Lee Sharkey 등 28명의 연구자들이 작성한 "Open Problems in Mechanistic Interpretability" 논문은 AI 시스템의 작동 원리를 이해하는 기계적 해석 가능성 분야의 미해결 과제들을 제시합니다. 방법론 개선, 목표 지향적 적용, 사회기술적 과제 해결 등 세 가지 주요 과제를 통해 AI의 신뢰성 향상과 윤리적 사용에 대한 중요성을 강조합니다.

본 연구는 스마트 그리드의 안정성 예측에 있어 데이터 부족 문제를 해결하기 위해 GAN을 활용한 새로운 프레임워크를 제시합니다. 적대적 훈련 레이어를 추가하여 적대적 공격에 대한 강인성을 확보하고, 실제 데이터셋을 통해 97.5%의 예측 정확도와 98.9%의 적대적 공격 탐지율을 달성했습니다. 단일 보드 컴퓨터 기반 실시간 시스템 구현을 통해 실용성을 입증했습니다.

Simon Dahan 등 연구진은 표면 기반 비전 트랜스포머와 삼중 모드 자기 지도 학습을 활용, 뇌 활동 패턴으로부터 시각 및 청각 자극을 검색하는 모델을 개발했습니다. HCP 영화 시청 실험 데이터를 통해 모델의 정확성을 검증, 개인화된 뇌 기능 시뮬레이션 가능성을 제시했습니다.

본 기사는 LLM을 이용한 다단계 네트워크 공격의 가능성과 한계를 다룬 연구를 소개합니다. 연구진은 LLM의 저수준 명령어 처리의 어려움을 극복하기 위해 Incalmo라는 고차원 공격 추상화 계층을 개발하여 LLM의 공격 성공률을 크게 향상시켰습니다. 이 연구는 LLM의 사이버 보안 분야 활용 가능성과 AI 기반 공격 위협에 대한 인식을 높이는 데 기여합니다.

본 연구는 거대 언어 모델의 문맥 내 학습 능력을 활용하여 IEC-61850 통신 프로토콜 기반 디지털 변전소에서의 제로데이 공격 탐지에 성공한 사례를 소개합니다. 85% 이상의 높은 탐지 정확도를 달성하여 에너지 인프라의 사이버 보안 강화에 크게 기여할 것으로 기대됩니다.