A Parameter-Efficient Fine-Tuning Framework with Quantization and Multi-Task Extensions for Domain Adaptation of Industrial Time Series Foundation Models
개인기초연구(과기정통부)(R&D) · 우수연구-핵심연구(기본연구A)
2026년
2710113834
과학기술정보통신부
한국연구재단
숭실대학교산학협력단
최희정
1명
2026.09.01 ~ 2027.08.31
2026.09.01 ~ 2029.08.31
4,522만원
4,522만원
기초연구
대학
서울특별시 동작구
정보/통신 > 정보이론 > 인공지능
산업 인공지능은 제조업 경쟁력 강화의 핵심 기반기술로 부상하였으며, 정부의 「AI 자율제조 마스터플랜」 추진과 함께 시계열 파운데이션 모델(Time Series Foundation Models, TSFMs)의 산업 적용 수요가 급증하고 있다. 하지만, Moirai·Chronos·TimesFM·MOMENT·TimeGPT 등 대표적 TSFM의 사전학습 데이터는...
본 연구는 3개년 누적형 구조로 수행되며, 각 단계는 선행 단계 산출물을 기반으로 한다. 1차년도에는 표준화 산업 시계열 벤치마크와 평가 프레임워크를 구축하고, 시계열 PEFT 모델 FCT-LoRA를 개발한다. 시계열 데이터의 특성을 추출하기 위해 입력 시계열로부터 주파수 스펙트럼 엔트로피, 고주파 에너지 비율, 변수 간 상관도, 비정상성 통계량 등을 추출...
... 발표, 특허 출원을 통해 산업 시계열 연구 역량을 강화한다. 인력양성 효과 측면에서는 산업 시계열 분석 역량을 갖춘 석박사급 인재를 양성하여 제조 AI의 전문 인력 수요에 대응한다. 사회적 효과 측면에서는 핵심 기술 내재화 및 연구 산출물 공개를 통해 중소·중견기업의 제조 AI 도입 진입장벽을 완화하고, 클라우드 의존도를 낮춘 경량 AI 운영의 기반을 제공한다.