐 구조를 전파할 수 있게 합니다.

이 방법은 포괄적인 이펩타이드 벤치마크에서 홀드아웃 서열에도 일반화되어 서열 의존적인 구조와 동역학을 재현하며 분자 무결성을 장시간 유지합니다. 또한, 동일한 궤적 데이터로 훈련된 직접적인 앙상블 예측과 비교했을 때, SupraTITO는 조립 구조를 더 정확하게 재현하면서 시간적 진화를 해결합니다.

학습된 동역학은 펩타이드 농도에 관계없이 희석된 조건까지 포함하여 일반화되며, 주기적인 수소결합 시스템 내의 집단 동역학에 전이 가능한 GenMD를 확장할 수 있는 기반을 제공합니다. 이는 펩타이드 조립을 넘어 관련 과정 모델링에 중요한 토대를 마련합니다.

모델의 행동을 합성 학습 데이터에 귀속시키려면 해당 데이터 항목이 어떤 것을 생성했는지 추정하기 전에 무엇이 그것을 생성했는지 알아야 합니다. 기존의 웨이브폼-레이블 쌍은 이러한 정보를 보존하지 못하기 때문에, 연구진은 생성 출처, 생성된 콘텐츠, 웨이브폼, 목표, 사실 요구사항, 품질 신호, 검토 계보, 그리고 불변의 마니페스트 정체성을 묶는 생성 출처(generation-provenance) 기판을 제안합니다.

이 기판에서는 생성 출처와 선택 메커니즘이 증거의 의미를 결정하며, 저장 위치나 변수 이름은 의미를 결정하지 않는다고 주장합니다. 연구진은 이 기판을 사적인 일본의 케어 핸드오프 파이프라인에서 감사했으며, 113개의 자산으로 구성된 검토 집단은 여섯 가지 시나리오 가족에 걸쳐 1.552시간 분량의 합성 음성을 포함합니다.

이러한 감사 과정에서 모든 항목은 오디오, 전사본, 후보 노트, 사실 체크리스트가 연결되어 있지만, 인간의 증거는 선택적이고 출처에 따라 달라집니다. 정확한 상위 귀속은 플로팅 생성기 별칭, 누락된 TTS 및 코드 스탬프, 그리고 버전이 없는 확인 프롬프트로 인해 여전히 차단되어 있습니다.

연구진은 생성 출처가 행동 귀속에 필요하지만 충분하지는 않다고 주장하며, 이는 후보 인과 그래프와 감사 단위를 정의하지만, 기여적 귀속을 위해서는 고정된 훈련 실행과 개입 또는 영향 증거가 필요하다고 설명합니다. 이 논문은 합성 데이터 귀속을 위한 간결한 출처 계약, 감사 프로토콜, 그리고 제한된 사례 연구를 기여합니다.

본 연구는 반사실적 공정성 제약 조건이 있는 인과 로지스틱 밴딧(causal logistic bandits)을 다룹니다. 학습자는 사실적인 보상만을 관찰하지만, 인과 구조는 알려진 사실적 및 반사실적 특징 맵을 통해 주어지므로 반사실적 실현 가능성을 결정하는 방향은 사용 가능한 피드백으로부터 식별되지 않을 수 있습니다.

연구진은 특정 보상과 반사실적 효과를 사실적 피드백으로부터 추정하는 어려움을 측정하는 목표별 정보 규모 $V_\star$를 정의합니다. 이 $V_\star$를 사용하여 최악의 경우를 만족하는 분포를 구성하고 탐색 후 활용(explore-then-exploit) 절차와 적응형 알고리즘을 제시했습니다.

이러한 접근 방식을 통해 제안된 알고리즘은 최대 보상(regret)과 누적 단계별 위반(violations)의 최대값 $\max\{R_T,V_T\}$를 $\widetilde{O}\left(\left[V_\star\min\{\log K,d\}\right]^{1/3}T^{2/3}+κd/\sigma_0^2\right)$로 달성합니다. 이는 상한 및 하한 경계가 $T$, $V_\star$, $\min\{\log K,d\}$에 대한 주요 의존성에서 로그 인자까지 일치함을 의미하며, 이론적 하한과 상한이 일치함을 입증합니다.

사용자의 영화, 뉴스, 대화 기록은 각기 다른 행동과 결과물을 포함하지만, 이 모든 상호작용은 사용자 기억을 업데이트할 수 있는 증거를 제공합니다. 본 연구는 이러한 기록들이 하나의 재사용 가능한 업데이트 메커니즘을 훈련할 수 있는지 탐구합니다. 이를 위해 콘텐츠 임베딩과 상호작용 역할을 연결하는 액션-온-아이템 스키마를 제안하여, 별개의 사용자 상태에 공유된 업데이트 매개변수가 작동하도록 합니다.

연구진은 다중 시간 규모 상태 가설(MTSH)을 통해 이러한 증거가 어떻게 유입되고, 지속되며, 소비되는지를 명시합니다. PerTIDE는 이 가설을 행동 게이팅, 세 가지 상태 공간 추적, 융합, 명령 조건부 판독을 사용하여 구현합니다. 이 접근 방식은 PENS에서 동일한 기록 인코더가 다음 뉴스 예측과 개인화된 헤드라인 생성 모두를 지원할 수 있게 합니다.

