새로운 결정 구조 생성 모델 WyckoffDiff는 대칭성을 고려한 설계로 빠른 생성 속도와 높은 정확도를 자랑하며, Fr´echet Wrenformer Distance라는 새로운 평가 지표를 통해 그 성능을 입증했습니다. 재료 과학 분야에 혁신을 가져올 잠재력을 지닌 이 모델은 향후 새로운 물질 발견과 개발에 중요한 역할을 할 것으로 기대됩니다.

Lu Yuxing과 Wang Jinzhuo 연구팀이 개발한 KARMA는 다중 에이전트 LLM을 활용하여 지식 그래프를 자동으로 확장하는 혁신적인 프레임워크입니다. PubMed 논문 1,200편을 대상으로 한 실험 결과, 새로운 엔티티 식별, 높은 정확도, 충돌 에지 감소 등 우수한 성능을 입증했습니다. 이는 의학 분야를 넘어 다양한 분야의 지식 그래프 관리에 혁신을 가져올 가능성을 보여줍니다.

Nguyen(2025)의 연구는 대규모 언어 모델(LLM)의 이론적 마음(ToM) 능력 평가와 안전 위험성에 대한 심층적인 논의를 제공합니다. LLM의 발전된 ToM 능력은 편리함과 동시에 심각한 안전 위험을 초래할 수 있음을 강조하며, 효과적인 평가 및 완화 방안 연구의 중요성을 역설합니다.

카이슈안 황 등 18명의 연구진이 개발한 MATH-Perturb 벤치마크는 LLM의 수학적 추론 능력을 단순 변형뿐 아니라 문제의 본질을 바꾸는 어려운 변형까지 고려하여 평가합니다. 다양한 LLM에서 성능 저하가 관찰되었고, LLM이 문제 해결 능력을 암기하여 상황에 맞지 않게 적용하는 새로운 형태의 암기 현상도 발견되었습니다. 이 연구는 더욱 강력하고 신뢰할 수 있는 추론 모델 개발의 필요성을 강조합니다.

다수 에이전트 경로 찾기(MAPF) 문제에 대한 혁신적인 해결책을 제시하는 SIGMA 알고리즘은 집합 이론과 심층 강화 학습을 결합하여 제한된 시야 문제를 해결하고, 효율적인 협업을 가능하게 합니다. 자기 지도 학습을 통해 학습된 합의 특징은 실제 로봇 실험에서도 우수한 성능을 보였습니다.