LLM을 활용하여 분자식을 예측하는 새로운 방법을 제안합니다. 이 방법은 분자 데이터를 자연어처럼 처리하여, 분자의 특성을 분류하고, 특성으로부터 분자식을 역추론하는 과정을 단순화합니다. LLM의 자연어 처리 능력을 이용해 분자식을 직접 입력으로 사용하며, 이를 통해 분자의 특성을 예측하거나 새로운 분자식을 설계합니다.
Non-Language Task를 언어 문제로 변환하여 해결하는 혁신적 방법을 제시합니다. 이 연구는 LLM의 표현력을 활용해 다양한 데이터 유형을 언어화하고, 이를 통해 문제를 직관적으로 해결합니다. LIFT는 LLM의 활용 범위를 확장하며, 데이터의 의미적 이해를 통한 정확한 예측과 분석을 가능하게 합니다.
콘크리트 설계에 혁신을 가져온 Knowledge Driven Design 방식을 소개합니다. 전문가 지식을 활용해 DDD의 한계를 극복하고, 설계 정확도와 효율성을 향상시킵니다.
LLM이 외부 정보를 사용하는 세 가지 방법인 Prompt Engineering, PEFT, RAG의 핵심 개념과 대표 논문을 소개합니다.
Chain of Thought Prompting의 한계를 극복하고, 모델이 여러 추론 경로를 통해 일관된 최적의 답변을 도출하는 방법을 제시합니다. 실험 결과는 이 방식이 산수, 상식, 기호 추론 등에서 기존 방법보다 우수한 성능을 보임을 입증합니다. Self Consistency는 NLP 모델의 정확도와 신뢰성을 향상시키는 동시에, 계산 비용의 증가라는 도전과제를 제시합니다.
Retrieval-Augmented Generation (RAG) 모델은 외부 지식을 동적으로 검색하여 복잡한 질문에 대한 정확하고 상세한 답변을 생성합니다. 이 글에서는 RAG가 기존 언어 모델의 한계를 어떻게 극복하고, NLP 분야에서 지식 기반 추론과 답변 생성의 새로운 기준을 설정하는지 탐구합니다.
Chain of Thought 방식을 통해 대규모 언어 모델이 복잡한 추론 문제를 해결하는 새로운 접근법을 탐구합니다. 이 방식이 산수, 상식, 기호 추론 등에서 어떻게 성능을 향상시키는지, 그리고 이러한 접근법이 모델의 추론 과정을 투명하게 만들어 인공지능 시스템의 신뢰성을 높이는 방법을 살펴봅니다.
효율적으로 LLM을 문제에 맞게 학습하는 방법중 하나인 Prefix Tuning 논문을 쉽게 설명합니다. 기존 Fine Tuning, Adapter 등의 PEFT 방식과 Prefix Tuning은 무엇이 다른지 그림을 통해 쉽게 이해해봅니다.
PEFT의 대표적인 방법론인 LoRA 논문을 리뷰합니다. Low Rank Decomposition이 무엇인지, 왜 LoRA는 Fine Tuning 대비 적은 파라미터를 학습하는지에 대해 그림을 통해 쉽게 설명합니다.
Flamingo : 시각과 언어를 결합한 인공지능의 새로운 지평. 이 글에서는 Flamingo의 독특한 구조, few-shot learning 능력, 실험 결과 및 사회적 영향을 탐구합니다. Flamingo가 딥러닝과 시각-언어 모델링 분야에 가져올 변화와 가능성을 살펴보세요.
