AI › 인공지능 개요 › 딥러닝

대규모 정량 모델(LQM)Large Quantitative Model

수치 · 시계열 · 과학 데이터를 다루도록 수학 식 · 물리 법칙 모듈과 신경망 모듈을 묶은 하이브리드 모델이다. 낱말을 예측하는 LLM 과 달리 숫자를 직접 계산해 예측 · 시뮬레이션 결과를 낸다.

1요약

  1. 대규모 정량 모델(LQM)은 가트너가 2026-10 발표한 2027 전략 기술 트렌드의 첫 항목으로, 식 · 알고리즘 모듈과 신경망을 묶은 모듈형 하이브리드 구조 위에서 전략 예측 · 운영 모델링 · 시뮬레이션이 돈다(CXOToday 2026-10).
  2. 범용 LLM 에 수치 작업을 맡기면 확률적 추측 때문에 정확도 · 컴플라이언스 위험이 커서(CXOToday 2026-10), 가트너는 2030년까지 주요 기업 업무의 전략 예측 · 운영 모델링 작업 25% 에서 LQM 이 LLM 을 대체한다고 내다봤다(가트너 · 2026-10 · 전망 · 보도 인용).
  3. LQM 이 필요한지는 결과가 문장인가 숫자인가로 가른다 — 숫자가 결과이고 측정 범위 밖 시나리오를 돌려야 하면 LQM 을, 설명 · 요약이 결과이면 LLM 을 쓴다.

2등장 배경

냉각수 유량을 줄이면 출구 온도가 몇 도가 되는지 LLM 에 물으면, LLM 은 숫자도 글자 조각으로 받아 그럴듯한 다음 낱말을 고른다. 가트너는 LLM 이 다음 낱말을 맞히도록 학습되어 시계열 · 과학 데이터로 예측하는 일에 약하다고 설명했다(TechTarget 2026-10).

기반 방법은 그 전에 논문으로 쌓였다. 2017년 Raissi 외는 물리 법칙(편미분 방정식)을 손실 함수에 넣는 물리 정보 신경망을 냈고(Raissi 2017), 2020년 푸리에 신경 연산자는 편미분 방정식을 기존 풀이기보다 최대 1,000배 빠르게 풀었다(Li 2020). 2023년에는 약 1,000억 개 시점으로 사전 학습한 2억 매개변수 시계열 모델이 처음 보는 데이터에서 지도 학습 모델에 가까운 정확도를 냈다(Das 2023).

2026-10 가트너는 이 방법들을 LQM 이라는 이름으로 묶어 첫 트렌드로 올렸고, LQM 이 LLM 보다 메모리 · 저장 · 연산을 크게 적게 쓴다고 설명했다(Network World 2026-10). 금융 · 의료처럼 규제가 강한 산업에서 자율 예측을 안전하게 쓰는 길이라는 것이 같은 발표의 설명이다(CXOToday 2026-10).

분석LQM 은 표준 기구가 정한 용어가 아니라 동향 이름이다. 실제 기술은 물리 정보 신경망(Raissi 2017) · 신경 연산자(Li 2020) · 시계열 기반 모델(Das 2023 · Ansari 2024)처럼 이미 나온 방법의 묶음으로 읽는 것이 맞다.

3쉽게 이해하기 — 설계 사무소의 상담 창구와 계산실

설계 사무소 상담 창구에 손님이 와서 「창을 넓혀도 벽이 버틸까요?」 하고 묻는다. 상담 직원은 직접 계산하지 않고 조건을 적은 쪽지를 계산실로 넘긴다. 계산실 기사는 공식집으로 기본 값을 내고, 지난 현장 기록 노트를 보며 공식이 놓친 차이를 고친다. 숫자가 적힌 답 쪽지가 돌아오면 상담 직원이 손님에게 말로 풀어 준다.

1 손님 질문 창을 넓혀도 되나? 사용자 질문 2 상담 직원 계산은 하지 않음 LLM 3 계산실 기사 쪽지 조건으로 계산 LQM 6 답 쪽지 숫자와 오차 범위 예측 · 시뮬레이션 4 공식집 아는 식 식 모듈 5 기록 노트 공식의 빈틈 신경망 모듈 쪽지 기본값 공식이 놓친 차이 답을 말로 설명 이름표 = 실제 기술

그림 1 · 상담 직원은 질문을 계산실로 넘기고, 기사는 공식집 값에 기록 노트의 차이를 더해 숫자 답을 돌려준다.

