교사교육을 위한 인공신경망 이미지인식원리 교육사례연구

허경 한국정보교육학회 2021 정보교육학회논문지 Vol.25 No.5

본 논문은 예비교사와 현직교사를 위한 인공지능 소양 교육으로 적용할 수 있는 교육 사례를 연구하였다. 이 를 위해, 이미지를 인식하는 인공신경망의 동작 원리를 교육하는 사례를 제안하였다. 본 교육 사례는 인공신경망 동작 및 구현의 기초 원리 교육에 초점을 맞추어, 인공신경망 구현에 필요한 매개변수 최적화 해들을 스프레드 시트로 찾는 방법을 적용하였다. 본 논문에서는 지도학습 방식의 인공신경망에 초점을 맞추었다. 첫 번째로, 인 공신경망 원리 교육 사례로서 2종 이미지를 인식하는 인공신경망 교육 사례를 제안하였다. 두번째로 인공신경망 확장 교육 사례로서 3종 이미지를 인식하는 인공신경망 교육 사례를 제안하였다. 마지막으로 인공신경망 교육 사례를 분석한 결과와 교육 만족도 분석 결과를 제시하였다. 제안한 교육 사례를 통해, 인공신경망 동작 원리, 학습 데이터 작성 방법, 학습 데이터양에 따라 실행되는 매개변수 계산 회수 그리고 매개변수 최적화에 대해 학 습할 수 있다. 예비교사와 현직교사에 대한 교육 만족도 조사 결과는 각 조사 항목에 대해 모두 70%이상 긍정적 인 응답 결과를 나타내어, 높은 수업 적용 적합성을 나타내었다. In this paper, an educational case that can be applied as artificial intelligence literacy education for preservice teachers and incumbent teachers was studied. To this end, a case of educating the operating principle of an artificial neural network that recognizes images is proposed. This training case focuses on the basic principles of artificial neural network operation and implementation, and applies the method of finding parameter optimization solutions required for artificial neural network implementation in a spreadsheet. In this paper, we focused on the artificial neural network of supervised learning method. First, as an artificial neural network principle education case, an artificial neural network education case for recognizing two types of images was proposed. Second, as an artificial neural network extension education case, an artificial neural network education case for recognizing three types of images was proposed. Finally, the results of analyzing artificial neural network training cases and training satisfaction analysis results are presented. Through the proposed training case, it is possible to learn about the operation principle of artificial neural networks, the method of writing training data, the number of parameter calculations executed according to the amount of training data, and parameter optimization. The results of the education satisfaction survey for preservice teachers and incumbent teachers showed a positive response result of over 70% for each survey item, indicating high class application suitability.

데이터와 인공신경망 능력 계산

이덕균,박지은 한국정보통신학회 2022 한국정보통신학회논문지 Vol.26 No.1

Recently, various uses of artificial intelligence have been made possible through the deep artificial neural network structure of machine learning, demonstrating human-like capabilities. Unfortunately, the deep structure of the artificial neural network has not yet been accurately interpreted. This part is acting as anxiety and rejection of artificial intelligence. Among these problems, we solve the capability part of artificial neural networks. Calculate the size of the artificial neural network structure and calculate the size of data that the artificial neural network can process. The calculation method uses the group method used in mathematics to calculate the size of data and artificial neural networks using an order that can know the structure and size of the group. Through this, it is possible to know the capabilities of artificial neural networks, and to relieve anxiety about artificial intelligence. The size of the data and the deep artificial neural network are calculated and verified through numerical experiments. 최근 인공지능의 다양한 활용은 기계학습의 딥 인공신경망 구조를 통해 가능해졌으며 인간과 같은 능력을 보여주고 있다. 불행하게도 딥 구조의 인공신경망은 아직 정확한 해석이 이루어지고 있지 못하고 있다. 이러한 부분은 인공지능에 대한 불안감과 거부감으로 작용하고 있다. 우리는 이러한 문제 중에서 인공신경망의 능력 부분을 해결한다. 인공신경망 구조의 크기를 계산하고, 그 인공신경망이 처리할 수 있는 데이터의 크기를 계산해 본다. 계산의 방법은 수학에서 쓰이는 군의 방법을 사용하여 데이터와 인공신경망의 크기를 군의 구조와 크기를 알 수 있는 Order를 이용하여 계산한다. 이를 통하여 인공신경망의 능력을 알 수 있으며, 인공지능에 대한 불안감을 해소할 수 있다. 수치적 실험을 통하여 데이터의 크기와 딥 인공신경망을 계산하고 이를 검증한다.

