본문 바로가기
대메뉴 바로가기
KAIST
뉴스
유틸열기
홈페이지 통합검색
-
검색
ENGLISH
메뉴 열기
%EB%8D%B0%EC%9D%B4%ED%84%B0
최신순
조회순
세계 최초 네트워크 기술이 적용된 SSD 시스템 반도체 개발
우리 대학 전기및전자공학부 김동준 교수 연구팀이 세계 최초로 `패킷 기반 네트워크' 기술이 적용된 SSD(Solid State Drive, 반도체 기억소자를 사용한 저장장치) 시스템 개발을 통해 차세대 SSD의 읽기/쓰기 성능을 비약적으로 높이는 시스템 반도체를 개발했다고 28일 밝혔다. 패킷이란 다양한 크기를 지닌 데이터를 일정한 크기로 분할한 후 제어 정보를 추가한 데이터 전송의 기본 단위를 말하며, 효율적이고 신뢰성 있게 데이터를 전송할 수 있다는 장점이 있어 주로 컴퓨터 네트워크 기반 정보 기술에서 사용되고 있다. 최근 시스템 반도체 분야에서는 다양한 계산 자원들을 칩 내부 네트워크로 연결하여 효율적으로 활용하는 기술이 적용되고 있다. 본 연구는 이러한 시스템 반도체 분야에서 효과적인 네트워크 연결 기술을 메모리 반도체에 적용하였다는 점에서 큰 의미를 가지고 있다. SSD는 플래시메모리를 이용해 정보를 저장하는 장치로, 기존 자기디스크를 이용한 데이터 저장장치인 `하드디스크 드라이브(HDD)'에 비해 데이터 입출력(읽기/쓰기) 속도가 빠르고 발열과 소음이 적어 데이터 센터 및 클라우드 서비스를 위한 주요 저장장치로 활용되고 있다. 전 세계적으로 수십억 명이 사용하는 페이스북(Facebook), 트위터(Twitter) 등과 같은 SNS 서비스를 제공하는 기업들뿐만 아니라 구글, 마이크로소프트 등과 같이 수십억 명의 사용자 정보를 저장하고 이를 활용해 서비스를 제공하는 기업들은 더 많은 데이터를 저장하고 성능이 좋은 고용량/고성능 SSD 제품을 필요로 한다. 특히 인터넷 서비스 제공 기업들은 많은 양의 정보가 데이터 센터에서 저장되고 처리되면서 더 많은 데이터를 저장할 수 있고, 더 빠르게 데이터를 읽고 쓰는 것이 가능한 고성능 SSD 제품을 요구한다. 따라서 SSD는 지속해서 성능과 용량의 개선을 요구하는 상황에 놓이게 된다. 이에 삼성, SK 하이닉스, 등과 같은 SSD 및 메모리를 제공하는 기업에서는 고성능 SSD 기술에 크게 주목하고 있으며, 이는 많은 애플리케이션의 성능 향상에 도움이 될 뿐만 아니라 비용적인 측면에서도 효율적으로 서버 시스템을 확장하는 데 도움이 될 것으로 기대하고 있다. 하지만 이러한 장점에도 불구하고, 고용량 및 고성능 SSD를 위해 규모를 증가시키는 스케일 업(scale-up)은 하드웨어 패키징 한계에 제한돼 쉽게 확장하기 어렵다. 무엇보다도 기존 SSD 시스템은 사용 가능한 처리량 (bandwidth)이 있음에도 불구하고 효율적으로 사용하지 못하는 비효율적인 데이터 송수신 방식 채택해 사용하고 있다. 이에 김동준 교수 연구팀은 기존 SSD 시스템 설계를 분석해 CPU, GPU 등과 같은 비메모리 시스템 반도체 설계에서 주로 활용되는 네트워크 기술을 적용해 SSD 성능을 크게 높일 수 있는 `네트워크 기술이 적용된 SSD 시스템 반도체'를 개발했다. 김동준 교수팀이 개발한 SSD 시스템은 플래시 인터커넥트(interconnection network) 와 패킷 기반 플래시 컨트롤러 (packet-based flash controller) 등으로 구성되어 있으며, 현재 사용되는 기존 SSD 시스템 대비 2배 많은 처리량을 제공하고 응답시간을 약 10배 줄인 성능을 보인다고 연구팀 관계자는 설명했다. 또한 이번 개발을 통해서 기존 하드웨어의 한계를 비메모리 시스템 반도체에서 주로 사용되는 패킷(packet) 기반 송수신 기법의 사용으로 극복해 고성능 SSD 기술에 도움을 줄 수 있을 것으로 기대된다고 연구팀 관계자는 설명했다. 전기및전자공학부 김지호 박사과정이 제1 저자로, 한양대학교 컴퓨터소프트웨어학과 강석원 박사과정, 박영준 연세대학교 컴퓨터과학과 교수가 공동 저자로 참여한 이번 연구는 미국 시카고에서 열리는 컴퓨터 구조 분야 최우수 국제 학술대회인 `55th IEEE/ACM International Symposium on Microarchitecture (MICRO 2022)'에서 오늘 10월 발표될 예정이다. (논문명 : Networked SSD: Flash Memory Interconnection Network for High-Bandwidth SSD) 연구를 주도한 김동준 교수는 "이번 연구는 지금까지는 없던 네트워크 패킷(packet)이 적용된 SSD 시스템 반도체를 세계 최초로 개발했다는 점에서 의의가 있으며, 데이터 센터 및 클라우드 서비스 시장에서 지속적으로 증가하는 고성능 SSD 요구에 발맞춰 큰 도움을 줄 수 있을 것으로 보인다ˮ며, "SSD의 성능 향상은 인공지능 연구 및 빅데이터 분석 기술을 활용하는 다양한 알고리즘 성능 개선에도 기여할 것으로 보인다ˮ고 연구의 의의를 설명했다. 한편 이번 연구는 한국연구재단과 정보통신기획평가원 차세대지능형반도체기술개발사업의 지원을 받아 수행됐다.
