범밀도이론함수(Density Functional Theory, DFT) 기반의 제일원리전산모사는 기저상태의 DFT 에너지를 구하는데 많은 시간소요 및 전산자원을 소모하였다. 이러한 막대한 전산자원의 소모는 DFT 계산에서 고려할 원자수를 수 백개 이 하로 제한되게 되었으며, 이를 해결하기 위해서는 전자구조 계산이 아닌 원자의 환경 내에 원자간 상호작용을 정의 (Force Field, 힘장)하고 이를 통해 주어진 조성 혹은 구조에 따른 에너지를 빠르게 예측 할 수 있어야 한다. 본 논문에서 는 Behler-Parrinello가 제시한 인공신경망 모델을 활용해 인공지능 다원계 힘장을 개발하고 코발트-구리 산화물의 조성에 따른 에너지를 예측하고 안정한 구조를 탐색하는 연구를 수행하였다. 인공신경망 기술로 부터 구리-코발트 산화물에 대 해 15.7 meV/atom의 에너지 오차와 단위거리당 힘 103.6 meV/Å의 정확도를 가지는 인공신경망 포텐셜을 개발하였다. 이 방법으로 빠르고 정확하게 CuCoO 표면구조의 산소 결함률에 따른 생성에너지를 계산할 수 있었고, 에너지 컨벡스 홀을 도시 조성에 따른 안정한 구조를 예측하였다.

인터넷은 전통적인 미디어를 대체하고 주요 뉴스 미디어 플랫폼 중 하나가 되었습니다. 인터넷 소스의 뉴스는 접근성이 좋고 편리하기 때문에 기존 뉴스 소스에 비해 빠르고 간단하게 이동할 수 있습니다. 그러나 가짜 뉴 스가 대량으로 발생하고 정치적, 상업적 이유로 온라인 커뮤니티에 퍼지면서 확인되지 않은 소식통으로부터 입수한 모든 언론 보도가 진짜인 것은 아니다. 가짜 뉴스는 이론적으로나 의도적으로 독자들을 속이거나 잘못 알릴 수 있다. 왜냐하면 사람들은 오프라인 커뮤니티에 영향을 미칠 수 있는 어떤 정보에도 쉽게 얽히게 되기 때문이다. 일부 수동 웹사이트는 정보가 사실인지 확인하도록 설계되어 있지만 온라인, 특히 웹에서 빠르게 확 산되는 정보의 양은 확장되지 않습니다. 이 문제를 해결하기 위해 자동 팩트체크 어플리케이션은 확장성과 자 동화의 요건에 대응하도록 설계되었습니다. 그러나 현재 애플리케이션 방법에는 기계 학습 분류 모델 성능을 개선하기 위해 가짜 뉴스 특징을 식별하는 포괄적인 다차원 데이터 세트가 없다. 이 문제를 해결하기 위해 본 연구논문에서는 사용자가 기사의 제목을 입력하면 데이터를 분류하는 Formb 챗봇을 제안했다. 이 연구 작업 에서 데이터 집합의 분류는 반복 신경망(RNN)과 장기 단기 기억(LSTM) 모델을 사용하여 수행되었다. 가짜 및 실제 뉴스 데이터 세트는 사전 처리되어 모델을 교육하는 데 사용됩니다. 저장된 모델은 지정된 입력 텍스트 의 신뢰성을 확인하기 위해 불일치 서버에 배포됩니다. Disconsid API는 python 파일을 chatbot으로 실행할 수 있는 액세스를 제공합니다. 분석 측면에서, 제안된 모델은 96.77%의 정확도로 CNN와 같은 기존 뉴럴 네트 워크 모델을 능가한다.

