KAIST

우리 대학 김재철AI대학원 박사과정 탁지훈 학생(지도교수 신진우)이 ‘2023 구글 PhD 펠로우’에 선정됐다. 구글 PhD 펠로우십은 컴퓨터 과학과 관련된 유망 연구 분야에서 우수한 성과를 낸 대학원생을 지원하는 장학 프로그램으로 올해는 전 세계에서 67명이 선발됐다. 선정된 펠로우에게는 1만 달러의 장학금과 구글 각 분야 전문가 멘토와의 일대일 연구 토의, 피드백 등의 혜택이 주어진다. 탁지훈 학생은 기계학습(Machine Learning) 분야에서 메타학습(Meta-learning)과 뉴럴필드(Neural Field) 분야의 탁월한 연구 성과를 인정받아 선정되었다. 기계학습 분야에서는 총 19명의 학생이 선발되었으며 아시아 대학에서는 탁지훈 학생이 유일하다. 탁지훈 학생은 특히 기존 뉴럴필드 학습의 한계점들을 새로운 메타학습 방법론을 제안하여 효과적으로 극복한 것으로 평가받는다. 구체적으로는 뉴럴필드 학습에서의 세 가지 비효율적 요소인 학습

인공지능 기술이 사회 전반에 걸쳐 광범위하게 활용되며 인간의 삶에 많은 영향을 미치고 있다. 최근 인공지능의 긍정적인 효과 이면에 범죄자의 재범 예측을 위해 머신러닝 학습에 사용되는 콤파스(COMPAS) 시스템을 기반으로 학습된 모델이 인종 별로 서로 다른 재범 확률을 부여할 수 있다는 심각한 편향성이 관찰되었다. 이 밖에도 채용, 대출 시스템 등 사회의 중요 영역에서 인공지능의 다양한 편향성 문제가 밝혀지며, 공정성(fairness)을 고려한 머신러닝 학습의 필요성이 커지고 있다. 우리 대학 전기및전자공학부 황의종 교수 연구팀이 학습 상황과 달라진 새로운 분포의 테스트 데이터에 대해서도 편향되지 않은 판단을 내리도록 돕는 새로운 모델 훈련 기술을 개발했다고 30일 밝혔다. 최근 전 세계의 연구자들이 인공지능의 공정성을 높이기 위한 다양한 학습 방법론을 제안하고 있지만, 대부분의 연구는 인공지능 모델을 훈련시킬 때 사용되는 데이터와 실제 테스트 상황에서 사용될 데이터가 같

과학기술정보통신부와 한국연구재단은 ‘이달의 과학기술인상’ 10월 수상자로 신영수 우리 대학 전기전자공학부 교수를 선정했다. ‘이달의 과학기술인상’은 우수한 연구개발 성과로 과학기술 발전에 공헌한 연구개발자를 매월 1명씩 선정해 과기정통부 장관상과 상금 1000만원을 주는 상이다. 신영수 교수가 연구한 반도체 포토리소그래피는 패턴이 새겨진 마스크에 빛을 비춰 웨이퍼에 소자를 형성해가는 과정으로 반도체 수율을 결정하는 가장 중요한 공정이다. 웨이퍼에 다각형을 만들기 위해서는 마스크에 훨씬 복잡한 패턴을 그려 넣어야 한다. 이런 패턴을 찾아가는 과정을 OPC(Optical Proximity Correction)라고 한다. 기존 OPC는 마스크 형상을 고치고 시뮬레이션으로 웨이퍼 이미지를 확인하는 과정을 반복해야 해 시간이 걸린다. 이에 신 교수는 마스크 형상과 웨이퍼 이미지의 집합을 이용해 기계학습 모델을 만들었다. 이후 더 빠르고 해

우리 대학 전기및전자공학부 박사과정 노유지 학생(지도교수 황의종)이 ‘2022 마이크로소프트 리서치 PhD 펠로우’에 선정됐다. 마이크로소프트 리서치 PhD 펠로우십은 컴퓨터과학과 관련된 유망 연구 분야에서 우수한 성과를 낸 대학원생을 지원하는 장학 프로그램으로, 올해는 전 세계에서 36명이 선발됐으며, 한국 기관에서는 전기및전자공학부의 노유지 학생이 유일하게 선정됐다. 선정된 펠로우에게는 1만달러의 장학금과 마이크로소프트 각 분야 전문가 멘토와의 연구 토의, 인턴십 등의 혜택이 주어진다. 노유지 학생은 신뢰 가능한 인공지능(Trustworthy AI)을 위한 알고리즘 개발에 대한 탁월한 연구 성과를 인정받아 “머신러닝(Machine Learning)” 분야의 펠로우로 선정되었다. 특별히, 특정 집단을 차별하지 않는 공정한 인공지능 학습의 효율성을 획기적으로 높인 학습 방법론을 개발하고, 더 나아가 인공지능 모델의 공정

최근 다양한 분야에서 인공지능 심층 학습(딥러닝) 기술을 활용한 서비스가 급속히 증가하고 있다. 서비스 구축을 위해서 인공지능은 심층신경망을 훈련해야 하며, 이를 위해서는 충분한 훈련 데이터를 준비해야 한다. 특히 훈련 데이터에 정답지를 만드는 레이블링(labeling) 과정이 필요한데 (예를 들어, 고양이 사진에 `고양이'라고 정답을 적어줌), 이 과정은 일반적으로 수작업으로 진행되므로 엄청난 노동력과 시간적 비용이 소요된다. 따라서 훈련 데이터 구축 비용을 최소화하는 방법 개발이 요구되고 있다. 우리 대학 전산학부 이재길 교수 연구팀이 심층 학습 훈련 데이터 구축 비용을 최소화할 수 있는 새로운 데이터 동시 정제 및 선택 기술을 개발했다고 12일 밝혔다. 일반적으로 심층 학습용 훈련 데이터 구축 과정은 수집, 정제, 선택 및 레이블링 단계로 이뤄진다. 수집 단계에서는 웹, 카메라, 센서 등으로부터 대용량의 데이터가 정제되지 않은 채로 수집된다. 따라서 수집된 데이터에는