질문손님이 창구에
쪽지 넘김직원은 계산 안 함
공식 계산공식집으로 기본 값
기록 보정공식이 놓친 차이
답 쪽지숫자와 오차 범위
말로 설명손님에게 풀어 줌
비유 — 공식집 + 기록 노트 공식집 기본 값 공식대로 낸 값 기록 노트로 고친 답 손님에게 줄 답 노트는 공식이 놓친 끝부분만 고친다 실제 — 식 모듈 + 신경망 모듈 식 모듈 · Q = ṁ · c · ΔT 설계 열량 167.2 kW 신경망 보정 뒤 158.8 kW 오염으로 줄어든 8.4 kW(−5%)만 고친다 식으로 낸 값 최종 출력 점선 = 데이터로 고친 차이 · 값은 설명용 가정 값

그림 2 · 기록 노트는 공식집 값을 버리지 않고, 공식이 놓친 차이만 깎거나 더한다 — 실제 LQM 도 식 값에 데이터로 배운 보정만 얹는다.

비유 속 역할실제 이름실제로 하는 일
창구의 손님사용자 · 운전원「유량을 줄이면 몇 도?」 같은 업무 질문
상담 직원LLM 접점질문을 계산 조건으로 바꾸고 결과를 문장으로 설명
조건 쪽지계산 요청입구 온도 · 유량 같은 입력 값
계산실 기사LQM식 모듈과 신경망 모듈을 묶어 숫자를 낸다
공식집식 · 법칙 모듈에너지 보존 같은 이미 아는 식
현장 기록 노트신경망 모듈센서 시계열에서 식이 놓친 차이를 학습
노트와 공식 대조물리 손실학습 때 법칙을 어긴 만큼 벌점
답 쪽지예측 · 시뮬레이션 결과값과 오차 범위 · 시나리오별 결과

⚠ 비유가 맞지 않는 곳: 실제 LQM 은 공식 먼저 · 노트 나중의 두 단계로만 돌지 않는다. 물리 정보 신경망은 식과 데이터를 학습 중 손실 함수 하나로 함께 맞추고(Raissi 2017), 시계열 기반 모델은 식 없이 시계열만 사전 학습한다(Das 2023).

4구조 · 동작 — 냉각수 유량을 줄이는 시나리오 한 건

LQM 은 질문 접점(LLM) → 식 · 법칙 모듈 → 신경망 모듈 → 예측 · 시뮬레이션 결과로 이어진다(CXOToday 2026-10 · TechTarget 2026-10). 아래 열교환기 값은 모두 설명용 가정 값이고, 열량은 Q = ṁ · c · ΔT(물 비열 4.18 kJ/(kg·K))로 직접 계산했다.

  1. 운전원이 LLM 에 「냉각수 유량을 2.0 kg/s 에서 1.6 kg/s 로 줄이면 출구 온도는?」 하고 묻는다 — 지금은 입구 30℃ · 출구 49.0℃ 다.
  2. LLM 은 계산하지 않고 조건(입구 30℃ · 유량 1.6 kg/s)을 LQM 에 넘긴다(TechTarget 2026-10).
  3. 식 모듈은 설계 열 부하 167.2 kW(= 2.0 × 4.18 × 20)로 출구 30 + 167.2 ÷ (1.6 × 4.18) = 55.0℃ 를 낸다.
  4. 신경망 모듈은 1분 간격 센서 기록 8,640점(6일)에서 실제 열량이 설계보다 5% 작다(열교환기 오염)는 차이를 배워 열량을 158.8 kW 로 고친다.
  5. 고친 열량으로 출구 = 30 + 158.8 ÷ 6.688 = 53.8℃(±0.4℃)이고, 지금보다 4.8℃ 높다(그림 4).
  6. LLM 은 이 숫자를 바꾸지 않고 받아 「유량을 20% 줄이면 출구 온도가 약 4.8℃ 올라 53.8℃ 가 된다」고 설명한다.
① 운전원 유량 1.6 이면? LLM 질문 · 설명 접점 ② 입구 30℃ · 1.6 kg/s LQM — 모듈형 하이브리드 신경망 ③ 식 · 법칙 모듈 Q = ṁ · c · ΔT 설계 167.2 kW ④ 신경망 모듈 오염 보정 −5% 158.8 kW 센서 시계열 1분 간격 8,640점 ⑤ 예측 출구 53.8℃ ±0.4 ⑥ 결과를 말로 설명 사람 · 질문 입력 데이터 모델 · 식 출력 · 결과 대화 접점 굵은 강조 선 = 계산 흐름 · 회색 선 = 결과 설명 흐름 · 값은 설명용 가정 값

그림 3 · LLM 은 묻고 설명하는 접점에 남고, 출구 온도 53.8℃ 는 식 모듈과 신경망 모듈을 묶은 LQM 이 계산한다.

학습 때 신경망 모듈은 측정값과의 차이에 더해, 에너지 보존을 어긴 만큼을 손실에 벌점으로 더한다(Raissi 2017). 그래서 측정이 없는 유량 1.6 kg/s 에서도 예측이 식에서 크게 벗어나지 않는다.

