이 연구는 노암 촘스키(Noam Chomsky)의 인공지능에 대한 비판적 시각과 이를 둘러싼 기술철학적 논의를 다룬다. 촘스키는 AI 시스템, 특 히 챗GPT와 같은 머신러닝 프로그램이 인간의 사고와 언어 사용 방식과 는 본질적으로 다르며, 인과적 설명을 생성하는 능력이 결여되어 있다고 주장한다. 그는 AI가 단순히 패턴 인식과 예측을 기반으로 작동하기 때 문에 진정한 지능을 지니고 있지 않다고 강조한다. 하지만, 이 논문은 AI와 인간 지능의 유사점과 윤리적 주체성 가능성을 칸트 철학과 연계하 여 촘스키의 주장을 반박하고자 한다. 챗GPT와 같은 인공지능 시스템은 인간의 뇌 구조와 기능을 모방한 딥러닝 모델을 사용한다. 이 모델은 다 층 신경망 구조를 통해 정보를 처리하며, 이는 인간 뇌의 뉴런 구조와 유사하다. 챗GPT는 문맥 이해, 기억, 학습 능력을 보여주며, 이는 인간 의 인지 과정과 비슷하다. 머신러닝 모델과 인간 뇌 사이에는 여전히 차 이가 있지만, 신경망칩 등 기술의 발전으로 그 간극이 좁혀지고 있다. 인 공지능의 인과 메커니즘은 인간의 두뇌나 학습 활동과 명확히 구별하기 어려워지고 있기에, AI가 인간과 유사한 학습 및 윤리적 행동을 보여줄 수 있음을 통해 자의식을 가질 수 있음을 밝히고자 한다.

Truss structures, widely used in engineering, consist of straight members transferring axial forces. Traditional analysis methods like FEM and the Force Method become computationally expensive for large-scale and nonlinear problems. Surrogate models using Artificial Neural Networks (ANNs), particularly Physics-Informed Neural Networks (PINNs), offer alternatives but require extensive training data and computational resources. Variational Quantum Algorithms (VQAs) address these challenges by leveraging quantum circuits for optimization with fewer parameters. Variational Quantum Circuits (VQCs) based on Quantum Neural Networks (QNNs) utilize quantum entanglement and superposition to approximate high-dimensional data efficiently, making them suitable for computationally intensive tasks like surrogate modeling in structural analysis. This study applies QNNs to truss analysis using 6-bar and 10-bar planar trusses, assessing their feasibility. Results indicate that residual-based loss functions enable QNNs to make reliable predictions, with increased layers improving accuracy and a higher Q-bit count contributing to performance, albeit marginally.

본 연구는 한국 기상대 데이터를 활용하여 콘크리트 포장의 깊이별 온도를 예측하는 ANN(Artificial Neural Network) 모델을 개발하는 것을 목표로 한다. 기존의 열평형 방정식 기반 모델은 특정 지역의 기상 데이터를 필요로 하기 때문에 일반적인 적용이 어렵다는 한계를 가지고 있다. 이에 본 연구에서는 ANN을 활용하여 기상대 데이터를 기반으로 범용적 인 온도 예측 모델을 개발하고자 한다. 이를 통해 다양한 지역 및 환경 조건에서도 적용 가능한 모델을 구축하는 것이 목적이다. 본 연구에서는 2017년 1월 1일부터 2018년 12월 31일까지의 1시간 단위 기상 및 온도 데이터를 활용하며, 0.05m, 0.15m, 0.25m, 0.35m, 0.45m 깊이별 온도 데이터를 학습 데이터로 사용한다. 입력 변수로는 기온, 풍속, 강수량, 습도, 일 조량, 일사량, 적설량, 적운량, 지면온도를 포함한다. 이러한 다양한 기상 데이터를 활용하여 신경망 모델을 학습하고, 기 존 방식보다 높은 정확도를 확보하는 것이 연구의 핵심 목표이다. 기존 ANN 구조인 O = WI + B에서 확장된 O = W(I + (WI + B)) + B 형태의 비선형 구조를 적용하여 기존 모델이 가지는 비선형 관계 반영의 한계를 극복하고자 한다. 또한, 선형 다중 은닉층 모델과 비선형 다중 은닉층 모델을 각각 개발하여 성능을 비교하고, 비선형 모델의 필요성과 일반화 능력을 평가할 예정이다. 최종적으로 두 모델의 성능을 평균 제곱 오차 및 평균 절대 오차 등과 같은 평가 지표들을 이용하여 비교 분석하고, 가장 적합한 모델을 도출하고자 한다.