인공지능에 관한 예술공학적 이해 : 인공 신경망을 활용한 예술 콘텐츠의 ‘창의’를 중심으로

윤나라(YOON, Na-Ra) 인문콘텐츠학회 2020 인문콘텐츠 Vol.0 No.59

본 글은 심층 인공 신경망으로부터 구현된 동시대 인공지능과 이를 활용한 예술 콘텐츠에 주목하고, 인공지능 시대에 ‘창의’를 정의하는 문제에 있어 동시대적 이해의 가능성을 탐색하고자 한다. 인공 신경망/인공지능은 자연 신경망/자연지능의 작동 원리와 구조를 그대로 복제하는 방식으로 구현되지 않는다. 따라서 이를 자연 신경망/자연지능에 언어적으로 유비하거나 의인화(Anthropomorphization)하여 이해하려는 시도는 적절하지 않다. 오늘날 인공 신경망은 양적 · 질적 차원에서 급수적으로 발전하고 있으며, 이것으로부터 직 · 간접적으로 파생된 예술 콘텐츠 또한 양적·질적 차원에서 급수적으로 증가하고 있다. 이러한 콘텐츠들에 관한 논의는 전통적 · 관습적 접근 방식과 함께 기술에 관한, 특히 동시대 정보기술에 관한 심도 있는 이해 또한 요구한다. 예술공학 연구는 학제적 연구로서 통상 가장 인간적인 것으로 간주되는 예술 또는 작품 활동과, 반대 극점에 있는 것으로 간주되는 공학과 정보기술 그 중에서도 가장 첨단에 있는 인공 신경망/인공지능을 함께 이해하는 것을 목표로 한다. 이러한 맥락에서, 본 글은 첫째 지성과 창의에 관한 언어적 · 미학적 관점과 정보공학적 관점의 공약(Common measure)의 가능성을, 둘째 이 두 관점의 동등(Equal)하고 병렬적(Parallel)인 활용의 가능성을 모색하고자 한다. This article aims to explore the possibility of a contemporary understanding of AI and its creativity. Today, the advent, development and advancement of contemporary AI based on deep artificial neural networks is exponential in terms of both quantity and quality. At the same time, the amount of AI-made artistic productions is increasing exponentially, and its quality is also improving in an unprecedented way. However, there are still misunderstandings about AI derived from attempts to understand AI by analogizing it in a purely linguistic manner and/or sometimes by simply anthropomorphizing it. In fact, artificial neural networks/artificial intelligence is not implemented in a way to replicate or mimic their natural equivalents. They don’t even need to, as long as they can bring out intelligence. A contemporary AI is inseparable from the functioning of its artificial neural network. The art-tech as an interdisciplinary study aims to understand following two in a simultaneous as well as inclusive manner: art, creation and act of creation, traditionally conventionally considered to be the most ‘human’ thing; artificial neural network, AI and its functioning, traditionally considered to be the most technological or sometimes even the most ‘non-human’ thing. In this context, this article ponders to explore the following three possibilities. First, the possibility of having a ‘common measure’ between the two perspectives concerning intelligence and creativity: one based on conventional linguistics and traditional aesthetics; another based on information technology and engineering. high-tech. Second, the possibility of an equal and parallel use of these two perspectives. And third, the possibility of finding a ‘Degré zéro’ between the two perspectives.