측정 범위 1.4 1.6 1.8 2.0 2.2 냉각수 유량(kg/s) 45 50 55 60 출구 온도(℃) 유량 1.6 kg/s 에서 식만 55.0℃ 결합 53.8℃ 데이터만 52.7℃ 식만(설계 열량) 식 + 신경망 보정 데이터만(직선 외삽) 측정 점 · 값은 설명용 가정 값

그림 4 · 측정 범위(1.9 ~ 2.2 kg/s) 밖인 1.6 kg/s 에서 식만 쓰면 55.0℃, 데이터만 쓰면 52.7℃ 로 빗나가고, 둘을 묶은 예측이 53.8℃ 를 낸다.

🔑 식은 측정 범위 밖을 받치고, 데이터는 식이 모르는 차이를 메운다 — 하나만 쓰면 1.6 kg/s 에서 55.0℃(식만) 또는 52.7℃(데이터만)로 빗나간다.

🔑 LQM 은 LLM 을 없애는 것이 아니라 역할을 나눈다 — 묻고 설명하는 일은 LLM 이, 숫자를 계산하고 시나리오를 돌리는 일은 LQM 이 맡는다.

5비교 — LLM · 디지털 트윈 · 소프트 센서와의 경계

비교 대상같은 점다른 점
LLM큰 데이터로 사전 학습한 모델LLM 은 토큰을 예측하고 숫자도 글자로 다룬다 · LQM 은 수치와 식을 직접 계산한다
디지털 트윈실제 시스템을 계산으로 흉내 낸다디지털 트윈은 실물과 데이터를 주고받는 가상 복제 체계 전체 · LQM 은 그 안의 계산 모델 후보다
시계열 이상 탐지센서 · 시계열 데이터를 입력으로 쓴다이상 탐지는 정상에서 벗어났는지 판정한다 · LQM 은 앞으로의 값을 예측 · 시뮬레이션한다
소프트 센서측정하기 어려운 값을 수치 모델로 추정한다소프트 센서는 공정 값 하나를 추정하는 작은 모델 · LQM 은 여러 변수 · 시나리오를 함께 다룬다
공정 최적화수치 모델로 의사 결정을 돕는다공정 최적화는 가장 좋은 조건을 찾는 방법 · LQM 은 그 탐색이 돌려 보는 시뮬레이터 역할을 할 수 있다

분석이미 디지털 트윈 · 소프트 센서를 쓰는 현장이라면 LQM 은 새 체계가 아니라 그 안의 계산 모델을 바꾸는 선택지로 보는 편이 맞다. 근거는 가트너 정의가 «모듈형 · 하이브리드 구조»이고(CXOToday 2026-10), 기반 방법(물리 정보 신경망 · 시계열 기반 모델)이 기존 수치 모델을 갈음하는 꼴로 발표됐기 때문이다.

6실무 진단 — 접점 · 학습 · 데이터 가르기

분석LLM 설명의 숫자 → 입력 조건이 측정 범위 안인가 → 새 데이터 오차 순으로 본다. 접점에서 숫자가 바뀌면 모델을 고쳐도 소용없고(TechTarget 2026-10 · LLM = 질문 접점), 범위 밖 조건은 신경망보다 식 · 물리 손실이 결과를 정하기 때문이다(Raissi 2017).

#증상의심 원인단계확인 자료판정 기준(근거)
1설명 문장의 숫자가 LQM 출력과 다름LLM 이 값을 다시 씀접점호출 기록 · LQM 출력 원본설명 숫자 = 출력 그대로(TechTarget 2026-10)
2측정 범위 밖 조건에서 예측이 튐신경망 모듈 외삽 · 물리 항 약함학습학습 데이터 범위 · 에너지 보존 잔차잔차가 측정 오차 수준을 넘으면 물리 손실 가중치를 올림(Raissi 2017)
3새 설비 데이터에서 오차 큼사전 학습 분포와 다른 데이터데이터처음 보는 데이터 오차 · 미세 조정 전후 비교영점 결과가 지도 학습 모델보다 크게 나쁘면 미세 조정(Das 2023)

7시험 대비

시험에서는 LQM 의 정의와 구성(식 모듈 · 신경망 모듈 · LLM 접점)을 묻는 정의 · 특징형, 그리고 LLM 과 수치를 다루는 방식을 견주는 비교형이 나올 수 있다. 같은 조건에서 식만 · 데이터만 · 결합 세 예측을 나란히 보이면 정의 수준을 넘는다.

