11편의 한국어 분석 — 최신순으로 정렬했어요
본 연구는 실험 핵자기공명(NMR) 분광학적 정보로부터 분자 결합을 정확하고 신속하게 재구성하는 그래프 기반 플랫폼인 Inverse-IMPRESSION을 소개합니다. 이 플랫폼은 역 그래프 트랜스포머 네트워크인 IMPRESSION-G2를 기반으로 합니다. 플랫폼은 세 가지 상호 연결된 단계로 구성됩니다. 첫째, NMR 매개변수를 입력받아 원자 간의 결합 연결성을 예측하는 원샷(one-shot) 모델이 있습니다. 둘째, 예측된 구조에서 불확실한 결합을 제거하고 반복적으로 재할당하여 구조를 수정하는 단계가 포함됩니다. 셋째, 노이즈 …
생성형 분자 설계의 성공은 생성된 분자의 합성 가능성에 달려있지만, 현재 화학 반응 예측 모델은 참조 데이터 부족과 반응 위치 선택성 예측의 어려움으로 한계가 있습니다. 본 연구는 이러한 문제를 해결하기 위해 효율적인 반응 데이터 획득과 고정밀 딥러닝을 통합한 폐쇄 루프 워크플로우를 제안합니다. 가장 유익한 실험을 안내하기 위해 트리 기반 앙상블이 주도하는 능동 학습 전략을 개발했습니다. 이 실험 캠페인을 통해 C-H 보릴화 반응에 대한 다양하고 새로운 벤치마크 데이터셋을 구축했습니다. 이 맞춤형 데이터셋으로 기하 그래프 신경망을…
무선 접속망(RAN)과 같은 대규모 통신 인프라는 현대 디지털 산업의 핵심 요소로, 인프라 지능화 및 운영 신뢰성 확보를 위해 기지국 간 알람 상호 영향 이해가 필수적입니다. 기존 알람 분석 방식은 개별 사이트의 고립된 시간 패턴에 집중하여 인프라 수준의 사이트 간 알람 영향 메커니즘을 간과하는 한계가 있었습니다. 본 논문은 이러한 격차를 해소하고자 명시적인 물리적 또는 논리적 토폴로지 정보 없이 알람 영향 경로를 추론하는 동시 발생 및 시간 인식 그래프 어텐션 네트워크(COTA-GAT)를 제안합니다. COTA-GAT는 알람 동시…
전기차(EV) 충전 수요 예측에서 사이버 보안 위험을 완화하는 것은 집단 충전의 안전한 운영, 전력망 안정성, 비용 효율적인 인프라 확장에 매우 중요합니다. 기존 방법들은 데이터 프라이버시 문제와 사이버 공격에 대한 취약성을 가지거나, 충전소 간의 공간적 상관관계를 고려하지 못하는 한계가 있었습니다. 본 연구는 이러한 문제들을 해결하기 위해 다수의 충전소가 참여하는 연합 그래프 학습(Federated Graph Learning) 접근 방식을 제안합니다. 이 방식은 공간적 상관관계를 포착하고 잠재적 공격에 대한 견고성을 강화하면서,…
레이저 적층 제조용 고성능 합금 설계에 있어 기계 학습은 유망하지만, 기존 방식은 대규모 고품질 데이터셋 의존으로 과적합 및 비합리적인 설계 결과를 초래하는 한계가 있었습니다. 본 연구는 이러한 한계를 극복하고자, 지식 기반 그래프 모델링과 데이터 불확실성 정량화를 통합하여 소규모 실험 데이터셋으로도 작동 가능한 범용 프레임워크를 제안합니다. 제안된 프레임워크는 물리 야금학적 지식과 생산된 재료의 실험적 결함 분포에서 발생하는 확률론적 특성을 합리적으로 균형 있게 고려합니다. 이를 통해 데이터셋의 크기나 품질에 대한 의존도를 낮추…