인공지능 이용 범죄예측 기법과 불심검문 등에의 적용에 관한 고찰

양종모(Yang Jong Mo) 대검찰청 2016 형사법의 신동향 Vol.0 No.51

빅 데이터 시대의 본격적 개막에 따라 빅 데이터를 각 분야에 응용하려는 다양한 시도가 진행되고 있다. 이러한 빅 데이터의 응용에 있어서 핵심적 요소는 인공지능을 이용한 분석기법인데, 범죄예측 분야도 예외는 아니어서 빅 데이터와 인공지능을 이용한 범죄예측의 실용적 모델들이 속속 등장하고 있다. 이러한 인공지능과 빅 데이터를 이용한 범죄예측 기법은 1980년대의 인공지능 전성시대의 기법과는 다른 머신러닝이라는 새로운 기법 때문에 가능하게 된 것인데, 사전에 범죄발생 징후가 높은 지역과 시간을 미리 예측하여 선정하고, 순찰활동 등 경찰력을 그 지점에 집중토록 함으로써 경찰의 예방활동에 현실적이고도, 지대한 공헌을 하고 있다. 이런 시스템을 범죄예방 활동에 도입한 미국의 여러 도시에서 괄목한 만한 성과가 나옴으로써 ‘마이너리티 리포트’라는 영화에서나 가능했던 범죄예측과 사전 진압의 스토리가 멀지 않은 장래에 실현될 가능성을 높여주고 있다. 본고에서는 이러한 인공지능을 이용한 범죄예측 기법에 대한 일반적 소개와 더불어, 그것을 실제 활용함에 있어 우리 법 현실에서 어떠한 법적, 기술적, 방법론적인 문제를 야기할 것인지, 그런 문제를 현행법 체계 하에서 어떻게 규율할 수 있는지에 대하여 불심검문에의 적용을 중심으로 검토할 예정이다. 불심검문 제도의 특수성 때문에 그 규율에 있어서 다른 분야와는 다른 특성이 나타나기도 하는데, 보다 범용적인 형태의 규율은 차후의 과제로 남기고, 논의의 범위를 인공지능 분석기법에 의한 범죄예측 결과의 불심검문 적용에 한정하기로 한다. 머신러닝 분석기법 중 인공신경망은 사용자에게 일종의 블랙박스와 같고, 불투명하기 때문에 결론 도출과정을 설명할 수 없다는 특성을 가지고 있는데, 이러한 특성 때문에 머신러닝 분석기법, 나아가 인공지능 분석기법이 적용된 예측결과를 과학적 증거방법으로 허용하기 위해서는 여러가지 법적 검토가 뒤따라야 할 것이다. 나아가 인공지능에 대한 일반적 허용과 관련하여서도 그와 관련된 법적·제도적 측면의 논의 외에 법철학적 차원 등 다양한 형태의 고찰이 필요하다는 점은 분명하다. After historic man-versus-machine match in Seoul, people became aware of rapid advance of artificial intelligence. Artificial intelligence is based on the assumption that the process of human thought can be mechanized. The Beginning of artificial intelligence is set in 1956. Watson, the artificial intelligence program created by I. B. M. is able to understand natural language queries and answer question. Machine Learning is the hot new phase of artificial intelligence. This has become practical only recently with the development of big data. Applying machine learning is a big switch from traditional police dispatching. The use of artificial intelligence to predict crime has only recently emerged. For example Predpol software is a powerful tool that allows law enforcement to shift from reactive to preventive policing. It’s algorithm uses advanced mathematics and machine learning to generate predictions using type, place, and time of past crimes. It is based on the idea that analyzing large amount of crime data, you can more accurately predict where and when crimes may happen. This article reviews the admissibility of predictive policing based on artificial intelligence. The standard rule on admissibility of new scientific evidence is Frye and Daubert test. But the reliability of machine learning should be differently assessed. The heart of machine learning is artificial neural network. Artificial neural network can learn, but acts as a black box. So artificial neural network can’t explain how it arrives at a particular solution. This opaqueness affects the admissibility of crime prediction based on machine learning. If we cannot see how the network derives its results it produces, we cannot accept the results. The validation of results is very important factor in admissibility of scientific evidence in criminal trials. But predictive policing based on artificial intelligence will impact reasonable suspicion analysis of police stop. Despite that predictive policing based on artificial intelligence lacks reliability and transparency, it provides legitimacy in police stop.

