구글과 타프츠 대학교 연구진이 단일 세포로부터 복잡한 생물학적 형태를 자가 조립하고 손상된 부위를 재생하는 '신경 세포 자동화(Neural Cellular Automata)' 모델을 발표했습니다. 이 모델은 미분 가능한 시스템을 통해 단순한 규칙만으로 복잡한 구조를 형성하고 유지하는 생명체의 형태 발생(Morphogenesis) 과정을 성공적으로 시뮬레이션합니다. 이는 단순한 세포 집단이 어떻게 전체 형태를 인지하고 제어하는지를 규명하는 인공지능 및 발생 생물학 연구에 중요한 진전을 의미합니다.
디퓨전 모델의 샘플링 속도를 획기적으로 높이기 위해 중간의 반복적인 단계를 건너뛰고 적분값을 직접 예측하는 '플로우 맵(Flow Map)' 기술을 소개하는 글입니다. 플로우 맵은 단순히 샘플링 속도만 개선하는 것을 넘어 보상 기반 학습의 효율성과 샘플링 제어 능력을 향상시키는 등 다양한 장점을 제공합니다. 최근 AI 연구 분야에서 매우 주목받고 있으며, 기존 디퓨전 모델의 한계를 극복할 대안으로 떠오르고 있습니다.
이 튜토리얼에서는 MEG(뇌자도) 데이터를 활용해 뇌의 신경 활동으로부터 직접 언어적 특징을 디코딩하는 최신 NeuroAI 파이프라인 구축 방법을 다룹니다. NeuralSet과 딥러닝(합성곱 신경망, CNN)을 사용하여 원시 뇌파 신호를 의미 있는 언어 정보(예: 단어 길이)로 변환하는 엔드투엔드 시스템을 구축하는 과정을 보여줍니다. 이는 뇌-컴퓨터 인터페이스(BCI) 및 인지 신경과학 연구에 있어 실무적이고 모듈화된 워크플로우를 제공한다는 점에서 중요합니다.
전통적인 트리 기반 머신러닝 모델(랜덤포레스트, 캣부스트 등)이 장악하던 테이블 데이터(정형 데이터) 분석 분야에서, 사전 학습된 파운데이션 모델인 'TabPFN'이 뛰어난 정확도를 입증했습니다. 이 모델은 대규모 언어 모델(LLM)처럼 문맥 내 학습(In-context learning)을 활용해 별도의 파인튜닝 없이도 빠르고 정확한 예측을 제공합니다. 또한, 예측 결과를 더 작은 모델로 증류(Distillation)하여 실제 서비스 환경에 빠르게 배포할 수 있는 실용성까지 갖추고 있어 데이터 실무자들에게 매우 중요한 대안으로 떠오르고 있습니다.
X(옛 트위터)에서 화제가 된 게시물을 인용하며, 최신 트렌드를 좇는 실증적(Empirical) 딥러닝 연구자들의 등장에 대한 논의가 이루어지고 있습니다. 작성자는 '포스트 에이전트 AI(Post agentic AI)'라는 용어의 모호함에 공감하며 레딧 커뮤니티 내에서 이에 대한 심도 있는 토론을 촉구했습니다. 이는 최근 AI 연구 트렌드가 빠르게 소비되는 현상과 신조어 남발에 대한 업계의 경종으로 볼 수 있습니다.
이 글은 신경망 학습 과정에서 학습 데이터(Training Example)를 벡터 장(Vector Field)으로 간주하고, 두 데이터의 학습 순서를 바꿨을 때 파라미터에 미치는 영향을 수학적으로 계산하는 방법을 설명합니다. 미분 기하학의 '리 브래킷(Lie Bracket)' 개념을 적용해 데이터의 순서 의존성을 정량화하며, 이를 실제 합성곱 신경망(ConvNet) 학습에 적용한 실험 결과를 보여줍니다.
딥러닝 모델에서 시그모이드(Sigmoid) 활성화 함수는 입력값을 0과 1 사이로 압축하여 기하학적 맥락을 상실하게 만들어 모델의 깊이가 주는 이점을 제한합니다. 반면, ReLU는 양수 입력값의 크기를 보존하여 심층 신경망이 과도한 너비나 연산량 없이도 풍부한 표현력을 유지할 수 있게 합니다. 이 글은 두 활성화 함수의 신호 전파 방식과 표현 기하학 차이를 실험을 통해 분석하며, 이것이 모델의 추론 효율성과 확장성에 미치는 영향을 설명합니다.