본 연구는 시간의 구조를 수직선상의 스칼라가 아닌 2D 공간의 아르키메데스 나선으로 재개념화하는 '나선형 시간(Spiral Time)' 프레임워크를 제안한다. 이 프레임워크에서 모든 순간은 누적 진행(추세)을 나타내는 반경 좌표와 반복 주기(계절성) 내의 위상을 나타내는 각도 좌표를 가진다. 이러한 기하학적 분해는 시간 좌표 자체의 고유한 속성이며, 대상 변수의 학습되거나 분석적인 변환이 아니다.
수학적 구조를 도출하고, 미국 월간 소매 판매 데이터(RSXFS)에 대한 10가지 LSTM 제거 실험을 통해 성능을 입증했다. 또한, 트랜스포머 아키텍처에서 나선형 시간 임베딩이 표준 위치 인코딩을 대체할 수 있음을 보여준다. 최적의 다중 주기 나선형 시간 임베딩은 1.69%의 MAPE를 달성하여 스칼라 시간(9.76%)보다 83%, 수동 설계된 사인파 특성(4.62%)보다 63% 우수한 성능을 보였다.
모든 10가지 실험에서 성능 계층은 완벽하게 단조적이었으며, 기하학적 추가가 예외 없이 성능을 향상시켰다. 특히 정규화에 대한 중요한 발견은 다음과 같다. 반경 항은 θ에 선형이고 Z-점수 정규화될 때만 기여하며, 잘못된 정규화는 추세 항을 완전히 생략하는 것보다 나쁜 결과를 초래한다. 이는 진동 특성에 추세 프록시를 추가하는 실무자에게 중요한 함의를 가진다.
본 논문은 단일 및 다중 주기 임베딩, 트랜스포머 위치 인코딩과의 연결, 호킹-하틀 허수 시간, 칼루자-클라인 이론을 다루며, 예측, 이상 탐지, 배터리 상태 모델링, 약물 투여, 금융 주기 모델링, 기후 과학, 신경과학 등 다양한 응용 분야를 제시한다.
경량 난삭 고엔트로피 합금(LRHEA)은 낮은 밀도, 뛰어난 강도, 탁월한 고온 안정성을 겸비하여 항공우주 및 첨단 산업 분야에서 유망한 구조 재료로 주목받고 있습니다. 그러나 LRHEA 설계는 방대한 조성 공간, 복잡한 다목적 성능 절충, 그리고 기존의 시행착오적 실험 방식의 비효율성으로 인해 어려움을 겪고 있습니다.
최근 머신러닝(ML)은 고차원 데이터 분석과 조성-가공-미세구조-특성 간의 숨겨진 상관관계 규명 능력을 바탕으로 LRHEA 설계 분야에서 혁신적인 도구로 부상했습니다. 본 총설은 경험적 매개변수, 상평형도 계산, 제일원리 시뮬레이션 등 기존 설계 전략과 ML 기반 설계 프레임워크를 체계적으로 검토하며, 전통적 지식과 데이터 기반 방법론의 연계를 강조합니다.
ML의 응용은 조성 최적화, 메커니즘 해석, 원자 스케일 시뮬레이션 세 가지 핵심 영역에서 비약적인 발전을 이루었습니다. 목표 지향적 ML 모델은 합금 설계 공간을 효율적으로 탐색하며, 원자 시뮬레이션과 통합된 해석 가능한 알고리즘은 강화 및 인성 메커니즘에 대한 근본적인 통찰력을 제공합니다.
본 연구는 데이터 희소성, 모델 전이성, 물리적 해석 가능성과 관련된 현재의 과제를 제시합니다. 향후 고처리량 실험, 다중 스케일 시뮬레이션, 인공지능의 심층적 통합을 통해 차세대 LRHEA를 위한 강력하고 체계적이며 가속화된 설계 패러다임이 구축될 것으로 전망합니다.