2022.09.28
조회수 4607
인공지능 활용 고용량 배터리 소재 역설계 기술 개발
우리 대학 신소재공학과 홍승범 교수 연구팀이 우리 대학 조은애 교수, 변혜령 교수, 이혁모 교수, 신종화 교수, 육종민 교수, 그리고 미국의 르하이 대학교(Lehigh University), 죠수아 C 에이가(Joshua C. Agar) 교수와 협업해 기존 문헌에 발표된 실험값들을 추출하는 데이터 마이닝 과정과 이런 실험값들을 입력변수로 하는 다변수 선형회귀 모형을 기반으로 배터리 소재 역설계 머신러닝(기계학습) 모델을 수립했다고 23일 밝혔다. 인공지능은 고차원의 변수 공간에서 각 매개변수 간의 정량적인 상관관계를 신속하고 정확하게 추출할 수 있다. 이를 공정-구조-물성 간의 상관관계를 기반으로 발전하는 신소재공학에 적용하면 신소재 개발 시간을 단축할 수 있으며, 이런 이유로 많은 연구자가 인공지능을 신소재 개발에 활용하려고 노력하고 있다. 특히, 배터리 소재 개발에 인공지능을 활용하는 예가 가장 많은데, 주로 제1 원리 계산(양자화학에 기반한 계산법으로 계산 시 다른 경험적 수량을 전혀 사용하지 않음)과 머신러닝을 융합해 수많은 전극 소재 조합을 대량으로 스크리닝하는 기술 개발이 주를 이루고 있다. 그런데, 인공지능을 활용해서 새로운 배터리 소재를 탐색하고, 탐색한 소재를 합성 및 특성 평가에 있어 가장 큰 문제점은 데이터의 신뢰성과 양이다. 제1 원리 계산으로 예측한 값들은 실험으로 검증이 돼야 하며, 실험데이터의 경우 실험실마다 편차가 있고, 중요한 공정변수들을 공개하지 않은 경우가 많아 인공지능이 학습할 수 있는 데이터의 크기가 한정적이라는 문제가 대두되고 있다. 연구팀은 배터리 양극재 원료조성, 1차 및 2차 소결 온도와 시간 등의 공정 변수와 컷오프 전위 및 충․방전률과 같은 측정 변수, 그리고 1차 및 2차 입자의 크기와 같은 구조 변수, 마지막으로 충․방전 용량과 같은 성능 변수 간의 상관관계를 정량적으로 수립했고, 이를 활용해 요구되는 에너지 용량에 맞는 합성 조건을 찾는 알고리즘을 개발했다. 홍 교수 연구팀은 고니켈 함량 양극재 관련 논문 415편 안에 발표된 주요 변수들을 추출하고, 그중 16% 정도의 정보가 기입되지 않음을 발견했으며, 머신러닝 기법 중에서 k-최근접 이웃 알고리즘(k-nearest neighbors (KNN)), 랜덤 포레스트(random forest (RF)), 연쇄등식을 이용한 다중대치(multiple imputations by chained equations (MICE))를 활용해 빠진 정보를 예측하여 기입했다. 그리고, 가장 신뢰도가 높은 MICE를 선택해 얻은 입력 데이터 셋을 기반으로 주어진 공정 및 측정 변수에 대해서 성능 변수를 예측하는 순방향 모델을 얻었다. 이어서 입자 군집 최적화(particle swarm optimization, PSO) 알고리즘을 활용하여 주어진 성능 변수에 대응하는 공정 및 측정 변수를 추출하는 역방향 모델을 수립했고, 이 모델을 검증하기 위해 소재를 실제로 합성하여 타깃 용량인 200, 175, 150 mAh/g과 11% 정도의 오차를 보여 상당히 정확하게 역설계할 수 있음을 입증했다. 교신 저자인 홍승범 교수는 "인공지능을 활용해 대량의 논문 및 특허 내에 있는 공정-구조-물성 변수들을 자동으로 분류하고 실험값들을 추출해 각 변수 간의 다차원 상관관계를 기반으로 모델을 수립하는 것이 차세대 배터리 소재의 역설계의 핵심ˮ이라며 "향후 데이터 마이닝 기술, 머신러닝 기술 그리고 공정 자동화 기술을 융합하는 것이 미래의 신소재공학ˮ이라고 말했다. 신소재공학과 치 하오 리오우(Chi Hao Liow) 박사가 제1 저자로 참여한 이번 연구는 국제 학술지 `나노에너지(Nano Energy)'에 게재됐다. (논문명: Machine learning assisted synthesis of lithium-ion batteries cathode materials) 한편 이번 연구는 KAIST 글로벌 특이점 사업의 지원을 받아 수행됐다.
2022.08.23
조회수 4704
인공지능 및 빅데이터 시대를 이끌어갈 차세대 CXL2.0 메모리 확장 플랫폼 세계 최초 개발
우리 대학 전기및전자공학부 정명수 교수 연구팀(컴퓨터 아키텍처 및 메모리 시스템 연구실)이 대용량 메모리 장치부터 프로세스를 포함한 컴퓨트 익스프레스 링크(CXL) 2.0 기반의 차세대 메모리 확장 플랫폼 ‘다이렉트CXL(이하 DirectCXL)’을 세계 최초로 프로토타입 제작, 운영체제가 실장된 단대단(End-to-End) 시연에 성공했다고 1일 밝혔다. 오늘날 빅데이터 분석, 그래프 분석, 인메모리 데이터베이스 등 대규모 데이터에 기반한 응용처리가 증가함에 따라, 데이터 센터에서는 이를 더 빠르고 효율적으로 처리하기 위해 시스템의 메모리 확장에 많은 투자를 하고 있다. 그러나 우리가 흔히 알고 있는 메모리 확장 방식인 더블 데이터 대역폭(DDR) 인터페이스를 통한 메모리 확장은 추가할 수 있는 메모리 개수의 제한이 있어, 대규모 데이터 기반의 응용을 처리하기에 충분치 않다. 따라서 데이터 센터에서는 CPU와 메모리로 이루어진 메모리 노드들을 따로 구성하고, 응용을 수행하는 호스트의 메모리가 부족하면 네트워크로 연결된 메모리 노드를 자신의 메모리 공간으로 사용하는 원격 데이터 전송 기술(이하 RDMA) 기반의 메모리 확장을 사용한다. 여러 메모리 노드를 사용하는 RDMA 기반의 메모리 확장을 통해 데이터센터는 시스템의 메모리 크기를 늘릴 수 있었지만, 여전히 해결해야 할 문제들이 남아있었다. 우선 RDMA 기반 메모리 확장 시스템에서는 노드 간 데이터 이동 시 불필요한 데이터 복사, 소프트웨어의 개입 그리고 프로토콜 전환으로 인한 지연을 발생시켜 성능 저하가 발생했다. 