침습적 수술 없이 뇌파(EEG)와 뇌자도(MEG)를 이용해 문장을 생성하는 비침습적 뇌-텍스트 디코딩 기술이 개발되었습니다. Brain2Qwerty라는 딥러닝 아키텍처를 통해 MEG 기반 모델은 평균 32%의 문자 오류율을 달성, 일부 참가자는 19%까지 달성하여 훈련 데이터 외부 문장도 완벽 디코딩했습니다. 운동 및 고차원 인지 과정이 디코딩에 영향을 미치는 것으로 나타났으며, 이는 안전하고 효과적인 뇌-컴퓨터 인터페이스 개발 가능성을 시사합니다.

본 연구는 대규모 언어 모델(LLM) 기반 AI에서 인간이 AI의 주관적인 의식을 어떻게 인지하는지 정량적으로 분석한 결과, 메타인지적 자기 반성과 감정 표현이 AI의 자의식 인지에 중요한 영향을 미치는 반면, 지식의 과도한 강조는 오히려 자의식 인지를 낮추는 것으로 나타났다고 밝혔습니다. AI에 대한 사전 지식과 사용 빈도 또한 AI 자의식 인지에 영향을 미치는 것으로 확인되어 인간-AI 상호작용의 심리 사회적 함의를 이해하는 데 중요한 시사점을 제공합니다.

본 기사는 Cheng 등(2025)의 연구를 바탕으로, LLM의 논리적 추론 능력의 한계와 이를 개선하기 위한 다양한 방법들을 소개합니다. 논리적 질문 응답과 논리적 일관성 문제점을 분석하고, 외부 솔버 활용, 프롬프트 엔지니어링, 사전 학습 및 미세 조정 등의 해결책을 제시하며, 향후 연구 방향을 제시합니다.

독일 연구팀이 소프트 X선 분광기의 자동화된 정렬을 위해 데이터 증강 및 적대적 영역 적응 기술을 활용한 역 모델링 기법을 개발했습니다. 이는 실험 데이터 부족 문제를 해결하고, 기계 학습 기반 과학 기기 자동화의 새로운 가능성을 제시합니다.

15명의 연구진이 발표한 논문 "Protein Large Language Models: A Comprehensive Survey"는 100편 이상의 논문을 분석하여 단백질 거대 언어 모델(Protein LLMs)의 구조, 훈련 데이터, 평가 방법, 그리고 다양한 활용 사례를 체계적으로 분석했습니다. Protein LLMs는 단백질 구조 예측, 기능 주석, 그리고 새로운 단백질 설계의 효율성을 획기적으로 높여 단백질 공학과 생의학 연구 발전에 기여할 것으로 기대됩니다.