선박과 교각이 충돌하면 생명과 안전에 큰 위협이 될 수 있다. 따라서 선박-교각 충돌력 영향 인자를 식별하고 다양한 충돌 조 건에서의 충돌력에 대한 연구의 필요성이 있다. 본 논문에서는 선박-교각 충돌의 유한요소 모델을 설정하고, 수치 시뮬레이션을 통해 선 적상태, 운항속도, 충돌 각도의 세 가지 입력조건을 조합하여 50가지 케이스에서의 선박-교각 최대 충돌력을 계산하였다. 계산된 유한요 소해석 결과를 사용하여 신경망 추정 모델을 학습하고 최대 충돌력을 추정함으로써 빠른 시간에 최대 충돌력을 추정하는 프로세스를 제 안하였다. 신경망 예측 모델은 가장 기초적인 역전파 신경망과 시간정보를 고려할 수 있는 순환신경망인 Elman 신경망 2가지 모델을 사 용하였다. 10가지 케이스의 테스트 데이터로 시험한 결과 Elman 신경망을 사용했을 경우에 평균상대오차가 4.566%로 역전파 신경망보다 나은 최대 충돌력 추정이 가능함을 확인하였고 8가지 케이스에서 5%이하의 상대오차를 보여 주었다. 본 신경망을 이용한 최대 충돌력 추 정법은 유한요소해석을 수행하지 않아도 되므로 계산 시간이 짧아 선박 항해 중 충돌을 회피할 수 없는 경우 피해를 최소화하는 의사결 정의 기초 방법으로 사용할 수 있다.

PURPOSES : This aim of this study is to develop a model for predicting road surface temperature using an LSTM network to predict road surface temperature associated with road icing. METHODS : A long short-term memory (LSTM) neural network suitable for time-series data with time correlation is used in the analysis. Moreover, an optimal neural network architecture is designed via hyperparameter search and verification using learning and validation data. Finally, the generalization performance is evaluated based on the RMSE using unseen data as test data. RESULTS : The results show that the predicted data are similar to the actual road surface temperature patterns , and that the network appears to be generalized. CONCLUSIONS : The LSTM model improves the accuracy and generalization of road surface temperature prediction, as compared with other machine learning models.

재해석 자료는 공간해상도가 저해상도이지만 풍력자원의 장기간 보정이나 수치기상예측 또는 전산유체역학과 연동하여 고 해상도로의 축소화에 활용될 수 있다. 본 연구에서는 재해석 자료의 전세계 풍속을 지형요소 등의 함수로 회귀 분석하였으며 향후 고 해상도 축소화에의 활용 가능성을 시험하였다. 다중선형회귀와 기계학습 모델로서 신경망, 랜덤 포레스트 모델을 적용하여 다양한 지 형형태별로 회귀 분석한 결과에 의하면 접합도(R2)가 각각 0.71, 0.95, 1.00으로 향상되었으며, 지형요소 중 위도, 셀 면적, 지형고도, 경 도, 지형 개방도 순으로 설명력이 높은 것으로 나타났다. 기본 신경망에 비해 수정 쌍둥이 신경망 모델은 불균질 데이터 대상 성능 개 선 효과가 있는 것으로 나타났다. 그럼에도 불구하고 본 연구에서 활용한 신경망 모델로는 데이터의 비선형성을 재현하는데 한계가 있 었으나 랜덤 포레스트 모델을 통해 이를 극복하였다.

기술 트렌드가 증가함에 따라, 엄청난 양의 데이터가 생성되고 있습니다. 많은 양의 데이터가 소비되는 기술 분야 중 하나는 컴퓨터 비전이다. 인간은 기계와 비교할 때 시각에 영향을 미치는 표정, 조명 또는 시야각과 같은 외부 조건에서도 얼굴이나 사물을 쉽게 감지하고 인식할 수 있다. 그 이유는 그것과 관련된 높은 차원 의 데이터 때문이다. 데이터 차원성은 모든 관측치에서 측정되는 변수의 총 수를 말합니다. 이번 사업은 안 면인식시스템에 적합한 다양한 차원감소 기법을 비교하고 조도가 다양한 안면이미지로 구성된 다양한 데이 터세트로 테스트해 모델의 정확도 향상에 도움이 되는 기법의 앙상블 모델을 제안하고 성능을 측정하는 것 이 목적이다.렉스 배경과 표현. 제안된 앙상블 모델은 주성분 분석(PCA)과 로컬 선형 임베딩(LLE)이라는 두 가지 차원 감소 기술의 혼합에서 벡터를 추출하고, 이를 밀도 높은 컨볼루션 신경망(CNN)을 통해 전달하여 야생 면(LFW) 데이터 세트의 얼굴을 예측한다. 이 모형은 0.95의 검정 정확도와 0.94의 검정 F1 점수로 수행 됩니다. 제안된 시스템은 시스템이 얼굴을 예측할 수 있는 제안된 앙상블 모델과 통합된 웹캠에서 라이브 비 디오 스트림을 캡처하는 플라스크를 사용하여 개발된 웹 앱을 포함한다.

