하드웨어 제약을 실제로 지키는 컴퓨팅 시스템을 자율 설계하는 물리 기반 멀티에이전트 발견 엔진을 제시한 연구다. 과거 과학적 혁신을 구조화한 진화 지식 그래프(Evolutionary Knowledge Graph)에서 '알고리즘적 사고 사슬'을 추출해 맹목적 확률 탐색을 방향성 있는 구조 진화로 전환한다. 파운데이션 모델 배포라는 극한 테스트베드에 적용해 인간 설계 휴리스틱을 능가하는 두 가지 하드웨어 인지 압축 기법을 진화시켰다: 밀집 모델의 장문 맥락 정확도 손실을 완화하는 Q-Enhance와, 3비트 미만 영역에서 최신 수동 설계 희소 MoE를 3.7% 앞서는 MoE-Salient-AQ다. 대역폭 효율적 민감도 프로파일로 2,350억 파라미터 모델을 듀얼 A100 서버에 배포하며 메모리를 75% 줄이고 정확도 저하는 0.64%에 그쳤다. 물리 제약 내 기계 주도 발견의 하드웨어-소프트웨어 공동 설계 패러다임을 보여준다.

• •진화 지식 그래프에서 '알고리즘적 CoT'를 추출해 맹목적 탐색을 방향성 있는 구조 진화로 전환
• •에이전트가 진화시킨 Q-Enhance: 밀집 모델의 장문 맥락 정확도 손실 완화
• •MoE-Salient-AQ: 3비트 미만 영역에서 인간 설계 희소 MoE 대비 3.7% 우수
• •2,350억 파라미터 모델을 듀얼 A100 서버에 배포 — 메모리 75% 절감, 정확도 저하 0.64%
• •하드웨어 비호환 설계를 환각하는 범용 에이전트의 한계를 물리적 근거로 극복