심층 신경망(DNN)은 컴퓨터 비전, 자연어 처리 등 다양한 분야에서 탁월한 성능을 보이지만, 예측의 정확도와 무관하게 과신하는 경향이 있어 자율주행, 의료 진단 등 고위험 응용 분야에서 심각한 문제를 야기할 수 있습니다. 이러한 문제 해결을 위해 DNN 예측의 신뢰도를 평가하는 불확실성 정량화(UQ) 연구의 중요성이 커지고 있습니다.
기존 UQ 연구들은 주로 신경망 아키텍처나 베이지안 공식에 따라 방법론을 분류하여, 각 방법이 다루는 불확실성 원천을 간과함으로써 실제 적용 시 적절한 기법 선택에 어려움이 있었습니다. 본 연구는 이러한 한계를 극복하고자 불확실성 원천(예: 데이터 불확실성, 모델 불확실성)을 기준으로 DNN UQ 방법론의 새로운 분류 체계를 제시합니다.
제시된 분류 체계를 바탕으로 각 UQ 기법 범주의 장단점을 분석하고, 능동 학습, 분포 외(OOD) 강건성, 심층 강화 학습 등 다양한 머신러닝 문제에 UQ가 어떻게 적용될 수 있는지 구체적인 사례를 통해 설명합니다. 이를 통해 연구자들은 특정 문제 상황에 맞는 UQ 기법을 보다 효과적으로 선택하고 활용할 수 있습니다.
나아가 본 연구는 대규모 언어 모델(LLM)을 위한 UQ, AI 기반 과학 시뮬레이션, 구조화된 출력을 갖는 DNN 등 향후 UQ 연구의 주요 방향을 제시합니다. 이는 불확실성 정량화 분야의 발전에 기여하고, 고신뢰성 AI 시스템 개발을 위한 기반을 마련할 것으로 기대됩니다.
최근 머신러닝(ML)은 복합재료의 기계적 거동을 예측하는 강력한 도구로 부상하며, 기존의 시험 및 시뮬레이션 방법보다 빠르고 경제적인 대안을 제시하고 있습니다. 본 총설은 랜덤 포레스트, 서포트 벡터 머신, 인공신경망, 딥러닝 모델 등 다양한 ML 기법이 인장 강도, 경도, 파괴 인성, 피로 수명과 같은 핵심 재료 특성을 예측하는 데 어떻게 활용되는지 탐구합니다.
다수의 최신 연구를 분석하여, ML 모델이 실험 및 시뮬레이션 데이터를 기반으로 훈련되어 공정 변수, 재료 조성, 그리고 최종 성능 간의 복잡한 관계를 규명하는 과정을 조명합니다. 다양한 알고리즘의 정확도, 한계, 적합성을 비교하고, 하이브리드 모델, 특징 선택, 데이터 품질의 중요성을 강조합니다.
나아가 ML이 다중 스케일 모델링, 설계 최적화, 실제 응용 분야에서 지닌 미래 잠재력을 논의하며, 데이터 부족, 모델 해석 가능성, 표준화된 검증 프로토콜의 필요성 등 실질적인 과제 또한 다룹니다. 본 총설은 현재까지의 발전과 도전 과제를 요약함으로써 복합재료 연구 및 응용 분야에서 ML 도입에 대한 정보에 입각한 의사결정을 지원합니다.
하수처리장(WWTP) 수질 예측에 머신러닝(ML) 모델이 다양하게 적용되고 있으나, 성능 평가 지표의 선택과 해석에는 상대적으로 관심이 적었습니다. 대부분의 연구는 RMSE, MAE, MAPE, R² 등 일반적인 회귀 지표에 의존하지만, 이들은 해석 가능성, 데이터 이상치 민감도, WWTP와 같은 동적이고 노이즈가 많은 환경에 대한 적합성에서 큰 차이를 보입니다.
