Jun Wang과 Suyi Li 연구팀은 오리가미 모듈형 로봇 매니퓰레이터를 적응형 물리적 컴퓨터로 재활용하여 기계적 설계가 물리적 컴퓨팅 성능에 미치는 영향을 체계적으로 연구했습니다. NARMA 벤치마크 과제 수행 및 탑재물 정보 추출 실험을 통해 뛰어난 컴퓨팅 및 지각 능력을 확인했으며, SMA 액추에이터 통합으로 실용적인 로봇 작동 가능성을 입증했습니다. 이 연구는 생체 모방 및 자가 적응 시스템으로 확장될 가능성을 열어 차세대 구현된 지능 시스템 개발에 기여할 것으로 기대됩니다.

HPC와 AI의 융합을 위한 통합 프레임워크의 필요성을 강조하는 논문이 발표되었습니다. 대규모 과학 애플리케이션의 발전을 위해서는 새로운 하드웨어와 라이브러리에 적응 가능한 확장성 있는 프레임워크가 필수적이며, 이를 통해 과학 연구의 혁신을 가져올 수 있을 것으로 기대됩니다.

Pons Gerard, Bilalli Besim, Queralt Anna 연구팀은 지식 그래프(KG)를 활용하여 대규모 언어 모델(LLM)의 엔티티 분명화(ED) 성능을 향상시키는 새로운 방법을 제시했습니다. KG의 계층적 표현을 통해 후보 공간을 줄이고 추가 정보를 제공하여 기존 방법보다 우수한 성능과 적응성을 달성했습니다. 이 연구는 LLM의 한계 극복과 신뢰할 수 있는 AI 시스템 개발에 크게 기여할 것으로 기대됩니다.

FormalMATH 벤치마크는 AI의 공식 수학 추론 능력을 평가하는 새로운 기준을 제시하며, 최첨단 LLM 기반 정리 증명기의 한계와 향후 연구 방향을 제시합니다. 자동 공식화 파이프라인의 효율성과 도메인 편향, 자연어 풀이 과정의 역효과 등 흥미로운 결과들이 제시되었습니다.

국내 연구진이 전국 규모의 패혈증 등록 정보를 활용하여 LLM의 임상 추론 능력을 향상시킨 C-Reason 시스템을 개발했습니다. 강화 학습 기법을 통해 다양한 임상 과제에 대한 일반화 능력을 확보, 정량적 지표와 전문가 평가에서 뛰어난 성능을 입증했습니다. 앞으로 대규모 다질환 임상 데이터셋을 활용하여 더욱 강력한 임상 추론 모델 개발을 목표로 합니다.