또한 시스템의 메모리 확장 시 메모리만을 추가할 수 있는 것이 아닌, 메모리와 메모리를 제어할 CPU가 하나의 메모리 노드를 이루어 시스템에 추가되어야 했기 때문에, 추가적인 비용 소모가 발생했다. 최근 컴퓨트 익스프레스 링크(Compute Express Link, 이하 CXL) 프로토콜의 등장으로 많은 메모리 고객사와 제조사가 이러한 문제를 해결할 가능성을 확인하고 있다. CXL은 PCI 익스프레스(PCIe) 인터페이스 기반의 CPU-장치(Device) 간 연결을 위한 프로토콜로, 이를 기반으로 한 장치 연결은 기존보다 높은 성능과 확장성을 지원하는 것이 특징이다. 국내외 유수 기업들이 모여 CXL 인터페이스 표준 규약을 제안하는 CXL 컨소시엄은 지난 2019년 CXL 1.0/1.1을 처음 제안했고, 이후 CXL 2.0을 발표하며 CXL 1.0/1.1에서 하나의 포트당 하나의 지역 메모리 장치만을 연결할 수 있었던 확장성 문제를 스위치 네트워크를 통해 개선, 하나의 포트를 여러 포트로 확장할 수 있도록 했다. 따라서 CXL 1.0/1.1과 달리 CXL 2.0에서는 확장된 포트에 다수의 원격 CXL 메모리 장치를 연결하는 것이 가능해 더 높은 확장성을 지원할 수 있게 됐다. 그러나 CXL 2.0의 높은 확장성에도 불구하고, 아직 CXL 연구의 방향성을 제시해줄 수 있는 시제품 개발 및 연구들이 진행되지 않아, 메모리 업계와 학계에서는 여전히 CXL1.0/1.1을 기반으로 지역 메모리 확장 장치, 시제품 개발 및 연구를 진행하고 있는 실정이다. 따라서 새로운 CXL 2.0을 통한 메모리 확장 연구의 방향성 초석을 제시할 필요성이 커졌다. 정명수 교수 연구팀이 전 세계 최초로 프로토타입한 CXL 2.0 기반 메모리 확장 플랫폼 ‘DirectCXL’은 높은 수준의 메모리 확장성을 제공하며, 빠른 속도로 대규모 데이터 처리를 가능케 한다. 이를 위해 연구팀은 메모리를 확장해 줄 장치인 ‘CXL 메모리 장치’와 호스트 ‘CXL 프로세서 (CPU)’, 여러 호스트를 다수의 CXL 메모리 장치에 연결해주는 ‘CXL 네트워크 스위치’ 그리고 메모리 확장 플랫폼 전반을 제어할 리눅스 운영체제 기반의‘CXL 소프트웨어 모듈’을 개발해 플랫폼을 구성했다. 구성된 ‘DirectCXL’ 플랫폼을 사용한 시스템에서는 확장된 메모리 공간에 직접 접근해 데이터를 CPU의 캐시로 가져와 불필요한 메모리 복사와 소프트웨어의 개입이 없으며, PCIe 인터페이스만을 사용해 프로토콜 전환을 없애 지연시간을 최대한 줄였다. 또한 추가적인 CPU가 필요 없는 CXL 메모리 장치를 CXL 스위치에 연결하는 것만으로 메모리 확장이 가능해 효율적인 시스템의 구성이 가능했다. 국내외 소수 대기업에서 메모리 장치 일부 단품에 대한 구성을 보여준 준 사례는 있지만, CXL 2.0 기반, CPU부터 CXL 스위치, 메모리 장치가 장착된 시스템에서 운영체제를 동작시키고 데이터 센터와 응용을 실행하고 시연한 것은 정명수 교수 연구팀이 처음이다. 연구팀은 자체 제작한 메모리 확장 플랫폼 ‘DirectCXL’의 성능을 검증하기 위해 CXL 동작이 가능한 다수의 자체 개발 호스트 컴퓨터가 CXL 네트워크 스위치를 통해 연결된 다수 CXL 메모리 장치들을 제어하는 환경을 구성했다. 이후 구성된 플랫폼을 통해 CXL 메모리 장치의 성능을 기존 RDMA 기반 메모리 확장 솔루션과 비교했다. 연구팀이 제안한 ‘DirectCXL’은 확장된 메모리에 대한 접근 시간 검증에서 기존 RDMA 기반의 메모리 확장 솔루션 대비 8.3배의 성능 향상을 보였으며, 많은 메모리 접근을 요구하는 그래프 응용처리 및 인 메모리 데이터베이스 응용처리에서도 각각 2.3배, 2배의 성능 향상을 이뤄냈다. 정명수 교수는 "이번에 개발된 ‘DirectCXL’은 기존 RDMA기반 메모리 확장 솔루션보다 훨씬 적은 비용으로도 뛰어난 성능과 높은 확장성을 제공하는 만큼 데이터센터나 고성능 컴퓨팅 시스템에서의 수요가 클 것으로 기대한다ˮ며, "세계 최초로 개발된 CXL 2.0 기반의 단대단 프로토타입 플랫폼을 활용해 CXL이 적용된 새로운 운영체제(OS)는 물론 시스템 소프트웨어, 솔루션 시제품 고도화를 통해 향후 CXL을 활용한 시스템 구축에 초석을 제공할 것이다ˮ라고 말했다. 한편 이번 연구는 미국 칼스배드에서 지난 7월에 11에 열린 시스템 분야 최우수 학술대회인 유즈닉스 연례 회의 `USENIX Annual Technical Conference, 2022'에 ‘DirectCXL’이라는 논문명(Direct Access, High-performance Memory Disaggregation with DirectCXL)으로 발표되었다. 또한 미국 산호세에서 열리는 8월 2/3일에 플래시 메모리 정상회담(Flash Memory Summit)에서 CXL 컨소시움이 이끄는 CXL포럼에 발표될 예정이다. ‘DirectCXL’의 자세한 내용은 연구실 웹사이트(http://camelab.org)에서 확인할 수 있다. DirectCXL은 데이터센터와 클라우드 시스템에서 다양한 응용에 쉽게 적용 가능하며, 하나의 실시예로 메타(페이스북) 추천시스템 기계학습 데이터 가속에 대한 시연 영상을 연구실 유튜브(https://youtu.be/jm8k-JM0qbM) 에서 확인할 수 있다. 해당 영상은 각 개인의 대규모 특성 자료들(텐서)을 CXL 메모리 풀에 올려두고 빅데이터를 활용한 인공지능이 친구나 광고 등 개인 특성에 맞는 자료들을 추천하게 하는 시스템으로 기존 데이터 센터의 원격메모리에 비해 3.2배 이상의 사용자 수준 성능 향상을 보여주고 있다.
