쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 11월 17일 (화)까지4750건
8건 · "물리 모델"조건 지우기 ×
001▲ 204 · 댓글 41CERN과 Mistral, 과학 AI 개발 전략 제휴CERN과 유럽 AI 개발사 Mistral이 과학 발전을 위한 기초 모델 개발을 목표로 전략 제휴 양해각서를 체결했다.AI · 머신러닝 · CERN and Mistral sign a statement of intent to establish a strategic partnership
Key Point고에너지 물리학 연구의 데이터 폭발적 증가(2030년 10배)에 대응하기 위해 유럽이 기초 AI 모델 개발에 나서는 만큼, 과학 데이터 분석의 미래 방향이 어떻게 재편될지 보여주는 사례입니다.
핵심 요약
- CERN과 유럽 AI 개발사 Mistral이 과학 발전을 위한 기초 모델 개발을 목표로 전략 제휴 양해각서를 체결했다.
- 초점은 고에너지 물리학이며, 양자색역학(LHC)에서의 수십억 개 양성자-양성자 충돌 시뮬레이션 데이터로 학습한 단일 기초 모델인 '대규모 물리 모델'을 개발할 계획이다.
- 개발될 모델은 입자 충돌 재구성, 입자 식별, 예상치 못한 신호 감지, 미래 검출기 설계 평가 등 다양한 작업을 단일 모델로 처리할 수 있도록 설계된다.
전체 요약 8문장 읽기 → 002▲ 146 · 댓글 39로봇 물리 제어 위해 특화된 제미니 4 아르곤 공개구글이 로봇공학 전문 대규모 언어 모델 제미니 4 아르곤을 발표했다.AI · 머신러닝 · Gemini 4 Argon for Robotics

Key Point3D 물리 환경에서 로봇 제어·시뮬레이션·코드 생성을 통합적으로 처리하는 AI 모델의 등장으로, 로봇공학 개발의 전체 워크플로우가 단순화될 수 있는 전환점이 될 수 있다.
핵심 요약
- 구글이 로봇공학 전문 대규모 언어 모델 제미니 4 아르곤을 발표했다.
- 아르곤은 ERQA 벤치마크에서 순수 추론으로 87% 점수를 달성해 다른 모든 경쟁 모델을 능가한다.
- 보스턴 다이나믹스 스팟 로봇 제어, 로봇팔 조작 작업, 3D 환경 내 물체 배열 등 로봇공학 전주기에 적용 가능하다.
전체 요약 12문장 읽기 → 003▲ 16 · 댓글 6X선 회절 자동 분석하는 AI 에이전트 등장분말 X선 회절 분석을 위한 자가학습 AI 에이전트 '간 장(Gan Jiang)'을 개발했다.AI · 머신러닝 · A self-learning scientific agent for X-ray diffraction

Key PointX선 회절은 신물질 개발·품질 검사·고고학 분석 등에 필수적인데, 기존에는 전문가 경험에 의존하던 분석을 AI가 자동화하고 다른 시료에 전이 가능한 수준에 도달했으며, 최근 공개된 다양한 벤치마크에서 기존 방법을 크게 앞섰다.
핵심 요약
- 분말 X선 회절 분석을 위한 자가학습 AI 에이전트 '간 장(Gan Jiang)'을 개발했다.
- XMatcher, XQueryer, XDecomposer, WPEM 4개의 엔진으로 구성되며, 물질 상(phase) 식별부터 다중상 분해, 물리 제약 조건 하의 전체 패턴 모델링까지 수행한다.
- 에이전트는 분석 실패를 진단하고 스킬 명령어와 코드를 개선한 뒤 재사용 전에 검증하는 방식으로, 언어모델 재훈련이나 물리 모델 변경 없이 실무 경험을 재사용 가능한 지식으로 변환한다.
전체 요약 8문장 읽기 → 004▲ 47 · 댓글 3Simulink 모델 생성 AI의 진정한 성능을 측정하는 벤치마크기존 Simulink 벤치마크는 생성된 모델의 컴파일·실행 여부와 외형 유사도만 평가해 엔지니어링 요구사항 충족 여부를 확인하지 못한다.AI · 머신러닝 · SimuVerity: Benchmarking Agents for Engineering-Grade Simulink Model Generation

Key Point현재 AI 에이전트의 Simulink 모델 생성은 외형 유사도 중심으로 평가되고 있으나, 실제 엔지니어링 요구사항을 만족하는지는 전혀 다른 문제이기 때문입니다.
핵심 요약
- 기존 Simulink 벤치마크는 생성된 모델의 컴파일·실행 여부와 외형 유사도만 평가해 엔지니어링 요구사항 충족 여부를 확인하지 못한다.
- SimuVerity는 10개 엔지니어링 도메인에서 101개의 텍스트-실행파일 Simulink 모델 생성 작업으로 구성된 벤치마크를 제시한다.
- 각 작업마다 실행 가능한 시스템 프로파일이 엔지니어링 사양을 정의하고, 4가지 시뮬레이션 시나리오 세트가 테스트 조건이 된다.
전체 요약 7문장 읽기 → 005▲ 44 · 댓글 3비디오가 물리 법칙을 얼마나 잘 이해하나 측정하는 벤치마크물리 현상을 정확히 표현하는 비디오 생성 모델을 평가하기 위해 World Embedding Benchmark를 공개했다.AI · 머신러닝 · World Embedding Benchmark

