지구 온난화와 급격한 도시화가 심화됨에 따라 도시 열 환경의 변화 양상과 그 원인을 이해하는 것은 지속가능한 도시 발전에 필수적입니다. 본 연구는 2000년부터 2020년까지 광둥-홍콩-마카오 대만구(GBA)의 지표면 온도(LST) 시공간적 변화를 다중 원격탐사, 토지이용, 경관 패턴, 사회경제 데이터를 활용하여 분석했습니다.
모델의 일반화 성능을 평가하기 위해 무작위, 공간, 시간 검증을 통합한 다중 검증 프레임워크를 개발했습니다. 또한, XGBoost와 SHAP를 결합한 설명 가능한 기계 학습 프레임워크를 적용하여 주요 동인과 그 비선형적 반응을 정량화했습니다.
연구 결과, 여름철 LST가 지속적으로 증가했으며, 고온 지역은 주강 삼각주 도심부에 집중되어 확장되는 경향을 보였습니다. XGBoost는 기존 통계 및 기계 학습 모델보다 일관되게 우수한 성능을 나타냈습니다. 야간 조명 강도, NDBI, DEM, NDWI가 지배적인 요인으로 확인되었으며, 도시화 관련 요인의 영향력은 시간이 지남에 따라 증가했습니다.
대부분의 요인들은 뚜렷한 비선형적 반응을 보였는데, 도시화 관련 요인은 한계 온난화 효과가 감소하는 경향을, 식생 및 수자원 관련 요인은 임계값 의존적인 냉각 효과를 나타냈습니다. SHAP 기반 클러스터링을 통해 4가지 열 환경 관리 구역을 식별하여, 급격히 도시화되는 지역의 도시 개발 규제, 녹색 인프라 계획 및 맞춤형 열 완화 전략 수립에 필요한 공간적으로 차별화된 기반을 제공합니다.
대부분의 분자 및 재료 기계 학습 모델은 원자 간 양자 상호작용보다는 분자나 결정 전체의 상관관계를 학습합니다. 그러나 결합, 전하 재분배, 궤도 혼성화 및 전자 결합은 모두 이러한 2체 상호작용에서 비롯됩니다. 본 연구는 2체 양자 시스템을 최소 단위의 원자 간 상호작용으로 취급하는 다중 모드 벤치마크인 QuantumCanvas를 소개합니다.
QuantumCanvas는 2,850개의 원소-원소 쌍을 최적화된 단일 기하학적 구조로 다루며, 전자, 열역학, 쌍극자 및 전하 유도 특성을 포함한 17가지 벤치마크 목표량을 평가합니다. 각 쌍은 궤도 점유율과 전하 및 쌍극자 유도장의 10채널 이미지로도 표현되어, 명시적인 원자 좌표 없이 각도 및 정전기적 구조를 인코딩합니다.
그래프, 비전 및 융합 아키텍처를 원소 쌍 분리 분할에 벤치마킹한 결과, 모달리티별 귀납적 편향이 드러났습니다. 그래프 인코더는 대부분의 목표량에서 가장 낮은 MAE를 달성했으며, 후기 융합은 Mermin 자유 에너지에서 가장 낮은 MAE를 보였습니다. 이미지의 공간 레이아웃을 파괴해도 정확도가 저하되지 않으며, 생성 스칼라를 직접 입력받은 모델이 이미지 변형보다 성능이 우수함을 확인했습니다.
QuantumCanvas를 통한 사전 학습은 QM9, MD17, CrysMTM 데이터셋에서 16개 인코더-목표량 비교 중 11개에서 평균 테스트 오류를 낮추었습니다. 따라서 QuantumCanvas는 각 모달리티가 어떤 신호를 포착하고, 어떻게 결합하며, 분자, 동역학 및 결정 체제 전반에 걸쳐 어떻게 전이되는지 연구하기 위한 통제되고 물리적으로 기반을 둔 테스트베드를 제공합니다.