상수도 배관에서 누수 또는 이상을 감지하는 기계학습 및 인공신경망 분류 모델에 대한 연구가 활발히 진행되어 왔다. 그러나 누수음 데이터는 시간과 환경에 따라 계속 변동하기 때문에, 입력 데이터의 변화에도 일정 수준 이상의 분류 성능을 유지하는 분류 모델을 찾는 데 어려움이 있다. 본 연구에서는 모델 선택과 초매개변수 조정보다 데이터 전처리 방법이 분류 성능 향상에 더 큰 영향을 미친다는 점에 주목했다. 변동성이 큰 누수음의 특징을 효과적으로 추출하기 위해 푸리에 변환 및 MFCC(Mel-Frequency Cepstral Coefficients)를 사용하였으며, 일부 정보가 중복될 가능성을 고려하여 다중공선성에 덜 민감한 트리 기반 모델을 사용해 누수음의 분류 성능을 평가했다. 연구 결과, 푸리에 변환과 MFCC를 결합한 데이터 세트를 사용했을 때 LightGBM 모델의 분류 정확도가 84.62%로 나타났으며, 각각의 전처리 방법을 단독으로 사용했을 때보다 더 높은 성능을 달성하였다. 이 결과는 두 전처리 방법의 상호 보완적 특성이 분류 성능 향상에 기여했음을 입증하며, 상수도 관망 누수 탐지 시스템 개발에 중요한 기여를 할 것으로 기대된다.

본 연구에서는 박스 구조물의 부재력 예측을 위한 다양한 딥러닝 모델의 정확성을 비교하고자 하였다. 이를 위해 상용 유한 요소 프로그램인 MIDAS를 이용하여 300개의 유한요소모델을 작성하고, 수치해석을 수행하여 딥러닝 모델에 적용하기 위한 학습데이 터를 생성하였다. 또한, 딥러닝 모델의 정확성을 비교하기 위해 MLP, CNN, RNN 및 LSTM과 같은 다양한 신경망 모델과 Adam, SGD, RMSprop 및 Adamax 등 최적화 알고리즘을 교차 적용하여 16개의 딥러닝 모델을 생성하였다. 그 결과 Adam 최적화 알고리즘 이 모든 모델에서 가장 우수한 성능을 보여주었으며, 특히 MLP 모델에서 가장 높은 R2 값을 나타내었다. 이를 통해, 박스 구조물의 부재력 예측을 위한 최적의 딥러닝 모델 구성은 Adam optimizer와 MLP 구조임을 확인하였다.

Potholes, one of the main causes of road-surface damage, pose a physical hazard to drivers, cause vehicle damage, and increase road maintenance costs. Hence, a model that enhances the accuracy of pothole detection and improves the real-time detection speed is required. A new model based on dilated convolutional neural networks was developed using a dataset that considers various lighting conditions, road conditions, and pothole sizes and shapes. Although the existing YOLOv5 model demonstrated high speed, it exhibited some false-positive pothole detections. In contrast, the proposed dilated convolutional neural network achieved both high accuracy and an appropriate inference speed, making it suitable for real-time detection. Compared with traditional models, the proposed model demonstrated efficiency in terms of model size and inference speed, indicating its potential suitability for systems performing real-time pothole detection when installed directly in vehicles.

