2026-07-20 · 주간 AI ｜ AI 활용 기계공학 논문 브리핑

이번 주 4편

AI MAGiSt3R: 단일 RGB 비디오로부터 다중 에이전트 피드포워드 3D 재구성 AI LongStraw: 고정된 GPU 예산으로 2백만 토큰을 넘어서는 장문 맥락 RL AI 활용 기계공학 불규칙 영역의 고체 역학을 위한 비중첩 Schwarz 하이브리드 유한 요소-신경망 연산자 프레임워크 AI 활용 기계공학 신경망 연산자가 구성 모델 발견을 위한 역문제를 해결하다

AI 2편

cs.CV · 발표 2026-07-16임팩트

MAGiSt3R: Multi-Agent Feed-forward 3D Reconstruction from Monocular RGB Videos

MAGiSt3R: 단일 RGB 비디오로부터 다중 에이전트 피드포워드 3D 재구성

Ziren Gong, Xiaohan Li, Fabio Tosi, Ninghui Xu, Stefano Mattoccia, Jianfei Cai, Matteo Poggi

University of Bologna

인용 1

단일 RGB 비디오에서 3D 재구성과 카메라 추적을 수행하는 기존 방식의 한계를 개선합니다.
MAGiSt3R은 다중 에이전트(multi-agent) 프레임워크로, 피드포워드 모델과 병합 모델을 활용합니다.
3R 계열 모델이 RGB 비디오를 처리하여 로컬 포인트 맵을 생성하고, MAGMA가 이를 병합합니다.
누적되는 카메라 드리프트(drift)를 줄이기 위해 포즈 그래프 최적화(pose graph optimization)를 수행합니다.
합성 및 실제 데이터셋에서 기존 최신 방법보다 뛰어난 정확도를 보이며, 약 10 FPS로 작동합니다.

TLDR (Semantic Scholar): MAGiSt3R is presented, a multi-agent 3D reconstruction framework performing reconstruction and camera tracking for monocular RGB videos at almost 10 FPS, demonstrating its superior reconstruction and camera tracking accuracy compared to state-of-the-art approaches.

#3D 재구성#단일 시점 비디오#다중 에이전트#카메라 추적

arXiv PDF Semantic Scholar

cs.LG, cs.DC · 발표 2026-07-16최신

LongStraw: Long-Context RL Beyond 2M Tokens under a Fixed GPU Budget

LongStraw: 고정된 GPU 예산으로 2백만 토큰을 넘어서는 장문 맥락 RL

Changhai Zhou, Kieran Liu, Yuhua Zhou, Qian Qiao, Jun Gao, Harry Zhang, Irvine Lu, Nolan Ho 외 12명

HF upvotes 76

추론 시스템은 백만 토큰에 근접하지만, RL 후처리(post-training)는 256K 토큰 이하에 머무는 격차가 있습니다.
LongStraw는 고정된 GPU 예산 내에서 백만 토큰 RL 후처리를 위한 아키텍처 인지 실행 스택입니다.
자동 미분 없이 공유 프롬프트를 평가하고, 모델별 상태만 유지하며, 짧은 응답 분기를 개별적으로 재생합니다.
8개의 H20 GPU에서 2.1M 위치에서 Qwen 스코어링 및 응답 역전파를 완료했습니다.
이는 기존 RL 후처리 한계를 극복하며, AI 에이전트의 장문 궤적 처리에 기여합니다.

TLDR (Semantic Scholar): LongStraw is an architecture-aware execution stack for million-token RL post-training under a fixed GPU budget, instantiated with Group Relative Policy Optimization (GRPO).

#강화 학습#장문 맥락#GPU 최적화#AI 에이전트

arXiv PDF Semantic Scholar

AI 활용 기계공학 2편

cs.CE · 발표 2026-06-07임팩트

A Non-Overlapping Schwarz Hybrid Finite Element-Neural Operator Framework for Solid Mechanics on Irregular Domains

불규칙 영역의 고체 역학을 위한 비중첩 Schwarz 하이브리드 유한 요소-신경망 연산자 프레임워크

Wei Wang, Abhinav Gupta, Haihui Ruan, Somdatta Goswami

인용 2매칭: physics-informed, neural operator, finite element, elastic, stress, mechanical, relevance:0.90

유한 요소(FE)법은 고체 역학 시뮬레이션의 표준이지만, 복잡한 문제에서 계산 비용이 높습니다.
이 연구는 기존 FE-신경망 연산자(NO) 프레임워크의 중첩 계산과 불규칙 형상 처리 한계를 개선합니다.
비중첩 Schwarz 교대 방법과 Point-DeepONet을 사용하여 불규칙 형상에서도 작동하도록 개선했습니다.
변위 연산자로부터 변형률 및 응력 연산자를 유도하여 매개변수를 줄이고 일관성을 확보했습니다.
이 프레임워크는 대규모 동적 고체 역학 문제 해결에 기여하는 유연하고 효율적인 하이브리드 솔버입니다.

TLDR (Semantic Scholar): These results establish a non-overlapping FE-NO coupling paradigm that is geometry-flexible, parameter-efficient, and convergence-stable, providing a pathway for hybrid physics-based and operator-learning solvers in large-scale dynamic solid mechanics.

#고체 역학#유한 요소법#신경망 연산자#하이브리드 모델

arXiv PDF Semantic Scholar

cs.CE, cond-mat.mtrl-sci · 발표 2026-07-16최신

Neural operators solve inverse problems for constitutive model discovery

신경망 연산자가 구성 모델 발견을 위한 역문제를 해결하다

Moritz Flaschel, Burigede Liu, Ellen Kuhl

매칭: neural operator, elastic, mechanical, relevance:0.85

재료의 기계적 반응 특성 분석은 계산 비용이 많이 드는 최적화 문제 해결을 필요로 합니다.
이 연구는 실험 데이터를 재료의 구성 함수로 직접 매핑하는 PANO와 CANO라는 두 신경망 연산자(neural operator)를 제안합니다.
제안된 신경망 연산자는 변위장과 반력을 초탄성 변형 에너지 밀도 함수로 매핑하도록 훈련됩니다.
라플라시안 고유 함수로 변위장을 인코딩하여 이산화 독립적이고 노이즈에 강한 예측을 가능하게 합니다.
이 프레임워크는 물리적으로 타당한 재료 모델을 출력하며, 거의 즉각적인 재료 특성 분석을 가능하게 합니다.

TLDR (Semantic Scholar): This work proposes two neural operator architectures that directly map experimentally measured data to the constitutive functions governing the mechanical response of the material: Physics-Augmented Neural Operators (PANO) and Constitutive Artificial Neural Operators (CANO).

#신경망 연산자#역문제#재료 모델링#구성 모델

arXiv PDF Semantic Scholar

←전체 주차 목록으로

선정 기준: 임팩트(최근 365일, 영향력 인용 가중) + 최신(최근 14일) · 요약 엔진: openai_compat