본 연구는 27가지 성능 평가 지표에 대한 체계적인 문헌 분석을 바탕으로, 지도 학습 기반 WWTP 모델링 맥락에서 각 지표의 이론적 토대, 강점, 한계, 적용 가능성을 비판적으로 검토합니다. 통계적 지표 외에도 잔차 플롯이나 실패 예측 플롯과 같은 보완적인 그래픽 기법을 탐색하여, 순수 수치 지표가 간과할 수 있는 모델 동작에 대한 심층적인 통찰을 제공합니다.
주요 성과로는 데이터셋 특성, 모델링 목표, 프로젝트 제약 조건에 따라 적절한 평가 지표를 선택하도록 돕는 실용적인 의사결정 흐름도를 개발한 것입니다. 또한, 수치 지표를 넘어 모델 성능을 평가하는 데 사용된 그래픽 방법론의 참조 도구 키트를 요약했습니다.
이러한 자료는 연구에서 보다 정보에 입각하고 투명한 지표 선택을 촉진할 뿐만 아니라, 하수 처리 실무자들에게 모델 출력 해석, 예측 접근 방식 비교, 신뢰할 수 있는 공정 모니터링 및 운영 의사결정에 가장 적합한 모델 식별을 위한 실행 가능한 도구를 제공합니다.
현대 식품 생산의 복잡성 증가는 품질 관리, 안전 모니터링 및 공정 최적화를 위한 첨단 솔루션의 필요성을 증대시키고 있습니다. 본 연구는 식품 산업의 품질 관리에 적용된 머신러닝(ML) 기술의 최신 발전 동향을 6가지 주요 영역(식품 품질, 결함 감지, 성분 최적화, 포장-센서, 공급망 추적성, 인더스트리 4.0 모델)에 걸쳐 체계적으로 검토합니다.
PRISMA 기반 방법론을 활용하여 Scopus 데이터베이스에서 2005년부터 2025년까지 발표된 124편의 동료 심사 논문을 검색했으며, 사전 정의된 포함 및 제외 기준, 방법론적 엄격성, 혁신성을 바탕으로 최종 25편의 연구를 선정했습니다.
분석 결과, 신경망(Neural Networks)이 가장 지배적인 접근 방식이었고, 앙상블 학습이 그 뒤를 이었으며, 지도 학습이 전반적인 작업에서 우위를 보였습니다. 하이퍼스펙트럼 이미징, 센서 융합, 설명 가능한 AI, 블록체인 기반 추적성 등이 새로운 트렌드로 부상하고 있습니다. 현재 연구의 한계점으로는 특정 분야 편향, 데이터 부족, 미개척된 비지도 및 하이브리드 방법 등이 지적됩니다.
본 연구는 투명한 PRISMA 접근 방식과 6가지 주제별 프레임워크, 그리고 인더스트리 4.0/5.0 통합을 결합하여 식품 산업 내 견고하고 투명하며 적응력 있는 품질 관리 시스템을 위한 교차 영역 통찰력과 로드맵을 제시한다는 점에서 의의가 있습니다.
식량 안보와 작물 수확량 증진을 위해 식물 질병의 조기 진단은 필수적입니다. 기존 수동 방식은 노동 집약적이며 환경 변화에 취약하여 오류 발생 가능성이 높습니다. 인공지능, 특히 머신러닝(ML)과 딥러닝(DL)은 이미지 분류를 통해 자동화된 질병 식별에 큰 발전을 가져왔으나, 일반화 능력 부족, 데이터 불균형, 실제 환경에서의 낮은 성능 등 여러 난관에 직면해 있습니다.
본 연구는 기존 리뷰와 달리 실험실 및 실시간 현장 조건에서 모델 성능을 비판적으로 평가하며, 견고성, 일반화, 엣지 장치 배포 적합성에 중점을 둡니다. GreenViT, 하이브리드 ViT-CNN 모델, YOLO 기반 탐지기와 같은 최신 아키텍처들의 정확도, 추론 속도, 하드웨어 효율성을 비교 분석합니다.