동백기름의 위변조는 근적외선 스펙트럼에서 전역적 프로파일, 국소적 변화 패턴, 그리고 원거리 스펙트럼 영역 간의 상호작용 등 다층적인 차이를 유발합니다. 기존의 1차원 모델링은 이러한 다층적 관계를 보존하고 통합적으로 학습하는 데 한계가 있었습니다. 본 연구는 동백기름 위변조의 정성적 탐지를 위해 파장 인지 대역 게이트 비전 트랜스포머(ViT-BandGate)를 제안합니다.
제안된 방법은 전처리된 스펙트럼과 그 1차 및 2차 미분값을 파장별 공동 위치를 보존하는 2차원 통합 표현으로 인코딩하여 전역 흡수 프로파일과 국소 기울기 및 곡률 정보를 통합합니다. 이후 트랜스포머가 스펙트럼 영역 전반의 장거리 의존성을 학습하며, 제안된 BandGate는 명시적인 파장 연속성 사전 정보를 바탕으로 영역 토큰 기여도를 적응적으로 조절합니다.
이 방법은 884개의 근적외선 스펙트럼(순수 동백기름 84개, 유채유, 땅콩기름, 해바라기유 혼합 800개)으로 구성된 다중 날짜 데이터셋에서 평가되었습니다. ViT-BandGate는 98.29%의 정확도, 99.07%의 균형 정확도, 100.00%의 순수 기름 재현율을 달성하며 위변조된 기름에 대한 높은 민감도와 순수 동백기름 샘플에 대한 신뢰할 수 있는 인식을 입증했습니다.
기존 1차원 딥 모델 및 전통적인 기준선과 비교했을 때, ViT-BandGate는 정성적 위변조 탐지에서 가장 강력한 균형 스크리닝 프로파일을 보였습니다. 이는 다중 차수 스펙트럼 속성 간의 파장별 공동 위치를 보존하고, 영역 중요성 및 전역 의존성을 공동으로 학습하는 것이 정성적 위변조 인식을 향상시킬 수 있음을 시사합니다.
많은 실제 문제들은 노드와 엣지가 다양한 유형의 개체와 관계를 나타내는 이종 그래프로 자연스럽게 모델링됩니다. 기존 이종 그래프 표현 학습 모델들은 특정 사용자 정의 경로 계산에 의존하거나, 대규모의 확장성 없는 딥러닝 아키텍처를 사용하는 경향이 있었습니다.
본 연구는 node2vec 알고리즘을 확장한 Het-node2vec을 제안합니다. 이 방법은 2차 랜덤 워크 과정에 간단한 확률적 노드 유형 전환 전략을 도입하여, 그래프의 위상 및 구조적 특성과 노드 및 엣지 유형에 내재된 의미론적 정보를 동시에 포착함으로써 이종 그래프를 임베딩합니다.
합성 그래프는 물론 벤치마크 및 실제 생물의학 그래프에 대한 실험 결과, Het-node2vec은 노드 레이블 예측 작업에서 최신 이종 그래프 방법들과 비교하여 동등하거나 우수한 성능을 달성했습니다.
이 접근 방식은 복잡한 이종 그래프 데이터의 효율적인 표현 학습을 가능하게 하며, 특히 생물의학 분야와 같이 다양한 유형의 정보가 상호 연결된 도메인에서 노드 분류 및 예측 성능을 향상시키는 데 기여할 수 있습니다.
인공지능(AI) 개발은 복잡한 요리 레시피를 만드는 과정과 유사합니다. 과학자들은 수십억 개의 명령어를 조합하여 AI가 패턴을 인식하고, 문제를 해결하며, 인간처럼 추론할 수 있도록 만듭니다. 그러나 최적의 명령어 조합을 미리 알아내는 것은 거의 불가능합니다.
이러한 난제를 해결하기 위해 최적화 알고리즘이 핵심적인 역할을 합니다. 최적화 알고리즘은 AI의 성능을 평가하고, 문제점을 파악하며, 레시피를 개선하는 '유능한 셰프'와 같습니다. 이들은 AI가 더 스마트하고 강력해질 때까지 레시피의 더 나은 버전을 발견하도록 돕습니다.