딥러닝 신경망을 이용한 신용카드 부도위험 예측의 효용성 분석

윤종문 한국금융학회 2019 금융연구 Vol.33 No.1

This study aims to discuss the usefulness of the deep learning neural network and the possibility of the deep learning neural network analysis in judging credit information by using credit card default data. Deep learning neural network analysis in the financial sector excluding the current stock price prediction model is under limited research. It is mainly used for upgrading models of the credit rating (Kvamme et al., 2016, 2018; Tran, 2016; Luo, 2017) and the delinquency rate (Sirignano et al., 2018). In the credit card market, it is focused on credit card issuance and fraud detection model (Ramanathan, 2014, Niimi, 2015). As mentioned earlier, there has not been much analysis of deep learning neural network using financial market data. This is because the study of deep learning neural networks is actively carried out mainly in the field of computer science such as image, speech recognition, natural language processing. Additionally, Researchers in the financial sector have difficulty learning deep learning algorithms and setting up a computer runtime environment. It is also difficult to apply the algorithm to financial data due to lower dimension than the image. Nowadays, financial companies have been interested in machine learning and are increasing their recruitment, but it is still in the stage of verifying the possibility of deep learning neural network. Therefore, This study examines the possibility of improving the accuracy of credit card default risk prediction by using a deep learning neural network algorithm. To do this, we use existing machine learning algorithms (Logistic, SVM, Random Forest, Lasso, etc.) as a comparison index for performance check of deep learning neural network analysis. Firstly, the deep learning neural network is constructed with two hidden layers and five neurons, and derives the prediction accuracy according to the activation function and the initial value setting method. There are Sigmoid, ReLU, tanh and Maxout as active functions, and random value, Xavier, RBM, He’s as initialization methods. Based on this, we compare the accuracy of existing machine learning algorithms. As a result, the deep learning neural network analysis showed performance improvement between 0.6% and 6.6%p compared to the existing machine learning algorithms (Logistic, SVM, Random Forest, Lasso, etc.). Among these results, the active function and the initial value setting method with the highest prediction accuracy are ReLU (rectified linear units) and Xavier initialization. However, there is no significant improvement in performance with increasing number of hidden layers and neurons up to 10 and 25, respectively. Also, the dropout and CNN (convolution neural network) models, which showed high performance in the field of image identification, showed no significant difference in prediction accuracy. Nevertheless, it could be interpreted that the increase of hidden layers can improve the accuracy of estimation because the highest accuracy (0.8161) and the AUC (0.7726) are observed for 10 hidden nodes and 15 neurons. However, we can’t say that accuracy increases linearly by the number of hidden layers and neurons. These limitation could be due to the quantitative and qualitative limitations of the credit card data used here. We did not use recurrent neural network (RNN) and long-short term memory (LSTM) models since the personal default data for credit card used in this study is cross-sectional data. These method are for Time-Series data. Therefore, it is expected that it will be able to obtain better results in identification problems (credit rating, delinquency rate, interest rate calculation) of present various financial markets if these deep learning neural network methodologies are applied through big data including time series data. This study can be turned into a question of how deep learning analysis can lower the default risk and delinquency rate by using financial data from a practical point of ... 본 연구는 국내․외 금융시장에서 아직 활성화되지 못한 딥러닝 신경망(deep learning neural network) 알고리즘을 이용해 신용카드 부도위험 예측의 정확도 향상 가능성에 대해서 점검한다. 이를 위해 기존 머신러닝 알고리즘(Logistic, SVM, Random Forest, Lasso 등)을 딥러닝 신경망 분석의 성능 점검을 위한 비교 지표로 활용한다. 우선, 딥러닝 신경망은 두 개의 은닉층(hidden layers)과 다섯 개의 뉴런(neuron)으로 구축하고, 활성함수(activation function)와 초기값(initial value) 설정방법에 따른 예측정확도를 도출한다. 그 결과 딥러닝 신경망 분석이 기존 머신러닝 알고리즘 보다 최소 0.6%p에서 최대 6.6%p 성능이 향상된 것으로 나타났다. 이 중 가장 높은 예측 정확도를 보인 활성함수와 초기값 설정방식은 ReLU(rectified linear units)와 Xavier(2010)이고 이를 기준으로 은닉층과 뉴런의 수를 각각 최대 10개와 25개까지 늘려 분석한 결과에서도 유사한 결과가 나타났다. 다만, 기존 연구에서와 같이 은닉층과 뉴런의 수의 증가에 따른 뚜렷한 성능의 향상은 나타나지 않았다. 또한, 이미지 식별 분야에서 높은 성능을 보였던 Dropout과 CNN(convolution neural network) 모델도 예측 정확도에서 큰 차이를 보이지 않았다. 이는 여기에서 사용된 신용카드 데이터가 다수 픽셀(pixel)로 이루어진 이미지 데이터와 비교해 양적․질적 한계가 있기 때문으로 판단된다. 한편, 본 연구에서 사용된 개인의 신용카드 부도 데이터는 횡단면 자료이기 때문에 시계열 데이터에서 높은 성능을 나타내는 RNN(recurrent neural network) 및 LSTM(Long- Short Term Memory) 등의 딥러닝 신경망 알고리즘을 사용하지는 않았다. 따라서 추후 시계열 자료가 포함된 빅데이터를 통해 이들 딥러닝 신경망 방법론을 적용한다면, 현재의 다양한 금융시장의 식별문제(신용등급, 연체율, 금리산정)에 있어 보다 향상된 결과를 도출할 수 있을 것으로 기대된다.

