논문 상세보기
화상과학을 위한 생성 인공지능과 트랜스포머 KCI 등재후보
Generative Artificial Intelligence and Transformers for Imaging Science
- 언어KOR
- URLhttps://db.koreascholar.com/Article/Detail/451900
pp.9-20
딥러닝은 지난 10여 년 사이 영상 처리와 계산화학이라는 화상과학기술의 두 축을 모두 바꾸어 놓았다. 본 글은 이 변화를 이끈 세 갈래의 생성·표현 학습 기술, 곧 생성적 적대 신경망(GAN), 확산 모델, 트랜스포머와, 이와 짝을 이루어 발전한 계산화학용 학습 기반 방법을 한 편의 리뷰로 묶어 살핀다. 각 방법을 고전적 접근과 견주어 그 동기와 한계를 짚고, 초해상화·복원·합성과 물성 예측 ·소재 역설계로 이어지는 최근 적용을 검토한다. 아울러 신뢰할 수 있는 연구로 나아가기 위한 방법론적·계산자원적 확장을 정리하고, 화상과학 분야에서 오래 다루어 온 태양전지·이차전지· 고분자 연구와의 접점을 전망한다.
Over the past decade, deep learning has transformed both image processing and computational chemistry, the twin pillars of imaging science and technology. This review brings together the three generative and representation-learning techniques that have driven this change generative adversarial networks (GANs), diffusion models, and transformers alongside the learning-based methods that have reshaped computational chemistry. We position each technique against its classical counterpart, examine its motivation and limitations, and review recent applications ranging from super-resolution, restoration, and synthesis to property prediction and generative inverse design. We then discuss the methodological and computational extensions needed for trustworthy research, and close by relating these developments to the solar-cell, battery, and polymer studies long featured in imaging science and technology research.
Abstract
1. 서 론
2. 고전적 접근과 데이터 기반 접근
3. 생성 모델과 트랜스포머
3.1 생성적 적대 신경망
3.2 확산 모델
3.3 트랜스포머와 비전 트랜스포머
4. 계산화학을 위한 학습 기반 방법
5. 신뢰할 수 있는 연구를 위한확장과 계산 자원
6. 결 론
Acknowledgement
References