연구는 최적화 알고리즘이 AI 개발 과정에서 시행착오를 줄이고 효율성을 높이는 데 필수적임을 보여줍니다. 이를 통해 컴퓨터 과학자들은 AI 모델의 성능을 지속적으로 향상시키고, 복잡한 문제 해결 능력을 극대화할 수 있습니다.
결론적으로, 최적화 알고리즘은 AI가 방대한 데이터를 학습하고 복잡한 작업을 수행하는 데 필요한 '최적의 레시피'를 찾아내는 데 결정적인 기여를 합니다. 이는 미래 AI 기술 발전의 핵심 동력이 될 것입니다.
미생물 공생은 지구 생명체의 기능적·계통발생학적 다양성을 이끄나, 배양의 어려움으로 인해 충분히 탐구되지 못했습니다. 본 연구는 다양한 환경 메타게놈 샘플과 참조 유전체에서 얻은 십만 개 이상의 미생물 유전체에 기계 학습(ML)을 적용하여 공생 생활 방식을 예측했습니다. 이는 공생 미생물의 유전체 특징을 식별하기 위해 개발된 ML 프레임워크인 symclatron을 활용하여 수행되었습니다.
예측 결과는 Symbiont Genomes(SymGs)라는 공생체 유전체 목록으로 구축되었습니다. 분석 결과, 배양되지 않은 미생물의 15~23%가 숙주 관련 또는 절대 세포 내 생활 방식과 같은 공생 관계를 맺고 있으며, 이는 알려진 세균 및 고세균 문(phyla)의 절반에서 발견되었습니다.
또한, 특정 대사 기능의 상실 및 숙주 의존적 생활을 가능하게 하는 대사 모듈의 차등적 존재를 포함하여 공생 생활 방식의 유전체 서명을 식별했습니다. symclatron 소프트웨어와 SymGs 목록은 공생 연구에 귀중한 자원이 될 것이며, 향후 숙주-미생물 연관성의 기전적 조사 및 공학적 활용을 촉진할 잠재력을 가집니다.
최근 딥러닝 모델은 다양한 분야에서 뛰어난 성능을 보이지만, 그 작동 원리가 불투명하여 해석 가능성이 부족하다는 비판을 받습니다. 사후 설명 기법들은 이러한 문제를 해결하려 하지만, 블랙박스 모델을 정확히 반영하지 못해 오해를 불러일으키거나 불완전한 설명을 제공하는 한계가 있습니다.
본 연구는 이러한 문제를 극복하기 위해 본질적으로 투명한 모델 아키텍처인 신경 확률 회로(Neural Probabilistic Circuits, NPC)를 제안합니다. NPC는 속성 인식 모델과 확률 회로 기반의 태스크 예측기로 구성됩니다. 속성 인식 모델은 다양한 속성의 확률을 예측하고, 태스크 예측기는 인식된 속성에 대한 논리적 추론을 통해 클래스를 예측합니다. NPC 훈련을 위해 속성 인식, 회로 구성, 공동 최적화의 3단계 학습 알고리즘을 도입했습니다.
이론적으로 NPC의 오류는 각 모듈 오류의 선형 결합으로 상한이 정해짐을 증명했습니다. 또한, NPC의 해석 가능성을 입증하기 위해 가장 확률 높은 설명과 반사실적 설명을 모두 제공합니다. 4가지 벤치마크 데이터셋에 대한 실험 결과, NPC는 기존 종단간 블랙박스 모델과 경쟁력 있는 성능을 달성하면서도 향상된 해석 가능성을 제공하여, 해석 가능성과 성능 사이의 균형을 성공적으로 맞추는 것을 확인했습니다.