본 논문은 AI와 시각, 컴퓨터비전과 이미지의 관계를 비평적 관점에서 논하고 있다. 초대형 IT기업들은 빠짐없이 AI의 기계학습을 위한 컴퓨터비전의 개발에 앞장서면서 이미지의 입력을 통해 세상의 정보를 데이터베이스의 형태로 집적하고 있다. 컴퓨터비전의 분야는 ‘비전’이라는 단어가 가리키듯 인간의 시각과 컴퓨터의 시각데이터집적과정을 비유하지만, 실제로는 기계적이고 알고리즘화된 인간의 시각과는 전혀 별개의 성질을 갖는다. 기계에 정보를 제공하는 기계학 습을 위한 이미지의 모음인 이미지 데이터셋은 AI의 성능개발에 핵심적인데, 온라인상의 이미지가 무작위로 사용되거나 학습과정에서 사회적 차별이나 편견이 그대로 반영될 가능성이 높은 것 으로 경계가 필요하다. AI와 예술의 접목에서는 주로 생성적 적대 신경망을 사용하여 기존의 미술품을 학습한 후 이와 유사하지만 다른 이미지를 만들어내는 방식이 다용되고 있다. 컴퓨터비전 이 시각과 차이가 있듯, AI 미술이 기존 예술의 일부로 흡수되기 위해서는 새로운 기준들이 필요할 것이다.

In this paper, a GAN-based data augmentation method is proposed for topology optimization. In machine learning techniques, a total amount of dataset determines the accuracy and robustness of the trained neural network architectures, especially, supervised learning networks. Because the insufficient data tends to lead to overfitting or underfitting of the architectures, a data augmentation method is need to increase the amount of data for reducing overfitting when training a machine learning model. In this study, the Ganerative Adversarial Network (GAN) is used to augment the topology optimization dataset. The produced dataset has been compared with the original dataset.

Deep convolutional network is a deep learning approach to optimize image recognition. This study aimed to apply DCNN to the reading of mandibular cortical thinning in digital panoramic radiographs. Digital panoramic radiographs of 1,268 female dental patients (age 45.2 ± 21.1yrs) were used in the reading of the mandibular cortical bone by two maxillofacial radiologists. Among the subjects, 535 normal subject’s panoramic radiographs (age 28.6 ±7.4 yrs) and 533 those of osteoporosis pationts (age 72.1 ± 8.7 yrs) with mandibular cortical thinning were used for training DCNN. In the testing of mandibular cortical thinning, 100 panoramic radiographs of normal subjects (age 26.6 ± 4.5 yrs) and 100 mandibular cortical thinning (age 72.5 ± 7.2 yrs) were used. The sensitive area of DCNN to mandibular cortical thinning was investigated by occluding analysis. The readings of DCNN were compared by two maxillofacial radiologists. DCNN showed 97.5% accuracy, 96% sensitivity, and 99% specificity in reading mandibular cortical thinning. DCNN was sensitively responded on the cancellous and cortical bone of the mandibular inferior area. DCNN was effective in diagnosing mandibular cortical thinning.

Recently, transfer learning techniques with a base convolutional neural network (CNN) model have widely gained acceptance in early detection and classification of crop diseases to increase agricultural productivity with reducing disease spread. The transfer learning techniques based classifiers generally achieve over 90% of classification accuracy for crop diseases using dataset of crop leaf images (e.g., PlantVillage dataset), but they have ability to classify only the pre-trained diseases. This paper provides with an evaluation scheme on selecting an effective base CNN model for crop disease transfer learning with regard to the accuracy of trained target crops as well as of untrained target crops. First, we present transfer learning models called CDC (crop disease classification) architecture including widely used base (pre-trained) CNN models. We evaluate each performance of seven base CNN models for four untrained crops. The results of performance evaluation show that the DenseNet201 is one of the best base CNN models.