2022.08.01
조회수 4669
수요중심 디지털 혁신 리더 양성, 데이터사이언스 대학원 설립
우리 대학이 지난 수년간 획기적으로 발전한 기계학습, 인공지능, 빅데이터 등의 기술을 일상에서 체감할 수 있는 교육과 연구를 수행하고자 ‘데이터사이언스 대학원(Graduate School of Data Science, GSDS)’ 을 설립했다. 데이터사이언스 대학원은 구체적으로 제조, 금융, 의료, 사회서비스(복지) 4개 분야에 특화된 연구를 수행한다. 데이터 분석을 통해 다음날 시청할만한 유튜브 콘텐츠를 사용자에게 알려주거나, 학대받고 있는 아동을 미리 파악해 더 심각한 상황으로 이어지는 것을 방지하는 기술 등이 그 예다. ‘수요중심 디지털 혁신 리더 양성’이라는 비전을 바탕으로 기술과 현실 두 축을 모두 이해할 뿐 아니라 광범위한 지식과 전문성을 함께 보유한 T자형 인재 양성하는 것이 목표다. 이에 입학 전 부트캠프를 통해 수학·통계·프로그래밍 등의 기본 지식을 교육하고, 본 교육과정에서 데이터사이언스 가치사슬 전 영역(수집·관리·처리·분석·모델링·활용)을 아우르는 세계 최고 수준의 핵심 기술을 전수할 예정이다. 또한, 현장실습 학점제인 코업(Coop) 인턴, 프로젝트 기반 수업(Project Based Learning, PBL), 학습 내용을 결과물로 제작해 발표하는 캡스톤(Capstone), 산학 연구과제 실습 등 다양한 현장 경험을 제공하여 학생들의 현장 문제해결 능력과 리더십을 함양할 계획이다. 김우창 데이터사이언스 대학원 신임 원장은 “디지털 전환 시대에 막대한 양의 정보를 창의적으로 응용하고, 수요 현장의 환경을 잘 이해하는 리더를 배양할 것이다. 신기술 개발 외에도 사회의 각종 문제를 함께 고민하고 해결에 이바지하는 인재를 양성할 것”이라고 말했다. 이어 “세계적 수준의 선도형 교육을 통해 전 국민의 삶의 질을 높이는 연구 결과물을 창출하는 데에도 최선을 다할 것”이라고 강조했다. 한편, 데이터사이언스 대학원은 올해 5월 KAIST가 과학기술정보통신부의 데이터사이언스 융합인재양성사업에 선정됨에 따라 본격적인 설립을 추진한 것으로, 국내 최초로 올해 6월부터 2028년까지 7년간 약 133억 원의 정부지원금을 받는다. 데이터사이언스 대학원 설명회는 오는 27일(월), 29일(수) 유튜브 채널 ‘카이스트 산업및시스템공학과’에서 온라인으로 개최된다. 입학 관련 자세한 내용은 산업및시스템공학과 홈페이지(https://ie.kaist.ac.kr)와 KAIST 입학 홈페이지(https://admission.kaist.ac.kr/)에서 확인할 수 있다.
2022.06.17
조회수 5771
과기정통부, 데이터사이언스 융합인재양성사업에 우리학교 선정
우리 대학(산업및시스템공학과)이 과학기술정보통신부 주관의 '데이터사이언스융합인재양성사업' 단독형 2022년 신규과제에 선정됐다. 과기정통부는 컨소시엄형(고려대, 서울시립대, 충남대, 호서대) 1개와 단독형(KAIST) 1개를 선정해 향후 7년간 총 465억원을 지원한다. 우리 대학은 올해 6월부터 2028년까지 약 7년간 약 133억(2022년 13억 원, 2023년부터 매년 20억 원)의 정부지원금을 받는다. 올해 신규 과제인 이 사업의 목표는 데이터사이언스 핵심 지식을 다양한 활용 분야에 접목할 수 있는 융합 인재를 양성하는 것이다. 특히 ▲T자형(광범위 지식과 전문성 보유) 인재 양성을 위한 교육 프로그램 설계 ▲비즈니스 모델을 선도하는 석박사 고급 인재 육성에 중점을 두고 있다. 이에, 우리 학교 산업및시스템공학과 GSDS(Graduate School of Data Science)는 22년도 가을학기부터 데이터사이언스 대학원 과정을 개설하여, '데이터사이언스+α 융합 커리큘럼'을 개발 및 운영할 계획이다. 이를 통해 데이터사이언스를 기반으로 한 연구 분야를 확장하고 유관 기관들과 적극적인 협력을 추진할 예정이다. 구체적으로는 다양한 학사 전공의 학생들을 선발하여 연구·교과·창업·산업체 추천 등 각 트랙에 따라 맞춤형 커리큘럼을 제시한다. 또한, 교과 기반의 데이터사이언스 핵심 교육을 지원함은 물론, 산업체·연구기관 인턴십, 해외대학·연구소 파견, 문제 해결형 캡스톤 프로젝트 등 비교과 기반의 양방향 교육을 병행할 방침이다. 사업단장인 산업및시스템공학과 김우창 교수는 “총 11개 학과 33명의 우수한 교수님들과 함께 데이터사이언스 융합 인재 양성을 위한 양질의 교육을 제공할 것이다. 더 나아가 대한민국의 데이터사이언스 기술 발전에도 기여하도록 최선을 다할 것”이라고 밝혔다.
2022.05.26
조회수 4167
KAIST 나노융합연구소-주식회사 아이티존, 연구협력 및 전문인력교류 업무 협약서 체결
KAIST 나노융합연구소(연구소장:정희태 교수)는 26일 중부권 내 빅데이터 개발 연구중심의 기업인 아이티존(김경일 대표)과 나노융합빅데이터 수집 분석과 관련해 연구협력 및 전문 인력교류 관계를 구축하기 위하여 업무협약을 체결했다. 특히 협약서에는 빅데이터 분야에서 다양한 공동 연구와 세미나 등을 수행하며, 나노융합 빅데이터 연구의 중추적인 역할을 수행하기 위하여 상호지원 및 협력할 범위를 지속적으로 확대 운영하기로 하였다. 아이티존은 대전에서 20년간 빅데이터 등을 수집 분석하는 전문 벤쳐 기업으로사이버 공격은 범죄의 성격을 뛰어넘어 국가연구개발성과물에 막대한 손해를 끼치는 중대범죄로서 이에 대한 대비책 등에 관해 다양한 의견을 교환했다. 한편 KAIST 나노융합연구소는 인류가 직면하고 있는 전 세계적 관심사인 기후‧환경변화 문제 해결을 위해서 온실가스 감축, 지속가능한 새로운 高에너지원 개발 및 물, 화학, 생명, 데이터분석, 미세먼지 등의 기술의 고도화를 집중적으로 연구해야 한다는 소회를 밝혔다.