NPC는 복잡한 의사결정 과정에서 모델의 예측을 이해하고 신뢰해야 하는 STEM 분야 연구자 및 실무자에게 유용할 것입니다. 특히, 의료 진단이나 자율 주행과 같이 높은 신뢰성과 설명 가능성이 요구되는 분야에 기여할 수 있습니다.
대화형 다기준 의사결정(iMCDM) 절차는 의사결정자(DM)가 선호도를 제공하여 대안 솔루션을 반복적으로 생성, 비교하고 최종적으로 가장 선호하는 파레토 최적(PO) 솔루션에 도달하게 합니다. 일부 iMCDM 절차는 DM이 현재 솔루션의 목표를 개선, 완화, 무관심 또는 만족을 위한 다양한 범주로 명확하게 분류하도록 요구하며, 다른 접근 방식은 DM이 경쟁하는 두 개 이상의 솔루션을 비교하고 가장 선호하는 것을 지시하도록 합니다.
사전 정의되거나 무작위 PO 솔루션으로 시작하여, iMCDM 절차는 인간 DM의 안내에 따라 적절한 스칼라화된 최적화 문제를 해결함으로써 새롭고 점차 더 선호되는 PO 솔루션을 반복적으로 생성합니다. 인간 DM의 개입으로 인해, 계산 최적화 연구자들은 효율적인 EMO 알고리즘 개발에 적극적임에도 불구하고 새로운 iMCDM 절차 제안에는 대부분 참여하지 않았습니다.
본 논문에서는 의사결정 정보를 제공하기 위해 사전 훈련된 기계 학습(ML) 모델 형태의 기계 기반 의사결정자(Machine-DM)를 제안합니다. 우리는 Machine-DM 개발 과정을 상세히 설명하고, 특정 iMCDM 절차인 NIMBUS를 통해 그 작동을 시연합니다.
제안된 ML 기반 Machine-DM은 iMCDM 절차 벤치마킹에 대한 우리의 즉각적인 미래 목표의 핵심 부분이 될 것으로 예상됩니다. 이는 계산 지향적인 연구자들이 새롭고 효율적인 iMCDM 방법론을 개발하여 EMO-MCDM 통합 분야를 더욱 발전시킬 수 있는 새로운 길을 열어줍니다.
급격한 도시화와 환경 스트레스는 도시의 지속가능성 평가를 필수적으로 만들며, 특히 토지 이용 변화가 생태계 악화에 기여하는 콜카타 대도시권(KMA)에서 더욱 중요합니다. 본 연구는 KMA의 생물친화적 잠재력과 서식지 구조적 조건을 평가하기 위한 방법으로 도시 에코스코어 지수(UESI)를 개발하고 평가했습니다. 이 지수는 생태적 무결성, 인위적 압력, 자연 특징과의 공간적 근접성 세 가지 차원에 걸쳐 여섯 가지 생태 지표를 통합합니다.
각 지표는 집계 전에 공통된 생태적 방향으로 정렬되었으며, 지표 가중치는 전문가 판단 대신 주성분 분석을 통해 도출되었습니다. 생태적 관계 모델링에는 원격 감지 및 기계 학습 기술이 활용되었고, SHAP와 같은 설명 가능한 AI 방법론을 사용하여 모델을 해석했습니다.
UESI 평가 결과, KMA 전반에 걸쳐 뚜렷한 공간적 불균형이 나타났습니다. 전체 면적의 21.9%(384 km²)는 도시 핵심 지역에 집중된 '불량' 등급으로 분류되었습니다. 반면, 24.7%(433 km²)는 '양호' 등급이었고, 8.6%(151 km²)는 주로 생태 민감 지역에서 UESI 0.8 이상인 '우수' 조건을 달성했습니다. '보통'(445 km², 25.4%) 및 '중간'(339 km²) 구역은 생태 기능 복원이 가능한 전환 지역임을 시사합니다.