자기공명영상은 고해상도의 연부조직에 대한 영상정보를 제공하며, 뇌종양 등 연부조직 진단에 활용된다. 본 연구는 합성곱신경망 인공지능을 통해 뇌종양 자기공명영상 분류성능을 확인해 보고자 한다. 4개 종류로 구분된 3264 장의 MRI 데이터 세트(data set)를 이용하였으며, 인공지능 학습을 위해 훈련용 데이터와 시험용 데이터를 9 : 1, 훈련용 데이터의 10%를 검증용 데이터로 구분하였다. 합성곱신경망은 기본 CNN과 VGG16으로 구성하였으며, 학습 평가는 정확도와 손실율로 확인하였으며, 생성된 모델을 통해 분류성능 정확도를 확인하였다. 실험 결과 과적합은 없었으며, 분류성능은 기본 CNN과 VGG16 각각 67%와 80%의 분류성능을 보였다. 도출된 뇌종양 자기공명영상 분류 결과를 통해 자기공명영상과 인공지능 접목에 관한 기초 자료로 사용될 수 있을 것이라 사료된다.

A60 급 갑판 관통 관은 선박과 해양플랜트에서 화재사고가 발생할 경우 화염의 확산을 방지하고 인명을 보호하기 위해 수평구조에 설치되는 방화장치이다. 본 연구에서는 다양한 대리모델과 다중 섬유전자 알고리즘을 이용하여 A60 급 갑판 관통 관의 방화설계에 대한 이산변수 근사최적화를 수행하였다. A60 급 갑판 관통 관의 방화설계는 과도 열전달해석을 통해 평가하였다. 근사최적화에서 관통 관의 길이, 지름, 재질, 그리고 단열재의 밀도는 이산설계변수로 적용하였고, 제한조건은 온도, 생산성 및 가격을 고려하였다. 대리모델 기반의 근사최적설계 문제는 제한조건을 만족하면서 A60 급 갑판 관통 관의 중량을 최소화할 수 있는 이산설계변수를 결정하도록 정식화 하였다. 반응표면모델, 크리깅, 그리고 방사기저함수 신경망과 같은 다양한 대리모델이 근사최적화에 사용되었다. 근사최적화의 정확도를 검토하기 위해 최적해의 결과는 실제 계산 결과와 비교하였다. 근사최적화에 사용된 대리모델 중 방사기저함수 신경망 모델이 A60 급 갑판 관통 관의 방화설계에 대해 가장 정확한 최적설계 결과를 나타내었다.

선박 기관실은 기술의 발전으로 인해 자동화 시스템이 향상되었지만, 해상에서는 바람, 파도, 진동, 기기 노후화 등의 다양한 변수가 많아 자동화 시스템에서 계측되지 않는 풀림, 절단, 누유, 누수 등이 발생하므로 기관사는 주기적으로 순찰을 한다. 순찰 시에는 1명의 기관사만 순찰하는 경우도 있으며, 이는 고온고압 및 회전기기가 운전 중인 기관실에서 많은 위험요소를 가지고 있다. 기관사가 순찰 시에는 오감을 활용하며, 특히 시각에 의존한다. 본 논문에서는 로봇이 기관실을 순찰하며 기기의 특이사항을 검출하고 알려주는 기관실 순찰 로봇을 구현하기 위한 선행연구로서 선박 기관실 기기의 이미지를 합성곱 신경망을 이용하여 분류하였다. 선박 기관실의 이미지 데이터 셋을 구성한 후 사전 훈련된 합성곱 신경망 모델로 학습하였다. 학습한 모델의 분류 성능은 높은 재현율을 보였으며, 클래스 활성화 맵으로 이미지를 시각화 하였다. 데이터의 양이 제한적이어서 일반화할 수는 없지만, 각 선박의 데이터를 전이 학습으로 학습시키면 적은 시간과 비용으로 각 선박의 특성에 맞는 모델을 구축할 수 있을 것으로 사료된다.