2022.04.27
조회수 3385
제1회 K-인공지능 제조데이터 분석 경진대회 개최
KAIST(총장 이광형)는 중소제조기업의 애로사항을 창의적인 인공지능(AI) 아이디어로 해결하는 ‘제1회 K-인공지능 제조데이터 분석 경진대회’를 개최했다. 중소벤처기업부(장관 권칠승, 이하 중기부), 스마트제조혁신추진단(단장 박한구, 이하 추진단)과 공동 주최한 이번 경진대회는 우수한 제조 인공지능 분석 인재를 발굴 및 육성하기 위해 올해 처음으로 개최됐다.제조데이터 인공지능 분석에 관심 있는 19세 이상의 국민을 대상으로 지난 10월 말부터 참가자를 모집한 결과 3인 이내로 자유롭게 구성된 153개 팀 355명이 신청을 완료했다. 각 팀은 지난달 23일 KAMP*의 사출성형 제조AI데이터셋**을 활용해 뿌리기업 현장 개선 아이디어를 제시하고 알고리즘으로 구현하는 과제를 부여받아 본격적인 대회 일정에 돌입했다. ☞ KAMF: 인공지능(AI) 중소벤처 제조 플랫폼(Korea AI Manufacturing Platform) ☞ 사출성형 제조AI데이터셋: 사출성형 현장에서 수집한 제조데이터를 인공지능 학습용으로 가공한 47개 변수, 4천2백만 개의 제조데이터 5일간 진행된 1단계 서면평가에는 총 52개 팀이 보고서·발표 자료·소스 코드 등의 결과물을 제출했다. 주최 측은 각 팀의 인공지능 분석 모델을 바탕으로 제조현장의 문제 이해도 및 문제 정의, 분석 모델의 독창성, 결과 해석의 우수성, 인공지능 성능 정확도 등을 심사해 8개의 최종 진출팀을 선발했다. 16일 열린 최종 평가는 메타버스 플랫폼에서 진행됐으며, 각 팀이 아이디어를 발표하는 방식으로 진행됐다. RK3 팀(고진욱, 이진욱, 김태훈/서울대)은 인공지능 모델의 창의성, 제조 현장 적용 가능성, 파급효과 등의 심사 항목에서 가장 높은 점수를 받아 대상(중기부 장관상)을 차지했다. Rk3 팀은 인공지능을 기반으로 사출물의 품질 이상을 진단하고 공정 최적화를 지원하는 제조 인공지능 분석 모델을 개발했다. 아이디어의 독창성은 물론 개발기술의 완성도 및 확장성 측면에서 심사위원단의 호평을 받았다. 대상을 받은 Rk3 팀의 김태훈(26/서울대 기계공학과) 씨는 "KAMP가 제공하는 사출성형기 데이터를 분석해본 이번 대회는 제조 현장의 지식을 배우는 좋은 기회였다“라고 말했다. 이어, ”앞으로도 뿌리기업에 실질적으로 도움이 될 수 있는 연구를 진행하고 싶다“라고 수상 소감을 밝혔다.이외에도 소프트컴퓨팅 팀(부석준, 문형준, 박경원/연세대), Ensembler 팀(이원석, 전소현/㈜브릭) 등 2개 팀은 최우수상(KAIST 총장상)을 수상했다. 또한, Team-Hybrid 팀(김원곤, 채민석/서울대), NaeBIS 팀(박인창, 박지훈, 이헌득/한양대) 등 2개 팀과 Cube J 팀(김수지, 박종민, 김성종/서울대), Shango 팀(문성민, 이호민, 윤병관/이상고㈜), ELSSA 팀(이예원, 이태형, 김다해/㈜엘렉시) 등 3개 팀은 각각 우수상과 장려상을 받았다. 심사위원장인 신민수 한양대학교 경영학부 교수는 "8개 참가팀이 제시한 좋은 방법들이 중소 제조기업의 품질 향상과 생산성 향상에 실제로 적용되어 우리나라 중소기업의 발전에 기여할 수 있기를 기대한다“라고 심사평을 전했다. 이광형 KAIST 총장은 "대한민국이 제조 인공지능 강국으로 도약하기 위해서는 제조업 분야의 인공지능 인력양성이 필수 과제”라고 강조했다. 이어, 이 총장은 "이번 경진대회 수상자들처럼 훌륭한 인재를 발굴해 지원하는 일에 최선의 노력을 기울이겠다“라고 수상자들을 격려했다. 한편, `제1회 K-인공지능 제조데이터 분석 경진대회' 대상팀에는 상장 및 상금 1,000만 원이 수여됐다. 최우수상 2개 팀과 우수상 2개 팀에게 각각 300만 원과 200만 원의 상금이, 장려상 3개 팀에게는 각각 100만 원의 상금이 지급됐다.
2021.12.17
조회수 6913
서울대병원과 「정밀의료 및 디지털헬스케어 기술 업무협약 체결」
우리 대학과 서울대학교병원(김연수 원장)은 오늘(2일) 「정밀의료 및 디지털헬스케어 기술 협력을 위한 업무협약」을 체결했다. 이는 우리 대학의 ‘우수 AI 기반 디지털 및 정밀의료 기술’과 서울대학교 병원의 ‘최신 의료 기반 임상 연구 역량’을 접목한 상호 협력체제를 구축하고자 올해 5월부터 추진됐다. 최근 급속한 인공지능(AI) 기술 발전에 따라 이를 의학 연구와 의료 현장에 적용할 필요성이 증가하는 가운데, 꾸준히 축적되는 환자의 의료 데이터를 더 체계적으로 분석하고자 한 뜻을 모았다. 이번 협약을 통해 정밀의료(암·희귀 난치성 질환) 및 AI 기반 디지털 헬스케어 시스템 구축을 위한 기술을 함께 개발하고, 연구역량 강화를 위한 공동 연구 과제를 발굴할 예정이다. 서울대학교병원 임상유전체의학과는 별도 협의체를 구성해 세부 방안을 논의할 계획이다. 양 기관은 AI 기반의 의료 빅데이터 연구를 통해 암·희귀 난치성 질환의 새로운 치료 표적과 방법론을 개발할 수 있을 것으로 기대하고 있다. 이날(2일) 오후 서울대학교병원 대한의원 제2회의실에서 개최된 업무 협약식에는 우리 대학 이광형 총장, 이상엽 연구부총장, 서울대학교병원 김연수 원장, 김병관 진료부원장 등 총 7명의 관계자가 참석했다. 이광형 총장은 “우리나라를 대표하는 서울대학교병원과 AI 기술을 선도하는 우리 대학과의 이번 협약은 K-의학이 한 단계 도약하는 밑거름이 될 것이다”라고 전했다. 이어‘공동연구를 통해 진보된 개발성과를 도출해 낼 것”이라고 강조했다. 김연수 서울대병원장은 "양 기관의 연구역량과 AI 기술을 바탕으로 차세대 의료 시스템 혁신과 정밀 의료 산업의 발전을 가속화 하겠다”라고 밝혔다.