SHAP 기반 분해는 잠재적 종 풍부도와 인간 교란이 복합 지수의 공간적 가변성에 가장 크게 기여하는 지표임을 확인했으며, 이는 도시 생태학의 생물다양성 및 토지 이용에 대한 광범위한 증거와 일치합니다. UESI는 생물친화적 잠재력에 대한 선별 수준의 진단을 제공하지만, 실제 인간-자연 상호작용, 생물다양성 또는 분배적 형평성은 원격 감지 프록시를 넘어선 현장 조사 및 사회-인구학적 데이터를 필요로 하므로 평가하지 않습니다.
지향성 에너지 증착(DED)은 고부가가치 부품 제작 및 수리에 활용되는 금속 적층 제조(MAM) 기술이지만, 복잡한 열 구배와 재료 거동, 공정 변수 등으로 인해 일관된 품질 확보가 어렵습니다. 최근 인공지능(AI), 특히 기계 학습(ML) 및 딥러닝(DL) 방법론이 DED 공정의 품질 관리 및 실시간 모니터링에서 큰 잠재력을 보이고 있습니다.
본 연구는 DED의 AI 기반 품질 관리 및 모니터링에 대한 체계적인 문헌 검토를 수행했습니다. PRISMA 방법론을 활용하여 2015년부터 2026년까지 발표된 145편의 동료 심사 논문을 분석했으며, 결함 감지, 공정 상태 모니터링, 물리 정보 모델링, 디지털 트윈, 산업 적용 준비도 등을 중점적으로 다루었습니다.
DED의 품질 문제는 기하학적, 형태학적, 미세 구조적 범주로 분류되었으며, 각 범주에서 AI 활용 사례를 분석했습니다. 컨볼루션 신경망(CNN), 랜덤 포레스트, 오토인코더 등 ML/DL 모델이 용융 풀 모니터링, 열 및 시각 신호 해석, 결함 분류, 기하학적 예측, 공정 조건 평가 등에 폭넓게 적용되고 있음을 확인했습니다.
비교 분석 결과, 기존 방법은 직접 측정, 검증 및 인증에 필수적인 반면, AI 기반 방법은 주로 공정 내 예측, 조기 경고, 선별 및 잠재적인 폐루프 제어에 활용됩니다. 물리 정보 ML 및 디지털 트윈 프레임워크는 공정 데이터를 열, 기하학적, 결함 관련 품질 상태와 연결하여 AI 역량을 더욱 확장합니다. 하지만 데이터 획득 등 주요 과제는 여전히 남아있습니다.
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 낮추면서도 신뢰성 높은 합금 설계가 가능합니다.
접근 방식의 유효성을 검증하기 위해, 우수한 레이저 프린팅 가능성, 열 안정성 및 높은 기계적 강도를 지닌 새로운 무결함 Ni 초합금을 개발했습니다. 메커니즘 분석을 통해 성능의 잠재적 원인을 규명했으며, 이는 원자 탐침 단층 촬영으로 확인되었습니다. 나아가 동일한 접근법으로 새로운 레이저 프린팅 가능 알루미늄 합금도 개발했습니다.
본 연구에서 개발된 프레임워크는 적층 제조를 위한 차세대 합금 설계를 가속화할 잠재력을 보여줍니다. 소규모 데이터셋으로도 고성능 무결함 합금 개발을 가능하게 함으로써, 재료 과학 및 공학 분야에서 혁신적인 설계 패러다임을 제시합니다.
추천 시스템은 광범위한 응용 분야와 비즈니스 잠재력으로 인해 컴퓨터 과학 분야에서 핵심적인 연구 주제로 자리매김하고 있습니다. 최근 컴퓨터 비전 분야에서 확산 모델(Diffusion Models)이 뛰어난 생성 능력을 보여주면서, 많은 추천 시스템 연구들이 이를 도입하여 다양한 태스크에서 성능 향상을 이루고 있습니다. 이 분야의 연구가 빠르게 증가함에 따라 체계적인 연구 동향 분석의 필요성이 대두되었습니다.