실제 실험 결과, PENS-to-MovieLens 실험에서는 동일한 목표 소비자를 맞추었을 때, 고정된 소스 훈련 코어가 동일한 구조의 무작위 코어보다 15.23 MRR 포인트의 우위를 보였습니다. 또한 MIND 실험에서는 PerTIDE가 동일한 입력 대비 세 갈래 상태 공간 제어 방식보다 4.12 포인트의 MRR 이점을 유지했습니다.

이러한 결과들은 행동, 판독, 추적 개입이 이러한 성능 향상에 기여하는 상호 보완적인 부분을 식별해 줍니다. 궁극적으로 이 이론과 실험들은 호환 가능한 소스 전반에 걸쳐 기록 업데이트를 학습하고, 예측적 및 생성적 소비자들을 통해 이를 재사용하는 것을 뒷받침합니다.

세계 모델은 에이전트가 목표 상태에 가장 가까워지도록 행동 순서를 선택하여 잠재 공간에서 계획을 세울 수 있게 합니다. 따라서 계획은 환경 내의 통행 시간(commute-time)과 유사한 거리를 갖는 잠재 표현으로부터 이점을 얻을 수 있습니다. 이러한 표현은 그래프 라플라시안의 스펙트럼 임베딩 공간에서 나타나며, 특정 고유값 의존적 스케일링을 만족할 때 가능합니다.

하지만 대규모 연속 환경에서 그래프 라플라시안을 구현하는 것은 현실적으로 불가능합니다. 자기 지도 학습은 이러한 통행 시간 보존 임베딩을 대규모로 얻을 수 있는 자연스러운 경로를 제공합니다. 그러나 기존 방법들은 표현 붕괴를 방지하기 위해 등방성 표현을 장려하는 경향이 있어, 통행 시간의 정확한 고유값 의존적 스케일링을 저하시켜 부정확한 표현을 초래합니다.

이 문제를 해결하기 위해 연구진은 통행 시간 보존 세계 모델(Commute-Time-Preserving World Models, CTWMs)을 제안합니다. CTWM은 잠재 변위 예측기와 붕괴를 방지하는 로그-결정항 정규화기를 결합하여, 가역적 결정론적 동역학 하에서 라플라시안 표현을 보존할 수 있음을 증명합니다.

수치 시뮬레이션 결과, CTWM은 작업에 구애받지 않는 기준 모델인 LeWM보다 여러 복잡하고 연속적인 목표 도달 벤치마크에서 더 우수한 성능을 보였습니다. 또한 CTWM은 파라미터 수를 절반으로 줄이면서도 이 성능을 달성했습니다.

비선형 동역학 시스템을 이해하기 위해서는 궤적을 재현하는 것뿐만 아니라 본질적인 동역학 구조를 보존하는 단순한 표현을 식별하는 것이 필요합니다. 이 연구는 거의 선형 순환 신경망(AL-RNN)을 사용하여 비선형 시스템의 최소 표현을 찾는 방법을 제안합니다. AL-RNN은 ReLU 비선형성을 사용하는 유닛의 수에 따라 비선형 용량을 명시적으로 제어할 수 있으며, 활성화 패턴을 통해 선형 영역을 기호로 정의합니다.

하지만 적은 수의 ReLU 유닛으로 최소한의 동역학 표현을 실현하도록 AL-RNN을 직접 훈련하는 것은 신뢰하기 어렵습니다. 연구진은 더 많은 ReLU 유닛을 가진 AL-RNN을 먼저 훈련한 다음, 이를 체계적으로 최소 동역학 표현으로 축소하는 고정점 기반 계층적 축소 절차를 도입했습니다. 이 방법은 선택된 ReLU 유닛을 점진적으로 선형화하고, 고정점(FPs)을 포함하는 기호들을 보존하면서 인접한 선형 영역과 그래프 노드를 병합합니다.

이 접근 방식은 최소 표현의 기호 수준 최소성을 증명하며, $Q$개의 고정점을 재현하려면 최소 $Q$개의 고정점 포함 기호가 필요함을 보입니다. 3-스크롤 Chua 시스템에 적용한 결과, 이론적인 최소치인 세 개의 ReLU 유닛으로 직접 훈련했을 때 고충실한 최소 실현은 단 20%의 시드에서만 달성되었습니다. 반면, 제안된 학습-축소-재훈련 전략은 동일한 최종 비선형 용량에서 시드-매크로 성공률을 약 71%까지 높였습니다. 이는 과도한 비선형 용량이 최소 동역학 표현을 발견하고 실현하는 데 밑거름이 될 수 있음을 보여줍니다.

제품 맞춤화와 소량 생산 추세로 인해 유연하고 재구성 가능한 자동화 시스템은 잦은 재프로그래밍을 요구하고 있습니다. 이러한 환경에서 LLM 기반 에이전트는 오프라인에서 생산 순서를 결정하여 프로그래밍 노력을 줄이고, 온라인에서는 정적인 프로그램이 예측할 수 없는 예기치 못한 런타임 오류를 처리하는 두 가지 보완적인 역할을 수행할 수 있습니다.

