AI FRONTIER
Signals worth understanding before they become obvious.
31년 된 수학 난제 해결 — KLS 추측 증명
Microsoft Research의 연구원 Xinzhi Zhang과 공동 연구자가 Kannan-Lovász-Simonovits(KLS) 추측을 증명하여 그 상한이 차원과 무관한 고정 상수임을 보였다.
- KLS 추측은 1995년 제안되었으며, 최선의 초평면 절단과 임의 형태의 최선 절단 간 차이가 차원에 관계없이 보편 상수 이내라고 예측했다.
- 이전 최선의 결과(2026년 7월)는 상한이 차원에 따라 천천히 증가하는 것을 허용했다.
- 연구자들은 인간이 이끄는 에이전트형 탐색으로 100개 이상의 후보 접근법을 탐색했고, AI는 유도, 원고 작성, 내부 증명 검증을 지원했다.
- 완전한 증명은 2026년 10월 4일 버전 논문에서 완성되었고, 같은 날 독립적인 병행 증명과 Lean 4 형식 검증이 발표되었다.
KLS 증명으로 이 추측을 가정으로 의존하던 고차원 기하학, 확률론, 이론 컴퓨터과학의 많은 결과가 무조건적으로 서술될 수 있게 된다.
LitPivot: 문헌 지형 내 동적 맥락화를 통한 연구 아이디어 개발
Ai2는 펜실베이니아 대학과 협력하여 LitPivot을 개발했다. 이 시스템은 Asta Paper Finder로 검색한 논문을 사용해 편집 중인 제안 부분을 중심으로 문헌을 정리하고, 발췌로 뒷받침된 비평과 수용·편집·거부할 수 있는 수정 제안을 제공한다. 17명의 연구자를 대상으로 한 연구에서 도메인 전문가들은 LitPivot으로 개발한 연구 아이디어가 텍스트 편집기와 AI 채팅 도구로 개발한 아이디어보다 문헌에 더 잘 근거한다고 평가했다.
- 완료된 4개 컴퓨터과학 연구 프로젝트의 회의 기록 분석에서 네 프로젝트 모두에 걸쳐 21건의 문헌 유발 전환을 확인했으며, 이는 새로움을 확립하기 위한 차별화와 기존 연구 위에 구축하기 위한 정렬의 두 유형으로 나뉘었다.
- 17명의 연구자가 참여한 실험실 연구에서 어느 시스템이 사용되었는지 모르는 두 명의 도메인 전문가가 관련 문헌을 아이디어의 지지와 정당화에 얼마나 잘 활용했는지를 단일 기준으로 평가했고, LitPivot 제안이 더 높은 평가를 받았다.
- 참가자들은 기준선보다 LitPivot을 사용할 때 주변 문헌에 대한 이해가 더 강해졌고 아이디어의 새로움과 유용성에 대한 자기 보고 개선이 더 컸다고 보고했다.
- LitPivot은 연구 아이디어를 문제, 제안된 기여, 평가 계획의 세 가지 측면으로 분리하며, 각 측면은 자체 문헌 집합과 관련성 순위를 가진다.
연구 지원 도구를 만드는 개발자에게 LitPivot은 문헌 선택과 아이디어 수정을 반복 루프로 연결하는 것이 일회성 검색보다 아이디어의 문헌적 근거를 높인다는 점을 보여준다.
TorchNeuron 프로파일링(1부): AWS Trainium에서의 시스템 수준 프로파일링
Hugging Face 블로그 튜토리얼로, Neuron 백엔드와 torch.profiler를 사용해 AWS Trainium에서 추론 성능을 체계적으로 분석하고 RMSNorm의 세 가지 구현에서 디바이스 시간을 비교하는 방법을 설명한다.
- Neuron 백엔드는 PyTorch의 PrivateUse1 확장 지점을 사용하며, torch_neuronx 패키지가 Neuron을 PyTorch의 네이티브 백엔드로 등록한다.