본 연구는 확산 모델을 활용하는 추천 시스템을 분류하기 위해 세 가지 상호보완적인 축을 기반으로 새로운 분류 체계를 제안합니다. 기존 연구들이 주로 확산 모델의 역할에 초점을 맞춘 것과 달리, 이 분류 체계는 추천 태스크를 중심으로 구성됩니다. 이는 확산 모델이 다양한 태스크 설정에서 추천 성능을 개선하기 위해 채택된다는 관찰에 기반한 것입니다.
저자들은 확산 모델의 기본 알고리즘과 추천 시스템에서의 응용 사례를 제시하며, 이 분야의 최신 연구 진행 상황을 요약합니다. 제안된 분류 체계는 기존 연구 동향 분석에 보완적인 관점을 제공합니다.
마지막으로, 본 연구는 향후 연구를 장려하기 위해 미해결 연구 방향을 논의합니다. 관련 논문들은 공개 GitHub 저장소에 정리되어 있습니다.
고온 Nb-Si 기반 합금은 가공성을 위한 상온 파괴 인성(>18 MPa·m1/2)과 고온 강도 확보라는 상충하는 특성 사이에서 균형을 맞추는 데 어려움을 겪습니다. 본 연구는 이러한 고유한 한계를 극복하기 위해 기계 학습 기반 합금 설계를 도입했습니다.
200개의 초기 특성 중 3단계 특성 선별 전략을 통해 6개의 핵심 설명 변수를 식별했습니다. SHAP 분석으로 용융 엔탈피와 원자 반경 불일치가 특성 결과에 미치는 영향을 규명했으며, 이를 바탕으로 NSGA-II 알고리즘을 활용한 다목적 최적화를 수행했습니다.
최적화된 Nb-12.26Si-21.35Ti-1.98Al-1.96Cr-0.51Hf-4.34Zr-4.35V 합금은 18.92 MPa·m1/2의 주조 상태 파괴 인성을 달성하면서 1250 °C에서 322 MPa의 강도를 유지했습니다. 이는 기존에 보고된 모든 주조 Nb-Si 합금을 능가하는 결과입니다. 미세 구조 분석 결과, 나노 스케일 γ′-Nb5Si3 상의 분산 분포와 67.6%의 격자 불일치를 가진 상 경계에서의 균열 편향이 우수한 특성의 원인으로 밝혀졌습니다.
본 연구는 기계 학습 기술과 기계적 이해를 결합함으로써 고온 재료 발견을 가속화할 수 있음을 입증했습니다. 이는 차세대 고온 합금 개발에 중요한 방법론적 토대를 제공합니다.
본 연구는 두 평행판 사이에 갇힌 폴리머 펜타 하이브리드 나노유체의 비정상 압착 유동 및 열전달 거동을 분석합니다. 비압축성, 층류 유동을 가정하고 점성 소산 및 나노입자 효과를 통합한 시간 의존적 수학적 모델을 개발했습니다. 이 모델은 연료전지, 레독스 흐름 전지, 전해조, 슈퍼커패시터와 같은 밀폐된 전기화학 에너지 시스템에 적용 가능합니다.
나노유체의 거동 예측을 위해 머신러닝 기반의 인공신경망(ANN) 모델을 통합했습니다. 은닉층에 시그모이드 활성화 함수, 출력층에 선형 뉴런을 사용하는 2계층 피드포워드 신경망을 Levenberg-Marquardt 역전파 알고리즘으로 훈련했습니다. 이 모델은 훈련, 검증 및 테스트 데이터셋 전반에 걸쳐 평균 제곱 오차(MSE)의 빠른 수렴과 낮은 오차 값을 보이며 높은 성능을 입증했습니다.
주요 결과에 따르면, 압착 매개변수와 나노입자 부피 분율이 증가하면 온도 프로파일이 감소하는 반면, 에커트 수 증가는 온도 프로파일을 증가시킵니다. 기하학적 비율 매개변수 증가는 미미한 온도 상승을 유발하며, 나노입자의 형상 계수는 온도 프로파일을 감소시킵니다. 특히, 형상 계수가 구형에서 박판형으로 변할 때, S < 0 및 S > 0 조건에서 초기 온도 프로파일이 각각 18.09% 및 7.39% 감소했습니다.