또한, 복잡한 환경에서의 탐지 능력 향상을 위한 다중 모드 및 자기 지도 학습 기법을 논의하고, 수작업 특징 의존성, 과적합, 환경 노이즈 민감성 등 주요 한계를 지적합니다. 다양한 데이터셋에 걸친 모델의 강점과 약점을 실제 농업 적용 가능성에 초점을 맞춰 분석합니다.
결론적으로, 본 논문은 경량 아키텍처 개발, DCGAN 통합, 데이터셋 다양성 개선 등 정밀 농업의 실제 환경 배포를 위한 연구 격차와 미래 방향을 제시합니다.
레이더 탐지 기술이 발전함에 따라, 적층 복합재료에서 광대역 전자기(EM) 흡수를 달성하는 것은 여전히 중요한 과제입니다. 이는 구조/조성 및 주파수 의존적 EM 응답 간의 복잡한 비선형 결합 때문이며, 전문 지식과 광범위한 시행착오가 요구됩니다.
본 논문은 기존 베이지안 최적화(BO)의 지역 최적점 한계를 극복하는 점진적 베이지안 최적화(PBO) 기반의 데이터 기반 머신러닝(ML) 프레임워크를 제안합니다. 이 프레임워크는 가변 플라이 구성의 EM 성능을 예측하는 모델을 반복적으로 훈련하며, 뛰어난 견고성과 일반화 능력을 보여줍니다. 특히, 이 프레임워크는 매개변수가 없어 유사한 적층 구조 시스템의 EM 특성 설계에 적용 가능합니다.
PBO 전략을 통해 두께 5.1mm의 경사 적층 구조가 제안되었으며, 이는 향상된 임피던스 매칭 덕분에 9.6GHz의 유효 흡수 대역폭(EAB)을 달성했습니다. 이 최적 설계의 EAB는 기존 BO 대비 약 20%, 무작위 탐색 대비 약 36% 증가한 수치입니다.
PBO-ML 프레임워크는 반복 과정을 통해 조성 및 구조 변화와 관련된 EM 응답 메커니즘을 점진적으로 규명하며, 고주파에서 저주파에 이르는 조성과 구조 간의 상충 관계를 조화시키려는 노력을 보여줍니다. 이는 재료 설계의 효율성을 크게 향상시킬 수 있습니다.
지속 가능한 수자원 확보를 위해 수질 예측 및 관리는 필수적이며, 특히 산업화, 농업, 도시 확대로 인한 오염이 심화되는 말레이시아와 같은 지역에서 그 중요성이 더욱 부각되고 있습니다. 본 연구는 수질 예측 및 분류에 적용된 머신러닝(ML) 모델과 통계적 분석 기법들을 종합적으로 검토합니다.
특히 예측 정확도와 견고성을 향상시키는 하이브리드 모델에 중점을 두었으며, 수질 표준과 예측 도구의 필요성을 야기하는 환경적 맥락을 조명합니다. 잔차 분석, 주성분 분석(PCA), 특성 중요도 평가와 같은 통계 기법들을 함께 다루어 모델 해석력과 신뢰성을 높이는 방안을 모색했습니다.
모델 성능, 강점, 한계를 비교표로 제시하고 실제 적용 사례를 분석했습니다. 최근 발전에도 불구하고 데이터 품질, 모델 해석력, 시공간 및 퍼지 논리 기법 통합에는 여전히 과제가 남아있음을 확인했습니다. 본 연구는 주요 연구 격차를 파악하고 투명하고 적응적이며 정확한 모델 개발을 위한 향후 연구 방향을 제시합니다.
이 연구 결과는 스마트 수질 관리 시스템 개발을 통해 의사결정 및 생태학적 지속가능성을 강화하고자 하는 연구자와 정책 입안자들에게 유용한 지침이 될 것입니다.