연구진은 각 공장 모듈에 전용 LLM 기반 에이전트와 모듈의 기술을 OPC UA 메서드 호출을 통해 노출하는 MCP 툴 서버를 결합하는 솔루션을 제안했습니다. 이 에이전트들은 MQTT를 통해 협력하고 공장 상태의 실시간 업데이트에 기반하여 작동함으로써 스마트 제조 환경을 구축합니다.

연구팀은 물리적 육각형 공장 시뮬레이션에서 무중단 하드웨어 결함 감지까지 포함하는 아홉 가지 생산 과제를 통해 세 가지 에이전트 아키텍처(오케스트레이터, 피어투피어, 모놀리식)를 비교했습니다. 모놀리식 및 피어투피어 아키텍처는 평균 해결률 93%를 달성했지만, 오케스트레이터 아키텍처는 차단된 구간을 우회하여 플레이트를 자율적으로 재배치함으로써 모든 실행에서 무중단 컨베이어 벨트 결함을 해결하는 독특한 능력을 보였습니다.

결과적으로 모든 아키텍처는 명시적인 실패 처리 로직 없이도 나타나는 결함 진단 행동을 보였으며, 표준화된 MCP 툴링, MQTT 기반 에이전트 간 통신, 실시간 상태 주입이 LLM 프로그래밍 스마트 제조를 위한 실행 가능하고 재현 가능한 기반이 될 수 있음을 입증했습니다.

다층 네트워크는 시간적 관찰이나 다양한 설정 간의 상호작용처럼 동일한 개체 간의 상호작용을 여러 맥락에서 모델링할 수 있게 합니다. 다층 네트워크에서의 커뮤니티 탐지는 각 레이어에 따라 달라질 수 있는 연결 패턴을 보이는 노드 그룹을 식별하는 것을 목표로 합니다.

본 연구는 다층 네트워크의 커뮤니티 탐지를 위해 비음의 대칭 행렬 삼중요인 분해를 기반으로 하는 방법을 제안합니다. 이 접근 방식은 각 그래프를 비음의 대칭 행렬 삼중요인 분해로 근사하며, 커뮤니티가 레이어 전반에 걸쳐 분리되고 공유되도록 제약 조건을 부과합니다. 동시에 각 레이어가 자체적인 연결 패턴과 노드 차수를 가질 수 있도록 허용하여 레이어 간의 국소적 및 전역적 구조적 변화를 모두 포착할 수 있게 합니다.

연구진은 이러한 유연성을 활용하여 효율적인 알고리즘도 개발했습니다. 이 방법은 다층 차수 보정 확률 블록 모델(MDCBM)을 사용하여 현실적인 다층 그래프를 생성하는 유연한 프레임워크로 평가되었습니다. 실험 결과, 제안된 방법은 다양한 환경에서 커뮤니티를 안정적으로 탐지하며, 기존의 최첨단 접근 방식이 가지는 제한적인 구조적 가정의 한계를 극복합니다.

단일 입자 cryo-EM은 생체 분자 구조 결정에 널리 사용되고 있지만, 기존의 계산 파이프라인은 높은 샘플 복잡성으로 인해 비용이 많이 들고 처리량이 낮다는 한계가 있습니다. 특히 이질적인 샘플의 경우 밀도 재구성 과정이 복잡하며, 재구성된 맵의 해상도가 저하됨에 따라 후속적인 원자 모델 구축이 더욱 어려워집니다. 단백질 구조 예측 모델에서 얻는 시퀀스 기반 사전 정보(priors)를 활용하는 실험 기반 접근법이 있지만, cryo-EM에서는 이러한 사전 정보가 밀도 재구성 이후 원자 모델 적합 과정에서만 통합되는 경우가 많았습니다.

본 논문은 이러한 한계를 극복하기 위해 Fold'EM이라는 추론 시간 프레임워크를 제안합니다. Fold'EM은 단일 입자 cryo-EM 이미지와 단백질 생성 모델에서 얻은 사전 정보를 직접 결합하여 적은 수의 단일 입자 이미지로부터 원자 모델을 결정합니다. 이는 중간 단계인 밀도 재구성 및 재구성된 맵에 대한 후속 모델 구축 과정을 우회합니다.

Fold'EM은 합성 및 실험 cryo-EM 데이터셋 전반에서 알려진 입자 방향과 구조가 함께 추론되는 ab-initio 설정 모두에서 정확한 원자 구조를 복원합니다. 또한, 이질적인 데이터셋에서는 각 상태에 대해 별도로 밀도 맵을 재구성하고 원자 모델을 구축하지 않고도 혼합 입자 집단에서 뚜렷한 구조적 상태를 분리해 낼 수 있습니다. 이는 낮은 샘플 영역에서의 구조 결정과 낮은 개체 수의 구조적 상태를 cryo-EM 입자로부터 직접 특성화하는 새로운 길을 열어줍니다.