폭풍해일 및 너울과 같은 고파랑으로 인해 발생되는 월파는 심각한 연안 침수 위험을 초래하며, 연안 시설과 주민의 안전을 위해 정확한 예측이 필요하다. 본 연구는 수치적, 경험적, 신경망, 그레디언트 부스팅(gradient boosting) 및 컴퓨터 비전 기반 모델들을 사용 하여 해안선 인근의 파고와 월파량을 포함한 월파 특성을 조사하였다. 동해안을 대상으로 한국 기상청(KMA), 일본 기상청(JMA), 미국 국 립환경예측센터(NCEP), 유럽 중기기상예보센터(ECMWF)의 기상데이터를 사용하여 ADCIRC 모델과 SWAN 모델을 결합하여 파고를 계산 하였다. 월파 감지용 CCTV가 설치된 동해안의 삼척항을 대상지역으로 선정하였다. CCTV에서 촬영된 영상들을 YOLO를 사용하여 분석하 였으며, 화면 내의 처오름 현상을 감지하였다. 수치모형의 성능은 예측된 파도 특성과 관측값을 비교하여 정성적, 정량적 측정을 통해 평 가하였다. 수치모형의 성능은 파고 예측에서 우수한 것으로 분석되었으며, 태풍과 비태풍 조건에서 파고는 각각 0.60m와 0.44m의 최소 RMSE이고 주기는 각각 1.68m와 1.84m의 RMSE로 분석되었다. 본 연구결과에 의하면 실시간 모니터링은 월파 특성에 대한 신뢰할 수 있는 예측 가능성을 가진다. 실시간 모니터링은 해안지역 보호를 위한 신속한 위험 평가 및 실시간 경보 제공에 활용될 수 있다.

본 논문에서는 15차 bézier 곡선을 사용하여 기존의 연구보다 더 유연한 빔 형상을 설계하고, 더 넓은 설계 공간에서 최적 설계를 수 행하여 최적의 열전도도를 갖는 빔 형상을 설계한다. 설계 공간이 넓어지면 그 만큼 계산양이 증가하게 되는데, 고차원 변수 공간에서 효율적으로 작동하는 인공신경망을 사용하여 최적 설계를 가속화하여 계산 한계를 극복하였다. 더 나아가 최적의 탄성계수를 갖는 빔의 형상과 비교하였으며 열전도와 탄성학 사이의 수학적 유사성을 이용하여 빔 형상을 설명한다. 본 연구에서는 인공지능을 활용 한 형상 최적설계를 통해 기존의 한계를 뛰어넘는 격자구조의 빔 형상을 제안한다. 먼저, SC(Simple Cubic), BC(Body Centered Cubic) 격자 구조 빔 형상을 bézier 곡선으로 모델링하고 bézier 곡선의 제어점 좌표를 무작위로 설정하여 학습데이터를 확보하였다. NN(Neural Network) 및 GA(Genetic Algorithm)를 통해 우수한 유효 열전도도를 가진 빔 형상을 생성하여 최적의 빔 형상을 설계하였 다. 본 연구를 통해 추후 다양한 열 조건에서 격자구조의 적절한 구조적 해답을 제시할 수 있을 것으로 기대된다.

본 논문에서는 저 레이놀즈 수 영역에서 에어포일의 공기역학적 성능을 예측하기 위한 딥러닝 기반의 축소 모델을 제시하였다. 딥 러닝 기반 축소 모델에서 CFD 해석 결과의 높은 차원의 데이터를 효율적으로 다루기 위해 변이형 오토인코더를 결합한 합성곱 신경 망을 적용하였다. 부호화 거리 함수를 통해 에어포일의 형상과 유동 조건을 이미지 데이터화 하고, 이에 대해 합성곱 신경망을 매개변 수화 하였다. 또한, 전산유체역학 해석의 계산 비용으로 인한 부족한 훈련 데이터를 극복하기 위해 투영 기반의 비선형 매니폴드 데이 터 증강기법을 개발하였다. NACA 4계열 에어포일은 해석 예제로 고려하여 제안하는 프레임워크의 내삽과 외삽 정확도를 평가하였 으며 매니폴드 데이터 증강기법을 적용하여 프레임워크의 정확도 향상을 확인하였다.

Abstract Handling imbalanced datasets in binary classification, especially in employment big data, is challenging. Traditional methods like oversampling and undersampling have limitations. This paper integrates TabNet and Generative Adversarial Networks (GANs) to address class imbalance. The generator creates synthetic samples for the minority class, and the discriminator, using TabNet, ensures authenticity. Evaluations on benchmark datasets show significant improvements in accuracy, precision, recall, and F1-score for the minority class, outperforming traditional methods. This integration offers a robust solution for imbalanced datasets in employment big data, leading to fairer and more effective predictive models.