Key Point비디오 생성의 물리적 정확성을 평가하는 첫 벤치마크로, 현재 AI 모델들의 물리 이해도를 측정하고 개선 방향을 보여준다.
핵심 요약
- 물리 현상을 정확히 표현하는 비디오 생성 모델을 평가하기 위해 World Embedding Benchmark를 공개했다.
- 유체역학, 고체역학, 동역학, 광학·전자기학 등 80개 종류에서 8,000개의 시뮬레이션 영상을 수집하고, 각 영상에 시뮬레이션 기반의 물리 주석을 달았다.
- 텍스트-영상 검색, 물리적 성질 회귀, 다중선택 분류라는 세 가지 평가 작업으로 영상 임베딩이 물리 정보를 얼마나 잘 인코딩하는지 측정한다.
전체 요약 7문장 읽기 → 006▲ 10 · 댓글 0물리 법칙 지키는 비디오 생성 AI, 언어로 학습 시키다비디오 월드 모델들이 물리적으로 타당한 영상을 생성하지 못하는 문제를 언어 기반으로 해결하는 Physis-Lang을 제시했다.AI · 머신러닝 · Physis-Lang: Self-Evolving Language as a Physical Representation for Video World Model

Key Point물리 법칙을 지키는 비디오 생성이 멀티모달 AI의 핵심 과제인데, 순수 언어 표현만으로 상용 모델 수준의 성능을 달성했다는 점이 경향을 바꾼다.
핵심 요약
- 비디오 월드 모델들이 물리적으로 타당한 영상을 생성하지 못하는 문제를 언어 기반으로 해결하는 Physis-Lang을 제시했다.
- 물리 현상을 관련 개체, 원인, 상호작용, 지배 원리, 시간 진화, 영향 등을 언어로 표현하여 학습한다.
- PhysCapBench를 구축하여 물리 설명을 원자 단위 명제로 분해하고 재현율과 정확도로 평가한다.
전체 요약 7문장 읽기 → 007▲ 11 · 댓글 2코딩 에이전트, 복잡한 로봇 계획 문제 자동 해결Task and Motion Planning(TAMP)은 이산 결정이 기하학·운동·동역학 제약과 밀접하게 연결되어 있어 어려운 문제이며, 기존 방법은 많은 도메인별 엔지니어링이 필요했다.AI · 머신러닝 · Coding Agents for Generalized Task and Motion Planning Problems

Key Point로봇 계획 같은 복잡한 최적화 문제를 LLM 코딩 에이전트가 손코딩 기반 계획기를 능가하는 성능으로 해결할 수 있음을 대규모 실험으로 입증했으며, 특히 문제 규모가 커질수록 효율 우위가 두드러진다.
핵심 요약
- Task and Motion Planning(TAMP)은 이산 결정이 기하학·운동·동역학 제약과 밀접하게 연결되어 있어 어려운 문제이며, 기존 방법은 많은 도메인별 엔지니어링이 필요했다.
- 연구팀은 Claude Code(Opus 5)와 Codex(GPT-5.6 Sol, GPT-6 Astra)를 사용해 주어진 과제 설명과 시뮬레이터 접근권으로 프로그램을 합성하는 코딩 에이전트를 조사했다.
- 에이전트들은 고정된 예산 내에서 환경과 상호작용하며 프로그램을 개발한 후, 이를 검증 데이터셋에서 평가했다.
전체 요약 8문장 읽기 → 008▲ 11 · 댓글 2로봇 조작용 변형 물체를 AI로 자동 생성하는 DeformSmithDeformSmith는 텍스트나 단일 이미지에서 로봇 조작에 적합한 변형 가능한 3D 물체(asset)를 자동으로 생성하는 프레임워크다.AI · 머신러닝 · DeformSmith: Physics Harness-Guided Hierarchical Generation of Deformable Assets for Robot Manipulation

Key Point로봇 조작 연구에서 현실적인 변형 물체 데이터를 얻기 위해 필요한 자동 생성 기술이 어떻게 동작하고 기존 방법과 구별되는지 알 수 있다.
핵심 요약
- DeformSmith는 텍스트나 단일 이미지에서 로봇 조작에 적합한 변형 가능한 3D 물체(asset)를 자동으로 생성하는 프레임워크다.
- 기존 방식의 어려움은 변형 물체의 기하학, 외형, 물리 속성을 동시에 정해야 하는데, 텍스트와 이미지만으로는 접촉 변형 거동을 충분히 표현할 수 없다는 것이다.
- 이 프레임워크는 계층적 에이전트 구성과 공유 물리 기반 '하네스(harness)'를 사용해, 기하학·물리 모델·재질 거동·로봇 상호작용을 단계별로 구축·테스트·정제한다.
전체 요약 6문장 읽기 →