2021.12.02
조회수 4843
기술경영학부 사회과학 AI 및 빅데이터 연구단(AI-SSRG), 제1회 KAIST AI 사회과학 연구 부트캠프 개최
우리 대학 기술경영학부 사회과학 AI 및 빅데이터 연구단(AI-SSRG, AI & Big Data Social Science Research Group, 책임교수 김원준 기술경영전문대학원장)이 올해 11월 5일부터 12월 3일까지 `제1회 KAIST AI 사회과학 연구 부트캠프(KAIST AI Social Science Research Boot Camp)'를 진행 예정이다. 사회과학 AI 및 빅데이터 연구단(AI-SSRG)은 경영·경제 AI/빅데이터 분야의 전 세계 연구자 및 석·박사과정 학생을 대상으로 경영정보시스템(Management Information System), 마케팅(Marketing), 회계 및 금융(Accounting & Finance), 혁신 및 전략(Innovation & Strategy), 경제(Economics) 등을 주제로 제1회 KAIST AI-SSRG 부트캠프를 진행한다. 이번 제1회 KAIST AI-SSRG 부트캠프에는 Bristol 대학교의 한석진(Sukjin Han) 교수, KAIST의 김형철(Kevin Kim), 김지희(Jihee Kim) 교수, Boston 대학교의 이도균(Dokyun Lee) 교수, Yale 대학교의 이선경(Sun Kyoung Lee) 박사, 뉴욕대학교(NYU)의 샤오 류(Xiao Liu) 교수, Northwestern 대학교의 윤혜진(Hyejin Youn) 교수 등 사회과학 AI/빅데이터(Social Science on AI/Big Data) 연구 분야를 이끄는 국제 석학 및 연구자들이 대거 참여할 예정이다. Bristol 대학교의 한석진 교수는 경제학 방법론과 인공지능 기법을 융합적으로 연구하여 새로운 분야를 열고 있는 경제학자이고, 이번 부트캠프 1회차에서 AI 기술을 적용한 특허 및 혁신 분야 연구 주제 및 방법론을 강의할 예정이다. 뉴욕대학교 샤오 류 교수는 하이테크 마케팅, 금융서비스 혁신 분야 마케팅 연구를 선도하는 학자로, 부트캠프 2회차에서 “Dynamic Coupon Targeting Using Batch Deep Reinforcement Learning: An Application to Livestream Shopping” 제목으로 마케팅 분야 AI 연구를 강의할 예정이다. KAIST의 김형철 교수는 자본시장 관련 선도적인 연구를 이끌어가는 회계분야 연구자로, 이번 부트캠프 3회차에서 정보 수집과 정보 통합 간의 상호 작용에 관한 주제로 발표할 예정이다. Northwestern 대학교 윤혜진 교수는 복잡계 물리학 기반 경영 및 경제의 연구를 융복합적으로 연구하는 선도적 연구자로, 부트캠프 4회차에서 혁신 및 전략 세션에서 빅데이터를 이용한 사회과학 연구를 주요 주제로 다룰 예정이다. 부트캠프 마지막 회차인 경제학 세션에서는 Bristol 대학교 한석진 교수, Yale 대학교 이선경 박사, KAIST의 김지의 교수가 각각 도시의 성장 요인, 글자 모양 및 제품 차별화, 인공위성 이미지와 경제활동 등 다양한 주제로 강의할 예정이다. 기술경영학부 김원준 교수(기술경영전문대학원장)는 "KAIST가 전세계 석학과 석·박사과정 학생들 간 연구 교류를 통하여 AI에 대한 사회과학 연구의 중요한 국제적 허브로 발전해 나가고자 하며, 제1회 KAIST AI 사회과학 연구 부트캠프는 그 중요한 발판이 될 것이다ˮ라고 밝혔다. 이어, 김 교수는 "사회과학 AI 및 빅데이터 연구 분야의 세계 저명 연구자들 간의 연구 교류를 통하여, 급변하고 있는 세계적 혁신의 패러다임에 대응하여 우리 사회가 지향해야 할 방향을 제시하는데 기여하겠다ˮ고 강조했다. 이번 부트캠프는 11월 5일부터 한국시간 매주 금요일 오전 9시에 온라인으로 진행되며, 전 세계로부터 신청을 받아서 선발된 인원을 중심으로 진행이 될 예정이다.