ANN 모델의 평균 MSE 값은 10^-10 수준이었고, 기울기 값은 약 10^-8로 매우 높은 예측 정확도를 보였습니다. 이 연구는 동적 작동 조건에서 좁은 평행판 채널 내 전해질 수송 및 열 조절이 발생하는 전기화학 에너지 시스템의 설계 및 최적화에 기여할 수 있습니다.
항공우주 소재 분야에서 고온 작동 및 저밀도 특성을 갖춘 합금 개발은 항공기 엔진 효율 증대와 배출가스 저감에 필수적입니다. Nb-Si 합금은 기존 Ni 기반 초합금보다 고온에서 작동 가능하며 밀도가 낮아 유망한 대안으로 주목받고 있습니다.
본 연구에서는 Nb-Si 기반 초고온 합금 설계를 위해 기계 학습 기반 프레임워크를 개발했습니다. 3단계 특징 선별 전략을 통해 20 MPa·m1/2의 파괴인성 장벽을 극복하고자 했습니다. 개발된 모델은 파괴인성(KQ)을 7% 미만의 오차로 예측하며, SHAP 및 PDP 분석을 통해 모델을 해석하여 합금 설계 방향을 제시했습니다.
모델 예측 검증을 위해 Si 함량 3~15 at.% 범위의 합금 5종을 합성했습니다. 특히 Sample #5 (Nb38.5Ti38.5Si3Zr18V2)는 주조 Nb-Si 합금의 일반적인 범위(20 MPa·m1/2 미만)를 뛰어넘는 22.791 MPa·m1/2의 KQ 값을 달성했습니다. 미세구조 분석 결과, 취성 규화물 상이 연성 Nbss 상으로 변태하고 균열 가교 강화가 발생하여 성능이 향상되었음을 확인했습니다.
강화 기구 분석에서는 고용 강화가 68%~84%로 지배적이었으며, 우수한 강도-인성 균형을 보였습니다. 이 연구는 해석 가능한 기계 학습을 활용하여 고성능 Nb-Si 합금 설계의 새로운 방향을 제시하며, 항공우주 분야의 차세대 소재 개발에 기여할 것으로 기대됩니다.
기계 학습은 복잡한 패턴을 효과적으로 표현하며, 다중 소스 및 이종 정보 융합 시나리오에서 예측 추론에 큰 잠재력을 가집니다. K-겹 교차 검증(CV)은 기계 학습 결과가 우연에 의해 생성될 가능성을 평가하는 가장 일반적인 접근 방식이며, 종종 기존 가설 검정보다 우수한 성능을 보입니다. 이는 정확도와 같이 모수적 설명이 없는 기계 학습 분류에서 직접 얻은 측정치에서 비롯됩니다.
융합 지향 기계 학습 파이프라인 내에서 빈도주의적 분석에 접근하기 위해, 순열 검정 또는 데이터 분할(즉, 폴드)의 간단한 통계를 추가하여 신뢰 구간을 추정할 수 있습니다. 그러나 모수적 또는 비모수적 검정 모두 작은 표본 크기 데이터셋 분할 및 이종 융합 데이터 소스 학습의 내재된 문제를 해결하지 못합니다. 기계 학습이 학습 매개변수와 폴드 전반의 데이터 분포에 크게 의존한다는 사실은 과도한 위양성, 불확실성 전파 및 재현성 문제와 같은 익숙한 어려움을 야기합니다.
본 연구는 K-겹 CV와 실제 위험의 상한(K-fold CUBV)에 기반한 새로운 통계 검정을 제안합니다. 이는 농도 부등식 평가를 통해 CV를 사용한 기계 학습의 불확실한 예측을 최악의 경우로 제한합니다. K-겹 CV와 결합된 선형 분류기를 위한 PAC-베이즈 상한이 도출되어 실제 위험을 추정하는 데 사용됩니다.
