2026-09-07 · 주간 AI ｜ AI 활용 기계공학 논문 브리핑

이번 주 4편

AI 시각이 그래프를 만날 때: 그래프 추론 및 학습에 대한 조사 AI 훈련을 통한 컴파일: 자연어 명세를 로컬 신경 함수로 전환 AI 활용 기계공학 전역장 데이터를 이용한 신경 점탄성 모델의 캘리브레이션 AI 활용 기계공학 불확실성 하 볼트 체결부의 외부 하중 계수 신뢰성 기반 강건 설계 최적화를 위한 물리학 정보 기반 대리 모델링

AI 2편

cs.SI, cs.CV, cs.LG · 발표 2026-09-03임팩트

When Vision Meets Graphs: A Survey on Graph Reasoning and Learning

시각이 그래프를 만날 때: 그래프 추론 및 학습에 대한 조사

Xinjian Zhao, Wei Pang, Zhixuan Yu, Xiangru Jian, Xiaozhuang Song, Yaoyao Xu, Zhongkai Xue, Dingshuo Chen 외 3명

인용 2

그래프는 자연 및 사회 과학의 많은 문제에 사용되는 기본 데이터 구조입니다.
기존 그래프 학습 파이프라인은 시각적 형태를 활용하지 않고 그래프를 기호 구조로만 다룹니다.
이 논문은 그래프의 시각적 표현을 추론 및 학습을 위한 주요 입력으로 간주하는 새로운 분야를 체계적으로 조망합니다.
연구는 그래프 추론을 위한 시각, 그래프 학습을 위한 시각, 과학 그래프의 세 가지 주제로 분류됩니다.
이 조사는 현재 방법의 한계를 명확히 하고, 과학자처럼 그래프를 인식하고 추론하는 기초 모델 개발 방향을 제시합니다.

TLDR (Semantic Scholar): This survey provides a first systematic overview of the emerging area of vision meets graphs, which treats visual depictions of graphs as first-class inputs for reasoning and learning, and organize existing work into three threads.

#그래프 신경망#그래프 시각화#시각-언어 모델#그래프 학습

arXiv PDF Semantic Scholar

cs.CL, cs.AI, cs.LG · 발표 2026-09-03최신

Compile by Training: Turning Natural-Language Specifications into Local Neural Functions

훈련을 통한 컴파일: 자연어 명세를 로컬 신경 함수로 전환

Yuntian Deng, Pengyu Nie, Stuart Shieber

HF upvotes 268

반복되는 텍스트 함수는 설명은 쉽지만 규칙 구현이 어렵고, 원격 모델 호출은 비용과 지연을 초래합니다.
본 연구는 자연어 명세를 재사용 가능한 신경 함수로 변환하는 '훈련을 통한 컴파일(compile by training)'을 제안합니다.
컴파일 시, 교사 모델이 생성한 예제로 소형 어댑터를 훈련시켜 컴팩트한 인터프리터를 만듭니다.
FuzzyBench-Hard에서 83.6%의 의미 정확도를 달성했으며, 컴파일 시간은 약 1분 소요됩니다.
이 함수는 교사 모델 없이 실행되며 일반 소프트웨어처럼 저장, 버전 관리, 조합이 가능합니다.

#자연어 처리#신경망#컴파일러#기계 학습

arXiv PDF Semantic Scholar

AI 활용 기계공학 2편

cs.CE · 발표 2026-09-03임팩트

Calibration of neural viscoelastic models via full-field data

전역장 데이터를 이용한 신경 점탄성 모델의 캘리브레이션

Brain M. Riemer, Markus Kästner, Karl A. Kalina

매칭: neural network, elastic, deform, stress, relevance:0.85

이 연구는 전역장(full-field) 데이터를 활용하여 작은 변형률(small-strain) 점탄성(viscoelasticity)을 위한 물리 증강 신경망(PANN)을 캘리브레이션하는 비지도 학습 프레임워크를 제안합니다.
제안된 PANN은 일반화된 표준 재료 이론에 기반하며, 두 개의 스칼라 포텐셜을 통해 구성 모델의 열역학적 일관성과 재료 대칭성을 보장합니다.
평면 응력(plane stress) 가정을 적용한 얇은 시편에 대해 평형 간극(equilibrium gap) 방법과 준-뉴턴(quasi-Newton) 최적화기를 결합한 제약 최적화 문제를 공식화합니다.
훈련 계산 비용을 줄이기 위해 역방향 수반(backward adjoint) 방법을 사용하여 손실 함수의 기울기를 효율적으로 계산합니다.
제안된 프레임워크는 잡음이 있는 변위 및 힘을 포함한 합성 데이터에서 광범위한 변형률 속도와 하중 경로에 걸쳐 우수한 일치도를 보여줍니다.

TLDR (Semantic Scholar): An unsupervised learning framework for calibrating a physics-augmented neural network (PANN) for small-strain viscoelasticity via full-field data and the backward adjoint method is employed to compute the gradient of the target loss, instead of backpropagating through all Newton iteration steps.

#점탄성#신경망#캘리브레이션#비지도 학습

arXiv PDF Semantic Scholar

· 발표 2026-10-01최신

Physics-informed surrogate modeling for reliability-based robust design optimization of the external load factor in bolted joints under uncertainty

불확실성 하 볼트 체결부의 외부 하중 계수 신뢰성 기반 강건 설계 최적화를 위한 물리학 정보 기반 대리 모델링

Van Thuy Tran

매칭: physics-informed, surrogate model, design optimization, mechanical, relevance:0.90

볼트 체결부 성능에 중요한 외부 하중 계수(χ)를 불확실성 하에 분석하고 최적화합니다.
실험 측정, 물리학 정보 기반 대리 모델링, 신뢰성 기반 강건 설계 최적화(RBRDO)를 통합합니다.
마찰 계수(μ), 표면 거칠기(Ra), 재료 경도(HB)가 χ에 미치는 영향을 실험으로 분석했습니다.
최적 설계는 χ의 기대값을 약 0.24로 줄이고, 신뢰도 P(0.2 < χ < 0.3) ≈ 0.9993을 만족합니다.
이 프레임워크는 불확실성 하 기계 설계를 위한 효율적이고 강건한 방법론을 제공합니다.

#볼트 체결부#신뢰성 기반 설계#대리 모델링#강건 최적화

arXiv PDF Semantic Scholar

←전체 주차 목록으로

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