본 연구는 세 가지 최첨단 궤적 예측 모델의 Out-of-Distribution(OOD) 일반화 능력을 비교 분석하여, 모델 크기, 유도적 편향, 데이터 증강 전략 및 데이터셋 크기의 상호작용이 OOD 성능에 미치는 영향을 규명했습니다. 특히, 소규모 데이터셋으로 학습한 가장 작은 모델이 대규모 데이터셋에서 테스트 시 가장 우수한 OOD 성능을 보인 점은 주목할 만합니다.

Wang Zongguo 등 연구팀이 개발한 AI 기반 결정 구조 예측 소프트웨어 CrySPAI는 진화적 최적화 알고리즘, DFT, 심층 신경망을 통합하여 기존 방식의 한계를 극복하고 미지의 영역까지 탐구 가능하게 합니다. 분산 프레임워크와 자동화된 워크플로우를 통해 효율성과 사용 편의성을 높였습니다.

새로운 랜섬웨어 탐지 프레임워크는 멀티모달 실행 경로 분석과 지능형 코드 임베딩을 통해 높은 정확도와 적응력을 보여주었습니다. 기존 기술 대비 향상된 성능과 확장성, 그리고 에너지 효율성을 통해 더욱 안전한 디지털 환경 구축에 기여할 것으로 기대됩니다.

SpatialVLA는 3D 공간 정보와 적응형 행동 그리드를 활용하여 로봇 조작의 공간적 이해 능력을 향상시킨 혁신적인 모델입니다. 110만 개의 실제 로봇 데이터를 활용한 사전 학습과 Adaptive Action Grids를 통한 적응력으로 제로샷 성능과 다양한 환경에 대한 적응력을 모두 갖추었습니다. 모든 코드를 공개하여 학계의 발전에 기여할 것으로 기대됩니다.

Li Mingyuan 등 연구진이 개발한 FuzzyLight 알고리즘은 퍼지 논리와 압축 센싱을 활용하여 실제 도시 환경의 교통 신호 제어 문제를 해결합니다. 실제 22개 교차로 적용 결과, 기존 방식 대비 48% 향상된 교통 효율성을 보였으며, 시뮬레이션 환경에서도 최첨단 성능을 기록했습니다.