인공 신경망을 사용한 시뮬레이션 기반 헬리데크 손상 추정

김찬영,하승현 한국전산구조공학회 2020 한국전산구조공학회논문집 Vol.33 No.6

본 논문에서는 전산구조 해석 데이터를 기반으로 인공 신경망을 활용하여 헬리데크 구조물에 대한 손상 추정 기법을 제안하였다. 헬리데크를 구성하는 트러스와 서포트 부재들에 대해서 절점을 공유하는 부재들을 70개의 모델로 그룹화 하였으며, 최대 3가지 부재 그룹에 무작위로 손상을 부여하여 총 37,400개의 손상 시나리오를 생성하였다. 이들 각각에 대해서 구조 해석 프로그램을 통해 모드 해석을 수행하였으며, 전체 손상 시나리오를 사용 목적에 따라 학습, 유효성 검사, 그리고 검증 시나리오로 분리하였다. 헬리데크의 손상 및 비손상 상태의 동적 응답 특성에 대한 패턴 인식을 위해 PyTorch 프로그램을 활용하여 3개의 은닉층을 가지는 인공 신경망을 구성하였으며, 이에 대해서 다양한 손상 시나리오를 반복 학습함으로써 손실 함수를 최소로 하는 인공 신경망을 도출하였다. 최종적으로 총 400개의 검증 시나리오에 대해서 인공 신경망이 추정한 손상률과 실제 부여된 손상률을 비교하였으며, 그 결과 본 연구를 통해 얻어진 인공 신경망이 손상 부재의 위치와 손상 정도를 매우 높은 정확도로 예측하는 것을 확인하였다. In this study, a simulation-based damage estimation method for helidecks is proposed using an artificial neural network. The structural members that share a connecting node in the helideck are regarded as a damage group, and a total of 37,400 damage scenarios are numerically generated by applying randomly assigned damage to up to three damage groups. Modal analysis is then performed for all the damage scenarios, which are selectively used as either training or validation or verification sets based on the purpose of use. An artificial neural network with three hidden layers is constructed using a PyTorch program to recognize the patterns of the modal responses of the helideck model under both damaged and undamaged states, and the network is successively trained to minimize the loss function. Finally, the estimated damage rate from the proposed artificial neural network is compared to the actual assigned damage rate using 400 verification scenarios to show that the neural network is able to estimate the location and amount of structural damage precisely.

GPGPU를 활용한 인공신경망 예측기반 텍스트 압축기법

김재주(Jaeju Kim),한환수(Hwansoo Han) 한국정보과학회 2016 정보과학회 컴퓨팅의 실제 논문지 Vol.22 No.3

인공신경망을 압축에 적용하여 더 높은 압축 성능을 보이기 위한 알고리즘들이 몇 가지 연구되어 있다. 그러나 그동안 이러한 알고리즘들은 한정된 계산 능력의 하드웨어를 가지고 있기에 작은 크기의 신경망을 사용할 수밖에 없었으며 적용하는 대상 역시 실제로 사용하기에는 너무 작은 크기의 파일들이었다. 본 논문에서는 GPGPU의 계산능력을 신경망 학습에 이용하여 만든 텍스트 문맥 기반 문자 등장확률 예측기와 함께 허프만 부호화의 성능을 높일 수 있는 변환 방법을 제시한다. 앞먹임 신경망과 GRU회귀 신경망에 대해 실험을 수행하였으며, 회귀 신경망 모델은 앞먹임 신경망에 비해 뛰어난 예측 성공률과 압축률을 보였다. Several methods have been proposed to apply artificial neural networks to text compression in the past. However, the networks and targets are both limited to the small size due to hardware capability in the past. Modern GPUs have much better calculation capability than CPUs in an order of magnitude now, even though CPUs have become faster. It becomes possible now to train greater and complex neural networks in a shorter time. This paper proposed a method to transform the distribution of original data with a probabilistic neural predictor. Experiments were performed on a feedforward neural network and a recurrent neural network with gated-recurrent units. The recurrent neural network model outperformed feedforward network in compression rate and prediction accuracy.