동적이고 인버터 중심의 전력 시스템에서 실시간 계통 모니터링, 비상 분석 및 의사결정 지원을 위해서는 정확하고 확장 가능한 교류 전력 흐름(AC power flow) 대리 모델이 필수적입니다. 그러나 기존 대리 모델들은 메시형 송전망의 장거리 비선형 의존성을 포착하는 능력과 물리 법칙 준수 측면에서 한계를 보이며, 토폴로지 변화나 부하 변동에 대한 일반화 성능이 부족하고 불확실성 정량화 및 확장성이 미흡합니다. 본 논문은 이러한 문제 해결을 위해 토폴로지 불확실성 하의 AC 전력 흐름 추정을 위한 게이티드 그래프 신경망(GGNN)…
정확하고 효율적인 기계 학습 원자간 포텐셜은 광범위한 재료 모델링을 가속화하여 원자 수준 발견을 촉진하는 데 필수적입니다. 본 연구는 그래프 원자 클러스터 확장(GRACE) 프레임워크를 기반으로 하는 범용 포텐셜을 소개하며, 이는 현존하는 가장 큰 재료 데이터셋을 활용하여 훈련되었습니다. GRACE 모델은 포괄적인 벤치마크를 통해 기존의 파운데이션 원자간 포텐셜 중 정확도와 효율성 측면에서 새로운 파레토 프론트를 구축했음을 입증했습니다. 이는 기존 모델 대비 우수한 성능을 보여줍니다. 또한, 미세 조정 및 지식 증류를 통해 GR…
그래프 트랜스포머는 그래프 구조 데이터 처리를 위한 새로운 신경망 모델로, 트랜스포머와 그래프 학습의 시너지를 통해 다양한 그래프 관련 태스크에서 뛰어난 성능을 보인다. 본 조사는 그래프 트랜스포머 연구의 최근 발전과 당면 과제를 심층적으로 검토한다. 이 연구는 그래프 및 트랜스포머의 기본 개념부터 시작하여, 그래프 귀납 편향과 그래프 어텐션 메커니즘을 트랜스포머 아키텍처에 통합하는 설계 관점을 탐구한다. 또한, 깊이, 확장성, 사전 학습 전략을 기준으로 그래프 트랜스포머를 분류하는 분류 체계를 제안하고, 효과적인 모델 개발을 위…
정보 확산을 극대화할 수 있는 영향력 있는 노드를 식별하는 것은 소셜 네트워크 분석의 근본적인 문제인 영향력 최대화(Influence Maximization)에 해당합니다. 기존의 확산 모델 기반, 탐욕 및 휴리스틱 알고리즘은 계산 비용이 높거나 네트워크 구조를 제대로 인식하지 못하는 한계가 있으며, 특히 대규모 네트워크에서 이러한 단점이 두드러집니다. 본 연구는 이러한 문제점을 극복하기 위해 그래프 신경망(GNN)과 개미 군집 최적화(ACO)를 결합한 하이브리드 아키텍처를 제안합니다. GNN은 노드 수준에서 영향력 표현을 학습하…
산사태 발생 시 신속한 탐지는 비상 대응에 필수적이나, 단기간에 충분한 데이터를 확보하기 어렵다는 문제가 있습니다. 본 연구는 이러한 데이터 부족 상황을 극복하고 산사태 탐지 정확도를 높이기 위해 전이 학습과 그래프 신경망(GNN)을 활용한 딥러닝 모델을 제안합니다. 제안된 모델은 어텐션 메커니즘, 다중 스케일 연결, 그리고 GNN을 통합하여 문맥 정보를 포착하고 산사태 탐지에 중요한 특징을 추출합니다. 특히 GNN은 픽셀을 노드로, 연결성을 엣지로 하는 그래프 구조를 통해 전역 및 지역적 관계를 명시적으로 모델링하여 분할 일관성…
그래프 신경망(GNN)은 기하학적 딥러닝의 핵심 모델로서 분자 특성 예측에서 뛰어난 성능을 보여왔습니다. 한편, 콜모고로프-아놀드 네트워크(KAN)는 다층 퍼셉트론의 강력한 대안으로 부상하며 표현력, 매개변수 효율성 및 해석 가능성을 향상시켰습니다. 이 연구는 두 프레임워크의 장점을 결합하고자 합니다. 본 연구에서는 KAN 모듈을 GNN의 세 가지 기본 구성 요소인 노드 임베딩, 메시지 전달, 그리고 읽기(readout)에 통합한 콜모고로프-아놀드 GNN(KA-GNN)을 제안합니다. 또한, 함수 근사 능력을 강화하기 위해 KAN …