2021.11.05
조회수 4723
제조AI 메타버스 팩토리 체험관 개소
우리 대학이 ʻ제조AI 메타버스 팩토리 체험관(이하, 체험관)ʼ을 1일 개소했다. 제조 특화 인공지능(AI)을 메타버스 세계에서 구현한 가상공장으로 실제 현장에서 수집된 제조데이터에 AI기술을 결합해 분석·활용하는 체험 서비스를 제공한다. 1일 개소한 체험관은 KAIST K-Industry4.0추진본부와 제조AI빅데이터센터가 운영을 맡는다. 응용 소프트웨어 개발 및 공급업체인 디지포레(대표 박성훈)는 체험관 구축에 필요한 하드웨어 및 소프트웨어 일체를 KAIST에 기부했으며, 운영을 위한 기술을 지원한다. 체험관은 중소 제조기업이 제조데이터를 수집해 인공지능으로 분석하는 과정을 직관적으로 경험한 뒤 현장 공장에 적용해 볼 수 있는 콘텐츠가 부족하다는 문제의식을 바탕으로 기획됐다. 이를 위해 KAIST는 증강현실 장비를 착용한 사용자들이 플라스틱 나사를 제조하는 메타버스 공장에 방문하는 내용으로 체험관을 꾸렸다. 메타버스 상에서 사출성형기를 직접 가동해 볼 수 있으며, 플라스틱 나사를 생산하는 과정을 실제 제조현장과 동일하게 체험할 수 있다. 나아가 온도·압력·속도·위치·시간 등의 제조데이터 수집 변수를 제조AI가 분석해 불량의 원인을 즉시 탐지해내고 생산성과 품질을 높일 수 있는 제조AI 분석도 가상공장에서 경험할 수 있다. 사용하는 제조데이터는 중소벤처기업부(장관 권칠승, 이하 중기부)가 주관하고 스마트제조혁신추진단(단장 박한구)이 전담하며, KAIST가 운영하는 인공지능 중소벤처 제조플랫폼(KAMP)에서 개방한 실제 제조 현장 사출데이터를 원용하여 활용한다. 실제 공장에서 이와 같은 분석을 진행할 경우 기업 운영을 위한 생산 공정을 일시적으로 중단해야 하는 어려움이 있다. 영업이익에 지장을 주지 않고도 공정 과정을 생생하게 체험할 수 있다는 것이 메타버스 상에 만들어진 제조AI 팩토리의 가장 큰 장점이다. 또 다른 장점은 세계 어디서나 증강현실(AR)·가상현실(VR)·확장현실(XR) 장비와 메타버스 솔루션을 활용해 접속할 수 있다는 점이다. 코로나 19의 세계적인 대유행으로 제조현장 생산라인의 해외시장 개척 및 판매에 고초를 겪고 있는 국내 중소 제조기업들이 이와 같은 체험 기술을 이용할 경우 우수 제조기술을 해외에 소개하고 수출하는 플랫폼으로도 활용할 수 있다. 사출성형기 메타버스 팩토리를 시작으로 향후 도금·용접·금형·주조·단조·열처리 등의 업종으로 적용을 확대해 우리나라 중소 뿌리업종의 제조 경쟁력 향상에 기여할 계획이다. 김일중 KAIST 제조AI빅데이터센터장은 "세계경제포럼(WEF)은 2021년 연차총회에서 향후 5년간 제조 분야의 가장 큰 변화는 AI 머신러닝이 결정할 것이라고 강조한 바 있다ˮ라고 전했다. 이어, 김 센터장은 "다양한 업종의 제조현장에 적합한 최적의 AI 알고리즘을 선택하는 것은 우리나라 제조업 경쟁력 향상의 핵심 성공 요인(Critical Success Factor)으로 작용할 것이다"라고 말했다. 현물 기부 및 기술 제공으로 이번 체험관 구축에 동참한 박성훈 디지포레 대표는 "KAIST 제조AI빅데이터센터가 축적한 제조특화 AI·빅데이터 도메인 지식(domain Knowledge)과 확장현실(XR) 메타버스 기술을 결합하는 일에 디지포레의 기술력으로 일조하게 되어 매우 뜻깊다"라고 소감을 전했다. 이어, "기부와 협업으로 만들어낸 성과가 중소 제조기업에게 실질적인 혜택으로 되돌아갈 수 있도록 세계 최고의 ʻ제조AI 메타버스 팩토리' 구현을 위해 최선을 다하겠다"라고 포부를 전했다. 이광형 KAIST 총장은 "KAIST 내 제조AI빅데이터센터와 AI대학원·산업및시스템공학과·기계항공공학부·전산학부 등 다양한 학과들과의 긴밀한 융합에 중소기업과의 산학 협력을 더해 ʻKAIST가 제조AI의 메카'라는 탁월한 명성을 얻을 수 있도록 지원을 아끼지 않겠다ˮ라고 말했다. 한편, 제조AI 메타버스 팩토리 체험관 개소식은 1일 오후 2시 대전 문지캠퍼스 내 제조AI빅데이터센터 페어링룸에서 진행됐다. 이광형 KAIST 총장, 김흥남 KAIST K-Industry4.0 추진본부장, 김일중 제조AI빅데이터센터장, 박성훈 ㈜디지포레 대표 등이 자리를 함께했으며, 독일에서도 황종운 KIC(Korea Innovation Center) 유럽 센터장이 인터넷을 통해 참여했다.
2021.11.02
조회수 7825
소량의 데이터로 딥러닝 정확도 향상기술 발표
최근 다양한 분야에서 심층 학습(딥러닝) 기술을 활용한 서비스가 급속히 증가하고 있다. 서비스 구축을 위해서는 심층 학습 모델을 훈련해야 하며, 이를 위해서는 충분한 훈련 데이터를 준비해야 한다. 특히 훈련 데이터에 정답지를 만드는 레이블링(labeling) 과정이 필요한데 (예를 들어, 낙타 사진에 `낙타'라고 정답을 적어줌), 이 과정은 일반적으로 수작업으로 진행되므로 엄청난 노동력과 시간이 소요된다. 따라서 훈련 데이터가 충분하지 않은 상황을 효과적으로 타개하는 방법이 요구되고 있다. 우리 대학 전산학부 이재길 교수 연구팀이 적은 양의 훈련 데이터가 존재할 때도 높은 예측 정확도를 달성할 수 있는 새로운 모델 훈련 기술을 개발했다고 27일 밝혔다. 심층 학습 모델의 훈련은 주어진 훈련 데이터에서 레이블과 관련성이 높은 특성을 찾아내는 과정으로 볼 수 있다. 예를 들어, `낙타'의 주요 특성이 등에 있는 `혹'이라는 것을 알아내는 것이다. 그런데 훈련 데이터가 불충분할 경우 바람직하지 않은 특성까지도 같이 추출될 수 있는 문제가 발생한다. 예를 들어, 낙타 사진의 배경으로 종종 사막이 등장하기에 낙타에 대한 특성으로 `사막'이 추출되는 것도 가능하다. 사막은 낙타의 고유한 특성이 아닐뿐더러, 이러한 바람직하지 않은 특성으로 인해 사막이 아닌 곳(예: 동물원)에 있는 낙타는 인식하지 못할 수 있다. 이 교수팀이 개발한 기술은 심층 학습 모델의 훈련에서 바람직하지 않은 특성을 억제해 충분하지 않은 훈련 데이터를 가지고도 높은 예측 정확도를 달성할 수 있게 해준다. 