인공 지능은 상식을 배울 수 있을까?

박명관 동국대학교 동서사상연구소 2023 철학·사상·문화 Vol.- No.41

The recent development of artificial intelligence technology as part of the computer science discipline has enabled artificial intelligence computer systems to perform the language processing (understanding and generation) that humans alone are able to do. This human-like system of language processing is called a neural-network language model, and the AI computer system leverages such a neural network language model to emulate human learning, perception, and reasoning skills, living up to the original definition of artificial intelligence. Encompassing learning, perception, and reasoning with commonsense, this work first looks at recent attempts to develop neural network commonsense models from neural network language models to practically implement more human-like artificial intelligence. Next, when implementing human intelligence mechanically, human intelligence and artificial intelligence are expected to differ from each other due to the mapping problems the methodology and implementation confront, so we examine and evaluate the causes of the differences between the two types of intelligence in terms of commonsense. 최근 컴퓨터 공학 학제의 일부로서 인공 지능 기술의 발달은 인공 지능 컴퓨터 시스템이 전통적으로 사람이 해 온 언어 처리(이해 및 생성)를 사람처럼 수행할 수 있도록 하고 있다. 사람처럼 언어를 처리하는 시스템을 신경망 언어 모델이라고 하는 바, 신경망 언어 모델을 활용하여 인공 지능의 본래의 정의에 맞게, 인공 지능 컴퓨터 시스템이 인간의 학습 능력, 지각 능력, 추론 능력을 갖추게 하려고 노력하고 있다. 인간의 학습, 지각, 추론 능력을 일반적으로 상식(common sense)이라고 정의할 때, 본 연구의 목적은 먼저 인공 지능을 실질적으로 구현하기 위하여 신경망 언어 모델에서 신경망 상식 모델을 개발하는 최근의 시도들을 먼저 살펴보고, 다음으로 인간의 지능을 컴퓨터로 구현할 때 적용 방법론 및 컴퓨터 구현 가능성으로 인하여 인간 지능과 인공 지능이 서로 괴리가 예상되는 바, 상식의 측면에서 두 지능의 차이를 가져오는 원인 그리고 이 차이점을 극복하기 위한 시도들을 살펴보고 평가하는데 있다.