In this study, a new model using artificial neural networks is proposed to improve the thickness error between the plates, which occurs when the rolling conditions change a lot during the thick rolling. The model was developed by using Python, and the input values are the change in the finish rolling temperature between the plates, the change in target tensile strength, the change in target thickness, and the change in rolling force. The new model is 31.76% better than the existing model based on the standard deviation value of the thickness error. This result is expected to reduce quality costs when applied to online models at actual production sites in the future.

격납건물은 원자력 발전소의 중대 사고 발생시 방사성 물질의 외부 방출을 막는 심층 방어 체계 중 마지막 방벽이다. 중대사고 발생시 격납건물 내부에선 노심 융해와 수소 발생으로 인한 내압 상승과 증기 폭발로 인한 구조적 손상이 일어나며, 이에 대한 구조적 건전성을 평가하기 위해 격납건물에 대 한 극한 내압 성능 평가를 실시한다. 극한 내압 성능 평가 방법 중 확률론적 평가시 현실적인 제약으 로 인해 고신뢰도 유한요소해석 모델을 이용하며 이때에 불확실성 인자들의 확률 분포 특성을 고려한 데이터 셋을 샘플링 기법을 이용하여 구성한 후 비선형 해석을 실시한다. 도출된 비선형 해석 결과는 취약도 곡선을 도출에 사용되며, 취약도 곡선을 이용하여 확률론적인 평가가 실시된다. 샘플링 기법에 따라 적절한 표본 크기가 아닌 데이터셋을 구성하게 되면 통계적 불확실성으로 인한 취약성 분석의 오차가 증대된다. 하지만 유한요소해석시 발생하는 막대한 계산 비용으로 인하여 기존의 방식은 적절 한 샘플링 크기 선정 및 부적절한 샘플링 크기 선정으로 인한 확률론적인 성능평가에 대한 영향에 대 한 정량화 및 평가를 제한적으로 수행하였다. 따라서 본 연구에서는 격납건물의 재료적 특성 및 내압 으로 인한 변위 데이터를 기반으로 생성한 인공신경망 모델을 통해 유한요소 해석에 대한 대리모델을 생성한다. 이후 생성한 대리모델을 기반으로 일반적인 불확실성 분포 샘플링에 사용되는 Monte Carlo method, latin hypercube sampling, Sobol sequence을 이용하여 표본 크기에 따른 격납건물 확률론적 인 극한내압성능 평가에 대한 영향을 정량화 및 평가를 실시하겠다. 이를 통해 제한적으로 탐색되었던 불확실성 공간에 대하여, 그 통계적 불확실성 및 전방위적인 탐색이 가능해 질것으로 기대한다.

This study deals with the application of an artificial neural network (ANN) model to predict power consumption for utilizing seawater source heat pumps of recirculating aquaculture system. An integrated dynamic simulation model was constructed using the TRNSYS program to obtain input and output data for the ANN model to predict the power consumption of the recirculating aquaculture system with a heat pump system. Data obtained from the TRNSYS program were analyzed using linear regression, and converted into optimal data necessary for the ANN model through normalization. To optimize the ANN-based power consumption prediction model, the hyper parameters of ANN were determined using the Bayesian optimization. ANN simulation results showed that ANN models with optimized hyper parameters exhibited acceptably high predictive accuracy conforming to ASHRAE standards.

Engineering design involves making numerous decisions as the design process. These decisions can be broadly categorized into selection decisions and compromise decisions. The outcomes of these decisions heavily depend on the designer's intentions, highlighting the need to systematically and accurately incorporate the designer's intentions. The Analytic Hierarchy Process (AHP) is a design technique that systematically reflects the designer's intentions by hierarchically analyzing and evaluating ambiguous decision problems. Therefore, in this study, effective optimal structure designs that maximally reflect the designer's intentions were confirmed by introducing AHP (Analytic Hierarchy Process) and Neural Network into the foundational decision-making process of engineering design.

