게재된 논문 「Formalizing Energy-Safe Inference Scheduling for Physical AI under Non-stationary Energy Harvesting」은, 태양광 등 에너지 하베스팅 환경에서 동작하는 로봇·임베디드 시스템이 배터리 고갈 없이 장기간 자율적으로 운용될 수 있도록 하는 스케줄링 프레임워크를 다룬 연구이다.

연구는 성능과 에너지 소모가 서로 다른 여러 추론 정책(고성능 모델, 경량 모델, 비신경망 제어기 등) 중 상황에 맞는 하나를 선택하는 문제를 PAISP(Physical AI Inference Scheduling Problem)로 정식화하고, 이를 실시간으로 해결하는 경량 스케줄러 LEAPS(Lightweight EH-Adaptive Policy Scheduler)를 제안하였다. LEAPS는 에너지수확 비례 기회비용(EPOC) 연산을 통해 배터리 잔량과 실시간 에너지 수확 속도를 함께 고려함으로써, 별도의 수동 파라미터 재조정 없이도 배터리가 안전 하한선 아래로 떨어지지 않도록 보장하면서 최선의 성능을 끌어내었다.