Development of a physical similarity-based hyperparameter optimization methodology for reliable data fusion AI models
개인기초연구(과기정통부)(R&D) · 우수연구-핵심연구(기본연구B)
2026년
2710111696
과학기술정보통신부
한국연구재단
한국과학기술원
이익진
2명
2026.09.01 ~ 2027.08.31
2026.09.01 ~ 2027.08.31
6,329만원
6,329만원
기초연구
대학
대전광역시 유성구
기계 > 생산기반기술 > 예측/시뮬레이션기술
본 연구의 최종목표는 저·고충실도 데이터 간 오차 정보, 물리적 유사성, 저충실도 데이터의 품질 수준을 하이퍼파라미터 최적화 과정에 통합하여, 데이터 융합 인공지능 모델의 예측 정확도와 신뢰성을 향상시키는 것이다. 이를 통해 제한된 고충실도 데이터 환경에서도 안정적이고 효율적으로 활용 가능한 데이터 융합 인공지능 모델 특화 하이퍼파라미터 최적화 방법론을 개...
본 연구에서는 기존 데이터 융합 인공지능 모델이 저·고충실도 데이터의 물리적 관계와 품질 차이를 하이퍼파라미터 최적화 과정에 충분히 반영하지 못하는 한계를 해결하고자 한다. 이를 위해 먼저 저·고충실도 시스템 간 전역적 거동 유사성, 국부적 응답 특성, 데이터 간 상관성을 종합적으로 고려할 수 있는 물리적 유사성 지표를 개발한다. 구체적으로 응답 패턴 일치...
... 원천 기술로 활용될 수 있다. 특히 제조 공정 최적화, 구조·열 시스템 설계, 사출성형, 디지털 트윈, 자율 제조, 피지컬 AI 등 고비용 실험과 고충실도 해석이 요구되는 다양한 공학 분야에 ... 성과는 물리 지식과 인공지능 기술이 결합된 신뢰 가능한 예측·설계 방법론을 제공함으로써, 국내 제조업 및 엔지니어링 산업의 디지털 전환과 기술 경쟁력 강화에 기여할 것으로 기대된다.