이 연구에서는 Inception V3, SqueezeNet(local), VGG-16, Painters 및 DeepLoc의 다섯 가지 인공지능(AI) 모 델을 사용하여 차나무 잎의 병해를 분류하였다. 여덟 가지 이미지 카테고리를 사용하였는데, healthy, algal leaf spot, anthracnose, bird’s eye spot, brown blight, gray blight, red leaf spot, and white spot였다. 이 연구에서 사용한 소프트웨 어는 데이터 시각적 프로그래밍을 위한 파이썬 라이브러리로 작동하는 Orange3였다. 이는 데이터를 시각적으로 조작하여 분석하기 위한 워크플로를 생성하는 인터페이스를 통해 작동되었다. 각 AI 모델의 정확도로 최적의 AI 모 델을 선택하였다. 모든 모델은 Adam 최적화, ReLU 활성화 함수, 은닉 레이어에 100개의 뉴런, 신경망의 최대 반복 횟수가 200회, 그리고 0.0001 정규화를 사용하여 훈련되었다. Orange3 기능을 확장하기 위해 새로운 이미지 분석 Add-on을 설치하였다. 훈련 모델에서는 이미지 가져오기(import image), 이미지 임베딩(image embedding), 신경망 (neural network), 테스트 및 점수(test and score), 혼동 행렬(confusion matrix) 위젯이 사용되었으며, 예측에는 이미 지 가져오기(import image), 이미지 임베딩(image embedding), 예측(prediction) 및 이미지 뷰어(image viewer) 위젯 이 사용되었다. 다섯 AI 모델[Inception V3, SqueezeNet(로컬), VGG-16, Painters 및 DeepLoc]의 신경망 정밀도는 각 각 0.807, 0.901, 0.780, 0.800 및 0.771이었다. 결론적으로 SqueezeNet(local) 모델이 차나무 잎 이미지를 사용하여 차 병해 탐색을 위한 최적 AI 모델로 선택되었으며, 정확도와 혼동 행렬을 통해 뛰어난 성능을 보였다.

최근에 선박을 안전하게 설계 및 운항하기 위해 인공지능으로 운동성능을 예측하는 연구가 늘고 있다. 하지만 일반적인 선박 에 비해 소형 어선에 대한 연구는 부족한 실정이다. 본 논문에서는 소형 어선의 운동성능 계산에 필수적인 운동응답을 심층신경망으로 추정하는 모델을 제안한다. 15척의 소형 어선에 대하여 유체동역학 해석을 수행하였으며 이를 통해 데이터베이스를 구축하였다. 환경 조 건과 주요 제원을 입력 데이터로, 단위 파고에 대한 운동응답(Response Amplitude Operator)을 출력 데이터로 설정하였다. 훈련된 심층신경 망 모델을 통해 예측된 운동응답은 유체동역학 해석 결과와 유사한 경향을 보이며 고주파 성분을 가진 운동응답 함수를 낮은 오차로 근 사하는 결과를 보여준다. 본 연구의 결과를 바탕으로 어선의 선형 특성 고려한 심층신경망 모델로 확장하여 연구 결과의 활용도를 넓히 고자 한다.

Tomato is one of the major widely cultivated crops around the world. The leaf area is directly related to the total amount of photosynthesis, which affects the yield and quality of the fruit. Traditional methods of measuring the leaf area are time-consuming and can cause damage to the leaves. To address these problems, various studies are being conducted for measuring the leaf area. In this study, we introduced a model to estimate the leaf area using images of tomatoes. Using images captured by a camera, we measured the leaf length and width and used linear regression analysis to derive the leaf area estimation formula. Furthermore, we used a Neural Network (NN) for additional analysis to compare the accuracy of the models. Initially, to verify the reliability of the image data, we conducted a correlation analysis between the actual measurement data and the image data, which showed a high positive correlation. The leaf area estimation model presented 23 estimation formulas. We used regression analysis to estimate the coefficients of each model and also used employed an artificial neural network analysis to derive high R-squared (R2) values and low Root Mean Square Error (RMSE) values. Among the estimation formulas, the ninth model showed the highest reliability with an R-squared value of 0.863. We conducted a verification experiment to confirm the accuracy of the selected model, and the R-squared value was 0.925. This study confirmed the reliability of data measured from images and the reliability of the leaf area estimation model using image data. These methods are expected to be an important tool in agriculture, using imaging equipment for measuring and monitoring the crop growth.