하수처리장(WWTP) 공정은 복잡하고 비선형적인 특성으로 인해 분석, 모델링 및 제어가 어렵습니다. 본 연구는 머신러닝(ML), 특히 딥러닝(DL) 기술을 활용하여 하수처리 공정을 최적화하는 방안을 탐구합니다. 복잡한 물리화학적 공정 모델링, 핵심 수질 지표 실시간 모니터링 및 예측, 화학 반응물 소비량 및 에너지 소비량 절감, 방류수 품질 예측, 의사결정 지원을 위한 데이터 기반 모델 개발 등 산업 플랜트의 하수처리 공정 최적화에 ML 및 DL을 체계적으로 적용하는 사례를 중점적으로 다룹니다.
상세 분석을 위해 2010년 이후 발표된 논문 중 하수처리(wastewater)와 ML, DL, 인공지능(AI)을 결합한 87편의 논문을 선정했습니다. 초기 324편의 논문 중 Litmaps를 통해 5개 주요 과학 데이터베이스에서 얻은 300편의 논문을 검토하여 연구 목적에 부합하는 논문을 선별했습니다.
본 연구는 기존 연구의 한계를 파악하고, 하수처리 공정 최적화 맥락에서 ML 및 DL 알고리즘을 논의하며, 데이터 기반 방법을 통한 향후 공정 최적화 방향을 제시합니다. 기존 모델과 달리 AI 모델(ML, DL, 하이브리드 및 앙상블 모델, 디지털 트윈, IoT 등)은 수질 지표 예측 및 예보, 에너지 소비량 예측, 시계열 패턴 인식, 규제 준수를 위한 최적 해석 가능성 등에서 상당한 이점을 보였습니다.
이러한 첨단 ML 및 DL 기술을 하수처리 공정에 통합함으로써, 복잡한 시스템의 효율성을 극대화하고 운영 비용을 절감하며 환경 규제 준수 능력을 향상시킬 수 있음을 시사합니다. 이는 지속 가능한 하수처리 시스템 구축에 중요한 기여를 할 것입니다.
균근균은 식물 생존과 지구 생지화학 순환을 조절하는 핵심 생태계 엔지니어이지만, 식물 및 동물과 달리 이들의 전 지구적 분포와 다양성은 거의 알려져 있지 않아 지하 생태계 보호에 한계가 있었습니다. 본 연구는 이러한 간극을 메우기 위해 25,000개의 지리적 위치 정보가 있는 토양 샘플에서 얻은 28억 개 이상의 곰팡이 DNA 염기서열 데이터를 활용하여 머신러닝 알고리즘을 훈련했습니다.
훈련된 알고리즘을 통해 육상 생태계 전반에 걸쳐 수지상 균근균과 외생 균근균의 풍부도와 희귀성을 예측했습니다. 이 예측을 기반으로 고해상도 전 지구적 지도를 작성하여 고도로 다양하고 고유한 균근균 군집의 핵심 서식지를 식별했습니다.
분석 결과, 예측된 균근균 다양성 핫스팟 중 10% 미만이 현재 보호구역 내에 존재하는 것으로 나타났습니다. 이는 지구 지하 생태계의 상당 부분이 제대로 보호받지 못하고 있음을 시사합니다.
본 연구 결과는 지구 지하 생태계의 숨겨진 구성 요소를 밝혀내어 보존 우선순위를 설정하고, 모니터링 기준을 마련하며, 구체적인 복원 계획과 토지 관리 전략을 수립하는 데 중요한 기반을 제공할 것입니다.
정밀 농업(PA)은 데이터 기반 기술을 활용하여 작물 및 경작지의 개별 요구사항을 모니터링하고 분석하는 농업 관리 전략입니다. 이는 작물 수확량과 품질을 최적화하고 운영 비용 및 환경 영향을 최소화하여 생산성 향상과 지속 가능한 농업을 목표로 합니다. 효과적인 센싱 기술을 통한 모니터링, 강력한 관리 정보 시스템 구현, 그리고 경작 시스템 내의 변동성 관리가 필수적입니다.