답안 목차
  1. 개요 — 정의(모듈형 하이브리드 신경망) · LLM 의 수치 작업 한계 · 2030년 25% 전망(가트너)
  2. 구성 — 그림 3 흐름(LLM 접점 → 식 · 법칙 모듈 → 신경망 모듈 → 예측 · 시뮬레이션)
  3. 기반 방법 — 물리 정보 신경망(물리 손실) · 신경 연산자(1,000배) · 시계열 기반 모델(2억 매개변수)
  4. 원리 — 그림 4 식만 · 데이터만 · 결합 예측 비교(측정 범위 밖 시나리오)
  5. 비교 · 과제 — LLM · 디지털 트윈과의 경계 표 · 표준 용어 아님 · 범위 밖 검증

꼭 쓸 키워드
대규모 정량 모델모듈형 하이브리드물리 정보 신경망물리 손실신경 연산자시계열 기반 모델시뮬레이션외삽LLM 접점

다른 답안과 차이를 내는 한 가지는 측정 범위 밖 한 조건에서 식만 55.0℃ · 결합 53.8℃ · 데이터만 52.7℃ 를 함께 계산해, 식과 데이터가 서로의 빈틈을 메우는 것을 숫자로 보이는 것이다.

8오해와 사실

  • 오해LQM 이 나오면 LLM 은 필요 없어진다.
    사실가트너는 LLM 이 분석을 부르는 질문 접점으로 남는다고 설명했고(TechTarget 2026-10), 25% 전망도 전략 예측 · 운영 모델링 작업에 한정된다(Network World 2026-10).
  • 오해LQM 은 새로 발명된 알고리즘 하나다.
    사실표준으로 정한 구조가 없는 동향 이름이고, 2017년 물리 정보 신경망 · 2020년 신경 연산자 · 2023년 시계열 기반 모델 같은 기존 방법을 묶어 부른다(Raissi 2017 · Li 2020 · Das 2023).

9핵심 정리

구분맡는 일입력출력 · 사례 값근거흔한 실패
LLM 접점질문 받기 · 결과 설명업무 질문계산 요청 · 설명 문장TechTarget 2026-10출력 숫자를 다시 씀
식 · 법칙 모듈아는 식 계산조건 · 상수기본 값 55.0℃에너지 보존식이 모르는 손실 빠짐
신경망 모듈식이 놓친 차이 학습센서 시계열보정 −5%Raissi 2017범위 밖 외삽
물리 손실법칙 위반 벌점예측 · 식 잔차학습 신호Raissi 2017가중치 부족
수치 데이터학습 · 보정 근거1분 간격 8,640점—Das 2023(1,000억 시점 사전 학습)분포 변화
예측 · 시뮬레이션시나리오 결과조건 변화53.8℃ ±0.4CXOToday 2026-10범위 없는 한 값

이 글은 2026-10 가트너 「2027 전략 기술 트렌드」 발표 기준이다 · 다음 트렌드 발표 때 다시 본다.

10참고 문헌

  1. 먼저 볼 문헌
  2. ★ Gartner Identifies the Top Strategic Technology Trends for 2027 (가트너 보도자료 재게시본) — 가트너가 LQM 을 무엇으로 정의하고 왜 첫 트렌드로 꼽았는지 볼 때
    CXOToday · 2026-10 · cxotoday.com/others/gartner-identifies-the-top-strategic-technology-trends-for-2027/ · 확인 2026-11-18
  3. ★ Gartner's top tech trends for 2027 expand—and constrain—AI capabilities (Network World · Ann Bednarz) — 2030년 25% 전망과 LLM 대비 연산 · 메모리 비교 문장을 볼 때
    Network World · 2026-10-20 · www.networkworld.com/article/4238030/gartners-top-tech-trends-for-2027-expand-and-constrain-ai-capabilities.html · 확인 2026-11-18
  4. ★ Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations (Raissi et al.) — 물리 법칙을 손실 함수에 넣어 신경망을 학습시키는 기본 방법을 볼 때
    arXiv · 2017-11 · arxiv.org/abs/1711.10561 · 확인 2026-11-18
  5. ★ A decoder-only foundation model for time-series forecasting (Das et al.) — 시계열 전용 사전 학습 모델의 크기 · 학습 데이터 규모를 볼 때
    arXiv · 2023-10 · arxiv.org/abs/2310.10688 · 확인 2026-11-18
  6. 본문 근거
  7. Gartner unveils top technology trends at Gartner IT Symposium — TechTarget · 2026-10 · www.techtarget.com/it-strategy/feature/Gartner-unveils-top-technology-trends-at-Gartner-IT-Symposium · 확인 2026-11-18
  8. Fourier Neural Operator for Parametric Partial Differential Equations (Li et al.) — arXiv · 2020-10 · arxiv.org/abs/2010.08895 · 확인 2026-11-18
  9. Chronos: Learning the Language of Time Series (Ansari et al.) — arXiv · 2024-03 · arxiv.org/abs/2403.07815 · 확인 2026-11-18