최근 엣지 컴퓨팅은 인공지능 기능을 통합하여 효율성을 높이는 핵심 기술로 주목받고 있습니다. 그러나 엣지에서의 머신러닝(ML) 모델 배포 및 추론에 주로 초점이 맞춰져 있었으며, 모델 학습 측면은 상대적으로 덜 탐구되었습니다. 본 조사는 엣지 학습, 특히 엣지 환경에서의 ML 모델 학습 최적화 개념을 심층적으로 탐구합니다.
이 연구는 엣지 학습의 다양한 접근 방식과 방법론을 종합적으로 탐색하고, 기존 지식을 통합하며, 주요 도전 과제를 식별하고, 미래 동향을 제시하는 것을 목표로 합니다. Scopus와 Web of Science의 고급 검색을 활용하여 관련 문헌을 분석한 결과, 분산 학습 방법, 특히 연합 학습(federated learning)에 연구 노력이 집중되어 있음을 확인했습니다.
본 조사는 엣지 학습을 위한 ML 최적화 기법들을 비교하는 가이드라인을 제공하며, 활용 가능한 다양한 프레임워크, 라이브러리 및 시뮬레이션 도구들을 탐색합니다. 이를 통해 엣지 컴퓨팅과 머신러닝의 교차점에서 현재 연구 동향과 미래 방향에 대한 총체적인 이해를 돕습니다.
궁극적으로 본 연구는 엣지에서의 학습을 위해 설계된 최적화 방법론과 기법들 간의 정보에 입각한 비교를 위한 토대를 마련하여 관련 분야의 발전에 기여합니다.
분산형 태양광 발전 시스템의 높은 보급률은 저압 배전망에서 전압 위반, 태양광 수용 한계, 인접 배전 변압기 간 불균형 부하 등의 문제를 야기합니다. 본 연구는 이러한 문제를 해결하기 위해 배전 변압기 클러스터(DTC)로 구성된 저압 배전망을 위한 엣지 컴퓨팅 기반 최적 제어 방법을 제안합니다.
제안하는 방법은 지능형 융합 터미널을 엣지 컴퓨팅 플랫폼으로 활용하여 측정값 수집, 익일 스케줄 생성, 당일 실시간 보정, 안전성 검증 및 제어 명령 발행을 수행합니다. 익일 단계에서는 태양광 발전 예측 시나리오를 식별하고, 시나리오별 에너지 저장장치(ESS) SOC 예약 규칙과 소프트 개방점(SOP) 유효 전력 균형 스케줄을 생성합니다. 당일 단계에서는 실시간 측정값을 기반으로 태양광 인버터 무효 전력, ESS 충방전, 필요한 태양광 유효 전력 감축, SOP 전력 전송을 조율합니다. 복잡한 최적화 모델을 반복적으로 풀지 않고도 전압 보안 및 장치 실행 가능성을 보장하기 위해 안전 스케일링 및 경계 검증 메커니즘도 도입되었습니다.
3개 배전 변압기 시스템에 대한 사례 연구 결과, 제안된 방법은 TQ1의 과전압 발생을 81.0% 감소시키고 4가지 태양광 시나리오에서 저전압 발생을 제거했습니다. SOP 기반 균형 제어를 통해 DTC 내 총 과전압 및 저전압 발생은 각각 4.35% 및 88.99% 감소했으며, 태양광 활용률과 부하율 균형이 향상되었습니다. 당일 제어 시간은 약 20ms로, 자원 제약적인 엣지 컴퓨팅 플랫폼에서의 실시간 롤링 제어 가능성을 입증했습니다.
이 연구는 분산형 태양광 발전이 통합된 저압 배전망의 안정성과 효율성을 향상시키는 실용적인 제어 솔루션을 제공하며, 엣지 컴퓨팅 기술을 활용한 전력망 관리의 새로운 가능성을 제시합니다.
거대 언어 모델(LLM)의 발전에도 불구하고, 클라우드 단독 배포나 엣지 기기 압축은 지연 시간, 개인 정보 보호, 비용, 개인화 문제로 인해 한계에 부딪히고 있습니다. 본 연구는 클라우드 LLM과 엣지 소형 언어 모델(SLM)이 추론 및 학습 과정에서 협력하는 패러다임을 탐구합니다. 이를 위해 엣지-클라우드 협업 전략에 대한 통합 분류 체계를 제안합니다.
추론 단계에서는 작업 할당, 작업 분할, 혼합 기반 협업 방식을 작업 및 토큰 수준으로 분류하며, 적응형 스케줄링, 자원 인식 오프로딩, 추측 디코딩, 모듈러 라우팅 등을 포함합니다. 학습 단계에서는 파라미터 정렬, 가지치기, 양방향 증류, 소형 모델 기반 최적화 등 분산 적응 기술을 검토합니다.
나아가 데이터셋, 벤치마크, 배포 사례를 요약하고, 개인 정보 보호 기술과 수직적 응용 분야를 조명합니다. 이 연구는 LLM-SLM 협업을 위한 체계적인 기반을 구축하고, 효율적이고 확장 가능하며 신뢰할 수 있는 엣지-클라우드 인텔리전스를 위한 시스템-알고리즘 공동 설계를 연결하는 것을 목표로 합니다.