신경망(Neural network) 기계학습에 기초한 인공지능 관련 발명의 법적 문제 - 발명의 성립성과 발명자 적격성을 중심으로 -

김관식 한국지식재산학회 2021 産業財産權 Vol.- No.67

인공지능은 인공신경망을 이용한 기계학습에 기초하고 있는 점이 특징으로, 인공지능 관련 발명은 인공지능의 구현에 특징이 있는 발명, 인공지능 기술의 응용분야에 특징이 있는 발명, 인공지능에 의하여 생 성된 발명 등으로 구분할 수 있다. 인공지능 자체의 구현에 관한 발명과 인공지능의 응용에 관한 발명은 기존의 컴퓨터프로그램의 성립성 판단 기준, 영업방법에 관한 발명의 성립성 판단 기준 등을 원용하여 적용이 가능할 것이다. AI에 의하여 ‘생성된 발명’의 경우에는 AI의 생성물이 데이터나 이미 지인 경우에는 저작물에 해당할 여지는 있으나 자연법칙을 이용한 기 술적 사상의 창작으로서의 발명으로 보기는 힘들다. 학습데이터에 기초 하여 생성된 학습모델에 새로운 데이터의 입력에 의하여 자동적으로 인공지능 생성물이 생성되는 경우에는, 자연법칙을 이용한 기술적 사상 의 ‘창작’으로 인정할 수 있는지 여부가 쟁점으로 될 것으로 예상되는데, 이러한 창작성이 인공지능에 의하여 발휘된 것으로 인정하기는 어려울 것이다. 발명자의 특정과 관련하여, AI 자체에 특징이 있는 발명, AI의 응용에 특징이 있는 발명의 경우에는 AI의 설계, 구축, 응용, 학습에 주도적으로 관여한 자연인이 발명자로 쉽게 인정될 것이다. 반면에 AI에 의하여 ‘생성된 발명’의 경우, 발명자를 어느 사람(것)으로 특정하여야 하는가 의 문제가 있고 이러한 문제는 AI가 발명자로 될 수 있는 자격이 있는지 의 문제와도 연관이 있다. AI에 대하여 발명자(출원인, 특허권자)의 법인격을 부여할 수 있는지 의 문제는, 현재 실현된 인공지능의 기술적 특징 및 그 본질에 비추어 볼 때, 당분간 자연인에 필적하는 법인격을 부여하기는 힘들 것으로 생각된다. 다만 강한 AI(또는 AGI)가 향후 등장한다면 법인격의 부여와 더불어 이러한 AI에 의하여 생성된 발명에 대해서는 자연법칙을 이용 한 기술적 사상의 ‘창작’으로서 발명의 성립성을 인정할 수 있는 여지는 더욱 증가할 것이다. Artificial intelligence is characterized by the fact that it is based on machine learning using artificial neural networks. Artificial intelligence-related inventions can be classified into inventions characterized by the implementation of artificial intelligence, inventions characterized by the application field of artificial intelligence technology, and inventions created by artificial intelligence. For inventions related to the realization of artificial intelligence itself and inventions related to the application of artificial intelligence, it is possible to apply the criteria for judging the patent eligibility of computer programs and inventions related to business methods. In the case of “invention created” by AI, it is difficult to see it as an invention when the product of AI is data or image. In the case where an artificial intelligence product is automatically generated by inputting new data to a learning model created based on the learning data, the issue will be whether it can be recognized as a “creation” of technical ideas. It is, however, difficult to admit that such creativity was exerted by artificial intelligence. With regard to the identification of the inventors for the 'inventions created' by AI, there is a question of which person (thing) should be specified as an inventor. These issues are also related to the question of whether AI is qualified to become an inventor. With regard to the question of whether a legal personality as an inventor (applicant, patentee) can granted to AI, it is not plausible for the time being to give a legal personality similar to a natural person, in light of the technical characteristics and nature of artificial intelligence currently realized. However, if strong AI (or AGI) emerges in the future, there will be more room to recognize the subject-matter patentability of the inventions created by AI along with granting legal personality to AI.

MLP, GR, RBF 인공신경망을 이용한 분자 동역학 데이터 기반 초탄성 구성방정식 모델링

김수한,왕호림,이원주,안병혁,김유정,이주호,신현성 대한기계학회 2023 大韓機械學會論文集A Vol.47 No.1

In this study, three neural network models are used to establish neural network constitutive models (NNCMs) for hyperelastic materials: multilayer perceptron neural network, generalized regression neural network, and radial basis function neural network (RBFNN). We focused on artificial neural network training of the dataset: full atomistic molecular dynamics simulation results. We obtained the optimal hyperparameters empirically for each neural network model to construct an optimal NNCM. The three models above were compared based on statistical error analysis. The results indicated that the RBFNN model had the highest accuracy in terms of the root-mean-square error, mean absolute error, and regression values. We applied the proposed NNCM model to data-driven computational mechanics to verify the proposed NNCM model, with the data-driven solver demonstrating superior performance of RBFNN-based NNCM over those of the other neural network models. 본 연구에서는 다층 퍼셉트론 신경망(MLPNN), 일반화 회귀 신경(GRNN) 및 방사형 기저 함수 신경망(RBFNN)의 세 가지 다른 신경망 모델을 사용하여 초탄성 물질에 대한 신경망 구성방정식 모델(NNCM)을 구축하였다. 분자 동역학(MD) 데이터셋을 학습에 활용하였으며, 최적의 NNCM의 구축을 위해 경험적으로 최적의 하이퍼파라미터를 선정하였다. 위의 세 가지 모델을 통계적 오류 분석을 기반으로 비교하였다. 그 결과 RBFNN 모델이 RMSE, MAE 및 R 값 측면에서 다른 모델에 비해 더 적합하다는 것을 확인하였다. 제안된 NNCM 모델을 데이터 기반 전산역학(DDCM)에 적용하여 제안된 NNCM 모델의 성능을 비교하였다.