- 순수 PyTorch 구현 RMSNorm은 key_averages() 표에서 Self NEURON 총 2.355 ms를 보였고, aten::mul이 49.5%를 차지했다.
- torch.rms_norm은 단일 aten::_fused_rms_norm 연산으로 융합되었으며 Self NEURON 시간은 403.3 μs였다.
- torch.compile(backend="neuron")로 컴파일한 순수 RMSNorm은 하나의 Torch-Compiled Region으로 표시되었고 Self NEURON 시간은 375.5 μs였다.
AI 빌더에게 이 튜토리얼은 key_averages()로 디바이스 시간 핫스팟을 찾고 융합 연산이나 torch.compile로 RMSNorm의 디바이스 시간을 순수 구현의 약 6분의 1로 줄일 수 있음을 보여준다.
IBM Granite 시계열 모델을 이용한 앙상블 예측
Granite Timeseries Ensemble은 4개의 사전 학습된 Granite 모델을 하나의 확장 가능한 예측 인터페이스로 결합하여 재학습이나 앙상블 가중치 피팅 없이 중앙값 및 분위수 예측을 반환한다.
- 기본 레시피는 네 가지 아키텍처를 결합한다. Granite PatchTST-FM-r1(Patched Transformer), Granite PatchTST-FM-r2(Patched Conformer), Granite FlowState-r1.1(상태 공간 모델), Granite TTM-r3(Tiny Time Mixers).
- 97개의 GIFT-Eval 데이터셋 구성에서 평가했을 때 두 앙상블 모두 집계 MASE와 평균 MASE Rank에서 네 개의 개별 멤버를 모두 능가했으며, Probabilistic Ensemble은 여섯 개 예측 중 가장 낮은 MASE 0.683을 달성했다.
- PatchTST-FM-r2는 여전히 가장 낮은 집계 CRPS/MWQL 점수 0.467을 유지했고, IQR Ensemble은 이 여섯 개 예측 중 가장 낮은 평균 CRPS Rank를 달성했다.
- 레시피는 병합된 모델 가중치가 아니라 앙상블 구성을 저장하며 런타임에 네 개의 멤버 체크포인트를 다운로드하므로 첫 실행 시 추가 시간이 필요하다.
빌더에게 이 앙상블은 가장 강한 단일 아키텍처를 미리 선택하지 않고도 동등하거나 더 나은 집계 정확도를 얻을 수 있는 실용적인 기본값을 제공하지만, 네 개의 멤버 체크포인트를 로드하므로 추론 시간과 메모리가 증가한다.
OpenAI, 프런티어 모델 학습 환경 보안 강화
OpenAI는 프런티어 모델 학습과 평가의 격리 조치를 강화했다고 설명하며, 오프라인 환경과 고연산 레드팀 테스트를 포함한다고 밝혔다.
- OpenAI는 프런티어 모델 학습과 평가의 격리 조치를 강화했다고 설명했다.
- 조치에는 오프라인 환경이 포함된다.
- 조치에는 고연산 레드팀 테스트가 포함된다.
프런티어 모델을 만드는 팀에게 학습·평가 단계의 격리와 레드팀 테스트가 모델 성능만큼 중요한 엔지니어링 요소로 자리 잡고 있다.
OpenAI 모델이 Google Cloud에 출시된다
OpenAI와 Google Cloud는 프런티어 모델과 Codex 워크플로를 Gemini의 Model Garden에 도입하고 Google Cloud Marketplace를 통해 제공한다.
- OpenAI와 Google Cloud는 프런티어 모델과 Codex 워크플로를 Gemini의 Model Garden에 도입한다.
- 이는 Google Cloud Marketplace를 통해 제공된다.
AI 빌더에게 OpenAI의 프런티어 모델과 Codex 워크플로가 Google Cloud의 조달 및 배포 경로를 통해 제공된다는 의미다.