우리 대학 지식서비스공학대학원에 재학 중인 박동민 박사과정 학생이 제1 저자, 송환준 박사, 김민석 박사과정 학생이 제2, 제3 저자로 각각 참여한 이번 연구는 최고권위 국제학술대회 `신경정보처리시스템학회(NeurIPS) 2021'에서 올 12월 발표될 예정이다. (논문명 : Task-Agnostic Undesirable Feature Deactivation Using Out-of-Distribution Data) 바람직하지 않은 특성을 억제하기 위해서 분포 外(out-of-distribution) 데이터를 활용한다. 예를 들어, 낙타와 호랑이 사진의 분류를 위한 훈련 데이터에 대해 여우 사진은 분포 외 데이터가 된다. 이때 이 교수팀이 착안한 점은 훈련 데이터에 존재하는 바람직하지 않은 특성은 분포 외 데이터에도 존재할 수 있다는 점이다. 즉, 위의 예에서 여우 사진의 배경으로도 사막이 나올 수 있다. 따라서 다량의 분포 외 데이터를 추가로 활용해 여기에서 추출된 특성은 영(0) 벡터가 되도록 심층 학습 모델의 훈련 과정을 규제해 바람직하지 않은 특성의 효과를 억제한다. 훈련 과정을 규제한다는 측면에서 정규화 방법론의 일종이라 볼 수 있다. 분포 외 데이터는 쓸모없는 것이라 여겨지고 있었으나, 이번 기술에 의해 훈련 데이터 부족을 해소할 수 있는 유용한 보완재로 탈바꿈될 수 있다. 연구팀은 이 정규화 방법론을 `비선호(比選好) 특성 억제'라고 이름 붙이고 이미지 데이터 분석의 세 가지 주요 문제에 적용했다. 그 결과, 기존 최신 방법론과 비교했을 때, 이미지 분류 문제에서 최대 12% 예측 정확도를 향상했고, 객체 검출 문제에서 최대 3% 예측 정확도를 향상했으며, 객체 지역화 문제에서 최대 8% 예측 정확도를 향상했다. 제1 저자인 박동민 박사과정 학생은 "이번 기술은 훈련 데이터 부족 현상을 해결할 수 있는 새로운 방법ˮ 이라면서 "분류, 회귀 분석을 비롯한 다양한 기계 학습 문제에 폭넓게 적용될 수 있어, 심층 학습의 전반적인 성능 개선에 기여할 수 있다ˮ 고 밝혔다. 연구팀을 지도한 이재길 교수도 "이 기술이 텐서플로우(TensorFlow) 혹은 파이토치(PyTorch)와 같은 기존의 심층 학습 라이브러리에 추가되면 기계 학습 및 심층 학습 학계에 큰 파급효과를 낼 수 있을 것이다ˮ고 말했다. 한편, 이 기술은 과학기술정보통신부 재원으로 정보통신기획평가원의 지원을 받아 SW컴퓨팅산업원천기술개발사업 SW스타랩 과제로 개발한 연구성과 결과물(2020-0-00862, DB4DL: 딥러닝 지원 고사용성 및 고성능 분산 인메모리 DBMS 개발)이다. (끝).
2021.10.27
조회수 7416
우수한 소재를 설계하는 딥러닝 방법론 개발
우리 대학 기계공학과 유승화 교수 연구팀이 능동-전이 학습 (active-transfer learning)과 데이터 증강기법(Data augmentation)에 기반해, 심층신경망 초기 훈련에 쓰인 소재들과 형태와 조합이 매우 다른 우수한 특성을 지닌 소재를 효율적으로 탐색하고 설계하는 방법론을 개발했다고 16일 밝혔다. 인공신경망에 기반해 방대한 설계 공간에서 새로운 소재를 찾기 위한 역설계 연구는 최근 매우 활발하게 진행되고 있다. 하지만 이러한 기존 설계 방식은 목표로 하는 소재의 형태와 조합이 심층신경망 훈련에 활용된 소재들과 매우 다를 때 인공신경망이 가지는 낮은 예측능력으로 인해 극히 많은 수의 소재 데이터 검증이 요구되며, 이에 따라 제한적으로만 활용이 가능하다. 연구팀은 이번 연구에서 이를 극복하기 위해 초기 훈련 데이터 영역에서 벗어나 우수한 소재를 효율적으로 탐색할 수 있는 인공신경망 기반 전진 설계 (Forward design) 방법론을 제안했다. 이 방법론은, <그림 1>에 도시된 바와 같이 유전 알고리즘과 결합된 능동-전이 학습 및 데이터 증강기법을 통해 심층신경망을 점진적으로 업데이트함으로써, 초기 훈련데이터를 벗어난 영역에서 심층신경망의 낮은 예측능력을 적은 숫자의 데이터 검증 및 추가로 보완한다. 유전 알고리즘에 의해 제안되는 우수 소재 후보군은 기보유한 소재 데이터를 조합해 도출하기 때문에 심층신경망의 신뢰할 수 있는 예측 영역과 설계 공간 측면에서 상대적으로 가까워 예측정확도가 유지된다. 이 후보군과 능동-전이 학습을 활용해 점진적으로 심층신경망의 신뢰성 있는 예측 범위를 확장하면, 초기 훈련데이터 영역 밖에서도 적은 데이터를 생성해 효율적인 설계 과정이 가능하다. 이번 방법은 천문학적인 수의 설계 구성을 가지는 그리드 복합소재 최적화 문제에 적용해 검증했으며, 이를 통해 전체 가능한 복합재 구조의 1029분의 1 가량인 10만 개의 복합재들만 초기 훈련 데이터로 활용해 심층신경망을 학습한 후, 이후 약 500개에 미치지 못하는 데이터 검증을 통해 초기 훈련에 쓰인 복합재와 매우 다른 구조를 가지고 우수한 특성을 지닌 복합재 구조를 설계할 수 있음을 보였다. 연구진이 개발한 방법론은 국소 최적점(Local optima)에 수렴하는 문제를 완화하면서도 인공신경망의 신뢰할 수 있는 예측 영역을 점진적으로 확장하는 효율적인 방법을 제공하기 때문에, 큰 설계 공간을 다루는 다양한 분야의 최적화 문제에 적용할 수 있을 것으로 기대되며, 특히 설계에 요구되는 데이터 검증의 숫자가 적기 때문에 데이터 생성에 시간이 오래 걸리고 비용이 많이 드는 설계 문제에서 이 방법론이 크게 활용될 수 있을 것으로 기대된다. 이번 연구는 공동 제 1저자 김용태 박사과정, 김영수 박사(한국기계연구원) 주도하에 진행됐으며, 유승화 교수(우리 대학 기계공학과)가 교신저자로 참여해, 국제학술지인 `npj 컴퓨테이셔널 머터리얼(Computational Material, IF:12.241)'에 `Deep Learning Framework for Material Design Space Exploration using Active Transfer Learning and Data Augmentation' 라는 제목으로 게재됐다. 이번 연구는 한국연구재단의 중견 연구자지원사업(3D 프린팅 복합재의 최적설계기법 및 피로수명 예측기법 개발)과 미래소재 디스커버리 사업 (레이저-물질 상호작용 멀티스케일 모델링을 통한 분자디자인), KAIST 글로벌 특이점 프렙 사업의 지원을 통해 수행됐다.
2021.09.16
조회수 7151
<<
첫번째페이지
<
이전 페이지
1
2
3
4
5
6
7
8
9
>
다음 페이지
>>
마지막 페이지 9