This ammonia prediction study was performed using the time-series artificial neural network model, Long-short term memory (LSTM), after long-term monitoring of ammonia and environmental factors (ventilation rate (V), temperature (T), humidity (RH)) from a slurry finishing pig farm on mechanical ventilation system. The difference with the actual ammonia concentration was compared through prediction of the last three days of the entire breeding period. As a result of the analysis, the model which had a low correlation (ammonia concentration and humidity) was confirmed to have less error values than the models that did not. In addition, the combination of two or more input values [V, RH] and [T, V, RH] showed the lowest error value. In this study, the sustainability period of the model trained by multivariate input values was analyzed for about two days. In addition, [T, V, RH] showed the highest predictive performance with regard to the actual time of the occurrence of peak concentration compared to other models . These results can be useful in providing highly reliable information to livestock farmers regarding the management of concentrations through artificial neural network-based prediction models.

본 논문에서는 생성 모델로 색칠하기 게임에서 사용 가능하도록 임의의 선화와 원하는 컬러링 스타일을 입력하면 자동으로 컬러링 영상을 생성하는 신경망 모델인 FillingGAN을 제안한다. 제안된 모델은 스타일 영상의 특징을 추출하는 오토 인코더 구조의 모듈과 추출된 스타일 영상의 특징을 선화에 적용해서 이미지를 생성하는 GAN 모델로 구성된다. GAN 모델은 선화에서 추출된 구조와 스타일 영상에서 추출된 색 정보를 이용해서 채색 영상을 생성하는 과정을 수행하며, 이를 위해서 선화의 구조와 스타일 영상의 색 정보를 유지하는 손실 함수를 설계한다. 우리의 모델은 선화의 고유한 특징을 보존하며 스타일이 적용된 이미지를 생성한다.

이 논문에서는 공용중인 구조물의 상시 계측 자료를 사용한 온라인 유한요소 모델 업데이트 방법을 제안한다. 일반적인 최적화 방법에 기반한 기존의 방법은 최적해를 찾기까지 반복적으로 고유치 해석을 수행해야 하므로 상시 업데이트에 사용하기에는 효과적이지 못하다. 제안하는 방법은 별도의 오프라인 작업이나 사용자의 개입이 없이 자동화된 과정으로 계측과 동시에 온라인 유한요소모델 업데이트를 수행할 수 있는 새로운 방법이다. 자동화된 Cov-SSI 알고리즘을 통해 구조물의 진동 계측 신호로부터 고유진동수 및 모드 형상을 식별하고, 이를 다시 역 고유치 신경망에 입력하여 최종적으로 업데이트된 유한요소 모델의 파라미터를 추정한다. 풍하중을 받는 20층 전단 빌딩 구조 모형에 대한 수치예제를 통해 제시한 방법이 자동으로 연속적인 유한요소모델 업데이트를 할 수 있었음을 확인하였다. 또한, 계측 도중 구조물의 특성이 변화하는 시나리오에 대한 예제에서 구조물의 변화가 일어나는 시점과 변화 후 변동된 구조 모델 파라미터 값을 성공적으로 추정할 수 있음을 확인하였다.

본 연구의 목적은 Neural Network Regression 모델을 활용하여 선박의 가치평가 모델을 개발하는 것이다. 가치평가의 대상은 중고 VLCC선이며, 선행연구를 통해 선박의 가치 변화를 유발하는 주요 요인들을 선별하여 변수를 설정하고, 2000년 1월부터 2020년 8 월까지의 해당 데이터를 확보하였다. 변수의 안정성을 판단하기 위해 다중 공선성 검사를 수행하여 최종적으로 6개의 독립변수와 1개의 종속변수를 선정하고 연구 구조를 설계하였다. 이를 바탕으로 Linear Regression, Neural Network Regression, Random Forest Algorithm을 활용하여 총 9개의 시뮬레이션 모델을 설계하였다. 또한 각 모델간의 비교검증을 통해 평가결과의 정확성을 제고시켰다. 평가 결과, VLCC실제값과의 비교를 통해 2층으로 구성된 Hidden Layer의 Neural Network Regression 모델이 가장 정확도가 높은 것으로 나타났다. 본 연구의 시사점은 첫째, 기존 정형화된 평가기법에서 벗어나 기계학습기반 모델을 선박가치평가에 적용하였다는 점이다. 둘째, 해운시 장 변화요인을 동태적 관점에서 분석하고 예측함으로써 연구결과의 객관성을 제고시켰다고 할 수 있다.