PA에서는 딥러닝 및 머신러닝(ML) 기법을 활용한 작물 수확량 시뮬레이션이 해충, 영양분 및 물 부족, 기타 재배 기간 중의 환경 변수들이 복합적으로 미치는 영향을 이해하는 데 기여합니다. 또한, 라이다 영상, 레이더, 다중 및 초분광 데이터와 같은 원격 감지 기술은 토양, 기후 및 작물에 영향을 미치는 생물물리학적 요인에 대한 이해를 높여 수확량 예측을 향상시키는 데 중요한 기회를 제공합니다.
본 논문은 작물 수확량 예측 강화를 위해 진화하는 원격 감지 및 머신러닝 기술의 활용 현황을 조명하고, 미래 연구를 위한 주요 연구 격차와 기회를 제시합니다. 향후 정밀 농업은 센서 플랫폼의 활용을 더욱 집중하고, 머신러닝 기술을 통해 농업 관행의 효율성을 높일 것으로 예상됩니다.
나아가 다양한 머신러닝 접근 방식과 신호 처리 기술을 결합한 하이브리드 시스템의 개발은 농업 분야에서 더욱 혁신적이고 효율적인 해결책을 제시할 것입니다. 이는 지속 가능한 농업 발전에 크게 기여할 잠재력을 가집니다.
고엔트로피 소재(HEMs)는 탁월한 구조적 안정성, 향상된 이온 전도성, 우수한 기계적 강도 및 뛰어난 촉매 활성 등 독보적인 특성으로 인해 전지 분야에서 큰 주목을 받고 있습니다. 이러한 고유한 특성 덕분에 HEMs는 전극, 전해질, 촉매 등 다양한 전지 부품에 매우 적합합니다.
본 총설은 에너지 저장 분야에서 HEMs의 최근 발전 동향을 체계적으로 검토합니다. 기본적인 개념, 역사적 발전 과정, 주요 정의를 시작으로, 고엔트로피 합금, 고엔트로피 산화물, 고엔트로피 MXene의 세 가지 주요 HEMs 범주를 분석하며, 비축전용량, 에너지 밀도, 사이클 안정성, 출력 특성 등 전기화학적 성능 지표에 중점을 둡니다.
또한, 이러한 소재들이 전지 성능을 향상시키는 근본적인 메커니즘을 명확히 설명합니다. 특히, 머신러닝이 새로운 고엔트로피 전지 소재의 발견 및 최적화를 가속화하는 데 핵심적인 역할을 한다는 점을 강조합니다.
결론적으로, 본 총설은 HEM 기반 전지 기술의 미래 연구 방향과 잠재적인 혁신을 제시합니다.
AI 생성 콘텐츠(AIGC)는 AI 알고리즘을 활용하여 텍스트, 이미지, 비디오, 3D 에셋 등 다양한 미디어를 생성하는 기술입니다. 최근 머신러닝(ML) 및 딥러닝(DL) 분야의 발전과 광범위한 응용 가능성으로 인해 AIGC는 상당한 주목을 받고 있으며, 본 연구는 ML/DL 기반 AIGC의 발전을 종합적으로 검토합니다.
AIGC 방법론은 이미지, 비디오, 텍스트, 3D 형상, 3D 장면, 3D 휴먼 아바타, 3D 모션, 오디오 등 다양한 데이터 양식에 맞춰 개발되었으며, 각 양식은 고유한 특성과 도전 과제를 제시합니다. 또한, 한 양식의 입력으로 다른 양식의 출력을 생성하는 교차 양식(cross-modality) AIGC 방법론에서도 상당한 발전이 있었습니다.
본 연구는 단일 양식 및 교차 양식 AIGC 방법론을 포괄적으로 검토하며, 각 설정에서의 도전 과제, 대표적인 연구, 최신 기술 방향을 강조합니다. 또한, 다양한 양식에 걸쳐 대표적인 데이터셋을 조사하고 비교 결과를 제시합니다.
나아가, AIGC 방법론의 다양한 도메인별 응용 사례, 당면 과제, 그리고 미래 연구 방향에 대해 논의합니다.
