2026-09-14 · 주간 AI ｜ AI 활용 기계공학 논문 브리핑

이번 주 4편

AI 중심 편향 깨기: 좌표 기반 신경 진화를 위한 공간 분할 전문가 AI SenseNova-U1.5: 원시 통합 시각 지능을 향하여 AI 활용 기계공학 효율적인 터빈 설계를 위한 새로운 다중 충실도 대리 모델 AI 활용 기계공학 터보 기계 설계 최적화를 위한 새로운 다중 충실도 대리 모델

AI 2편

cs.NE, cs.CV, cs.LG · 발표 2026-09-10임팩트

Breaking the Central Bias: Spatially Partitioned Experts for Coordinate-Based Neuroevolution

중심 편향 깨기: 좌표 기반 신경 진화를 위한 공간 분할 전문가

Romain Claret, Arthur Gygax, Michael O'Neill, Paul Cotofrei, Michael Palma Mendes, Pascal Felber

인용 1영향력 인용 1

Evolvable-Substrate HyperNEAT (ES-HyperNEAT)는 입력의 중심에 집중하는 공간적 편향 문제를 보였습니다.
이 문제를 해결하기 위해 Mixture-of-Experts (MoE) 원리를 활용하여 입력을 공간적으로 분할했습니다.
각 분할 영역에는 별도로 진화하는 전문가 네트워크를 할당하여 전체 이미지를 학습하게 했습니다.
이 방법으로 MNIST 데이터셋에서 43%의 평균 정확도를 달성하여 기존 대비 106% 향상되었습니다.
이는 중심 편향을 해결하고 입력 커버리지를 4%에서 79%로 확장하는 효과적인 접근법입니다.

TLDR (Semantic Scholar): Inspired by Mixture-of-Experts (MoE) principles, Evolvable-Substrate HyperNEAT is partitioned into non-overlapping spatial segments, each assigned to a separately evolved specialist network, which forces evolution to discover features across the entire image.

#신경 진화#공간 분할#중심 편향#ES-HyperNEAT

arXiv PDF Semantic Scholar

cs.CV · 발표 2026-09-10최신

SenseNova-U1.5: Towards Native Unified Visual Intelligence

SenseNova-U1.5: 원시 통합 시각 지능을 향하여

Haiwen Diao, Jiahao Wang, Chenjing Ding, Hanming Deng, Jiangnan Chen, Ruixi Zhang, Ruohui Wang, Wenwen Tong 외 57명

HF upvotes 141

이 연구는 인코더와 VAE(Variational AutoEncoder)가 없는 구조의 멀티모달 모델 SenseNova-U1.5를 제안합니다.
SenseNova-U1.5는 공간적으로 일관된 패치 재구성을 통해 시각 인터페이스를 강화합니다.
4K 해상도까지 지원하며, 생성 및 편집 데이터, 개선된 작업 공식화 등으로 훈련을 확장했습니다.
시각적 미학, 다국어 텍스트 렌더링 등 전문화된 전문가 모델을 최적화하고 통합했습니다.
SenseNova-U1.5는 이미지 충실도, 텍스트 렌더링 등을 크게 향상하며, 통합 모델링의 가능성을 보여줍니다.

TLDR (Semantic Scholar): Native unified modelling is position as a promising path towards systems that perceive, reason and create within a fully end-to-end framework through SenseNova-U1.5, an 8B-MoT native unified multimodal model that understands, reasons about, and generates visual content within an encoder-free and VAE-free architecture.

#멀티모달 모델#시각 지능#이미지 생성#텍스트 렌더링

arXiv PDF Semantic Scholar

AI 활용 기계공학 2편

physics.flu-dyn, cs.CE · 발표 2026-09-10임팩트

A Novel Multi-fidelity Surrogate for Efficient Turbine Design Optimization

효율적인 터빈 설계를 위한 새로운 다중 충실도 대리 모델

Qineng Wang, Liming Song, Zhendong Guo, Jun Li, Zhenping Feng

인용 17영향력 인용 1매칭: surrogate model, design optimization, relevance:0.90

터빈 설계 최적화는 비용이 많이 들어, 저비용 저충실도(LF) 데이터를 활용하는 다중 충실도 대리 모델(MFS)이 제안되었습니다.
하지만 MFS는 최적화 후반부에 오히려 단일 충실도 대리 모델(SFS)보다 성능이 저하되는 문제가 있었습니다.
이 문제를 해결하기 위해 앙상블 가중 다중 충실도 대리 모델(EMFS)을 제안하며, MFS가 부정확한 영역을 DBSCAN으로 감지하여 지역 SFS를 구축합니다.
EMFS는 MFS와 SFS를 적응형 가중치로 결합하여 최적화 과정을 안내하는 MSFO 알고리즘으로 구현됩니다.
GE-E3 블레이드 최적화 및 터빈 엔드월(endwall) 필름 냉각 설계 테스트를 통해 제안된 MSFO의 효과를 입증했습니다.

#터빈 설계#최적화#다중 충실도 대리 모델#기계공학

arXiv PDF Semantic Scholar

physics.flu-dyn, cs.CE · 발표 2026-09-10최신

A Novel Multi-fidelity Surrogate for Turbomachinery Design Optimization

터보 기계 설계 최적화를 위한 새로운 다중 충실도 대리 모델

Qineng Wang, Liming Song, Zhendong Guo, Jun Li, Zhenping Feng

인용 1매칭: surrogate model, design optimization, relevance:0.90

터보 기계 설계 최적화는 비용이 많이 드는 문제이며, 기존 다중 충실도 최적화(MFO)는 후반 단계에서 단일 충실도 최적화(SFO)보다 성능이 저하되는 한계가 있었습니다.
이 문제를 해결하기 위해, 저자들은 다중-단일 충실도 최적화(MSFO)라는 새로운 알고리즘을 제안합니다.
MSFO는 DBSCAN을 사용하여 저충실도 샘플이 비효율적인 영역을 감지하고, 전역 MFS와 국부 SFS를 결합한 앙상블 모델을 구축합니다.
이 알고리즘은 수치 벤치마크 함수와 터빈 공기역학적 프로파일 및 필름 냉각 레이아웃 최적화에 적용되어 검증되었습니다.
MSFO는 기존 SFO 및 MFO 방식보다 훨씬 우수한 성능과 높은 견고성을 보여주며, 오해의 소지가 있는 저충실도 데이터에 대한 알고리즘의 간섭 방지 능력을 향상시킵니다.

TLDR (Semantic Scholar): The results demonstrate that the proposed multi-single-fidelity optimization (MSFO) algorithm performs significantly better than the conventional SFO and MFO processes, with a higher level of robustness.

#터보 기계#설계 최적화#다중 충실도#대리 모델

arXiv PDF Semantic Scholar

←전체 주차 목록으로

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