또한, 작은 표본 크기, 적은 예측 변수, 다중 소스 데이터 이질성을 포함한 일반적인 실험 상황을 모델링하고 시뮬레이션하여 재현성 문제의 원인을 밝힙니다. 시뮬레이션 및 신경 영상 데이터셋을 통한 성능 평가는 K-fold CUBV가 기계 학습에서 얻은 효과 및 정확도 값을 감지하고 검증하는 데 강력한 절차임을 시사합니다.
연합 학습(FL)은 여러 장치나 기관이 로컬 데이터를 공유하지 않고도 기계 학습(ML) 모델을 공동으로 훈련할 수 있게 하는 접근 방식입니다. 이는 환자 건강 데이터를 활용한 의료 ML 모델 훈련의 윤리적 난제를 극복할 유망한 방법으로 주목받고 있습니다. 본 연구는 헬스케어 분야에서 FL의 잠재력을 윤리적 관점에서 탐구합니다.
의료 FL은 '연합 불투명성'이라는 새로운 형태의 불투명성을 야기한다고 주장합니다. 이는 이해관계자들이 모델 훈련에 사용된 데이터에 접근, 분석 또는 관리할 수 없게 만듭니다. 이러한 불투명성은 의료 ML의 기관 공정성 및 책임에 대한 독특한 윤리적 문제를 제기하며, 데이터 오염 공격에 특히 취약하게 만듭니다.
또한, 본 연구는 헬스케어 분야에서 FL의 기대되는 이점에 대한 주요 주장들이 과장되거나 오해의 소지가 있거나 불완전할 수 있음을 지적합니다. 이는 주로 연합 불투명성 문제에서 비롯됩니다. 따라서 FL의 윤리적 함의와 잠재적 위험을 신중하게 고려해야 합니다.
본 연구는 연합 학습의 윤리적 측면을 심층적으로 분석하여, 헬스케어 분야에 안전하고 책임감 있는 ML 기술을 도입하기 위한 중요한 통찰을 제공합니다.
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 위한 핵심 원칙을 요약한다.
기술 분석을 넘어 노드, 엣지, 그래프 수준 태스크에서의 응용 가능성을 논의하고, 다른 응용 시나리오에서의 잠재력도 탐색한다. 마지막으로, 확장성 및 효율성, 일반화 및 견고성, 해석 가능성, 동적 및 복잡 그래프 처리, 데이터 품질 및 다양성 등 분야의 남은 과제를 식별하고 향후 연구 방향을 제시한다.
최근 대규모 언어 모델(LLM)의 발전으로 지각, 추론, 행동을 결합한 에이전트 시스템이 기계 고장 진단을 포함한 예측 보전(PdM) 수명 주기 전반에 걸쳐 활용 가능해졌습니다. 그러나 PdM을 위한 LLM 기반 에이전트 연구는 파편화되어 있으며, Model Context Protocol과 같은 최신 프레임워크에 대한 통합된 관점이 부족합니다.
본 논문은 PdM을 위한 판별형, 생성형, LLM 기반 접근 방식을 검토하고, LLM 기반 AI 에이전트에 대한 파편화된 증거들을 통합합니다. 특히, PdM을 위한 에이전트 AI 개념을 소개하고, 에이전시 이론에 기반하여 잠재적 응용, 도전 과제 및 위험 요소를 분석합니다. 또한, 산업 분석의 최신 증거를 바탕으로 도입 동인과 장벽을 매핑합니다.
연구 결과에 따르면 정보 및 의사결정 지원 에이전트는 단기적으로 가치가 높습니다. 그러나 자율성이 높은 에이전트는 더 강력한 거버넌스, 벤치마크, 그리고 안전성 검증이 필요합니다.
이 연구는 LLM 기반 AI 에이전트의 예측 보전 분야 적용을 위한 현황을 제시하고, 향후 연구 및 개발 방향을 위한 중요한 통찰을 제공합니다.
