본 연구에서는 적응적으로 배치된 다중 격자 장면 표현 네트워크(APMGSRN)를 제안하여 과학 데이터의 복잡한 특징에 맞게 네트워크 매개변수를 동적으로 할당함으로써 기존 모델 대비 향상된 재구성 정확도를 달성하였다. 또한 대규모 데이터 처리를 위한 도메인 분할 학습 및 추론 기법을 개발하여 병렬 학습을 통해 빠른 학습 시간을 달성하였다.
대규모 언어 모델(LLM)을 활용하여 과학 데이터 시각화 작업을 자동화하는 MatPlotAgent 프레임워크를 제안한다. MatPlotAgent는 쿼리 이해, 코드 생성 및 디버깅, 시각적 피드백 메커니즘으로 구성되어 있으며, 다양한 LLM 모델에서 성능 향상을 보여준다.