Artem Agafonov와 Konstantin Yakovlev의 연구는 에이전트 크기를 고려한 다수 에이전트 경로 찾기(MAPF) 문제가 NP-hard임을 최초로 증명했습니다. 이는 3SAT 문제를 이용한 환원 증명을 통해 이루어졌으며, 실제 로봇 시스템에 대한 중요한 시사점을 제공합니다.

송유보, 수밤 사후 연구팀은 전력망 자체를 컴퓨팅 자산으로 활용하는 혁신적인 아이디어를 제시했습니다. 생물학적 뉴런을 모방한 전력 전자 변환기(PEC) 프로그래밍을 통해 전력망을 신경망으로 변환, 에너지 효율적인 AI 컴퓨팅을 가능하게 합니다. 마이크로그리드 실험을 통해 그 가능성을 증명했으며, AI의 에너지 소모 문제 해결에 새로운 돌파구를 제시할 것으로 기대됩니다.

포르투갈 연구팀은 희소 오토인코더(SAE)를 이용하여 사전 훈련된 LLM의 내부 표현으로부터 자바 함수의 버그를 탐지하는 새로운 방법을 제시했습니다. 미세 조정 없이 최대 89%의 F1 점수를 달성하여 기존 방법의 한계를 극복할 가능성을 보여주었습니다.

Kai Sun 등 연구진이 개발한 ILIF 뉴런 모델은 스파이킹 뉴럴 네트워크의 감마 딜레마 문제를 해결하여 에너지 효율을 향상시키고, 학습 안정성과 정확도를 높였습니다. 이는 에너지 효율적인 AI 시스템 개발에 중요한 기여를 할 것으로 기대됩니다.

16명의 연구진이 '일반화된 지향 정보'라는 새로운 지표를 활용하여 AI 에이전트의 적응력(plasticity)과 환경 제어력(empowerment) 간의 상호 관계를 규명했습니다. 에이전트의 적응력과 환경의 제어력이 동일하다는 것을 발견함으로써, AI 에이전트 설계 시 두 요소 간의 균형을 고려해야 함을 시사하는 획기적인 연구입니다.