동적 전압 및 주파수 스케일링(Dynamic Voltage and Frequency Scaling, DVFS)은 컴퓨팅 장치의 전력 효율을 향상시키는 핵심 기술이다. 그러나 기존의 DVFS 방법은 모바일 기기의 고유한 요구에 대응하는 데 어려움을 겪는다. 최근의 강화학습(reinforcement learning, RL) 기반 접근법은 모바일 특유의 열(thermal) 및 작업 부하(workload) 특성에 맞추어 이를 해결한다. 그럼에도 불구하고 이러한 해법들은 벤더(vendor)가 보정한 기기별 설정을 무시한 채 주파수 조정만 수행하고, 배터리, 디스플레이, 집적회로(integrated circuits)와 같은 주변 및 비(非)프로세서 구성요소가 프로세서 열 관리(processor thermal management)에 미치는 영향을 간과하며, 환경 의존적 고정 파라미터에 의존하여 서로 다른 환경에서의 적응성을 제한한다. 이러한 한계를 해결하기 위해 본 연구에서는 환경에 적응 가능한 RL 기반 솔루션인 EarDVFS를 제안한다. EarDVFS는 전통적 방법과 RL 기반 방법의 장점을 결합하기 위해 선제적 스로틀링(proactive throttling)을 사용하고, 더 나은 열 관리를 위해 주변 및 비(非)프로세서 구성요소의 온도를 고려하며, 환경에 강건한 RL 파라미터 설계를 특징으로 한다. 서로 다른 주변 온도, 기기, 작업 부하에 걸친 광범위한 실험 결과, EarDVFS는 성능을 유지하면서 기본 DVFS 대비 평균 21.6% 및 최대 49.6%까지 전력 효율을 일관되게 향상시키는 것으로 나타났다. 또한, 본 연구에서는 RL 모델의 행동(action), 상태(state), 보상(reward) 요소에 대한 포괄적인 절제(ablation) 연구를 수행하여, 각 요소가 다양한 열 환경에서 EarDVFS의 적응성과 효과에 유의미하게 기여함을 확인하였다.

대규모 파운데이션 모델(Large Foundation Models, LFMs)은 인간-컴퓨터 상호작용 분야에서 새로운 가능성을 열어 주었으며, 특히 모바일 GUI(그래픽 사용자 인터페이스)를 대상으로 상호작용할 수 있는 모바일 GUI 에이전트의 등장과 함께 그 가능성이 두드러지고 있다. 이러한 에이전트는 사용자가 간단한 자연어 지시를 통해 복잡한 모바일 작업을 자동화할 수 있게 해준다. 그러나 LFMs의 본질적인 확률적 특성과 모바일 작업의 모호함 및 맥락 의존성이 결합되면서, LFM 기반 자동화는 신뢰성이 낮고 오류가 발생하기 쉽다. 이 중대한 문제를 해결하기 위해, 우리는 VeriSafe Agent(VSA)1를 도입한다. VSA는 모바일 GUI 에이전트를 위한 논리적 기반의 안전장치로서 기능하는 형식 검증(formal verification) 시스템이다. VSA는 에이전트가 행동을 실행하기 전에, 그 행동이 사용자의 의도와 엄밀히 일치하도록 하는 것을 결정론적으로 보장한다. 핵심적으로 VSA는 자연어 기반 사용자 지시를 형식적으로 검증 가능한 명세로 변환하는 새로운 자동 형식화(autoformalization) 기법을 제안한다. 이를 통해 에이전트의 행동에 대해 실행 시(runtime) 규칙 기반 검증을 수행할 수 있으며, 실제로 실행되기 전부터 오류가 있는 행동을 탐지할 수 있다. 우리가 아는 한, VSA는 GUI 에이전트에 형식 검증의 엄밀함을 도입하려는 최초의 시도이며, LFM 기반 행동과 형식 소프트웨어 검증 사이의 간극을 연결한다. 우리는 시판되는 LFM 서비스(GPT-4o)를 사용하여 VSA를 구현하고, 널리 사용되는 18개 모바일 앱에 걸쳐 300개의 사용자 지시에 대해 성능을 평가한다. 그 결과, VSA는 에이전트 행동을 검증하는 데 94.33%–98.33%의 정확도를 달성하며, 기존의 LFM 기반 검증 방법보다 30.00%–16.33% 더 우수한 성능을 보였다. 또한 GUI 에이전트의 작업 완료율(task completion rate)을 90%–130%까지 증가시켰다.