2023년 8월.
너무나도 무더운 여름.. (무슨 37도까지 올라가냐구요 엉엉..)
할 일이 무지 많지만, 터질 것 같은 내 머리를 조금 환기시키자.. (= 일 하기 싫다 이 말이죠)
30도 이상의 무더위를 뚫고.. 지옥철을 거쳐..
역삼 포스코타워 도착 !
강남 직장인들 멋있기도 하지만, 매일 이렇게 출근하는게 대단하네.. 난 못해 ! ㅋㅋㅋㅋ
이번 인공지능 연구교류회 간단한 정보
- 주관: 대한기계학회
- 일시: 2023년 8월 4일 (금) 09:30 ~ 17:00
- 장소: 역삼 포스코타워 3층 이벤트홀 (2호선 역삼역 3번 출구)
- 특이사항: 참가비 무료 (얄루~) + 쉬는 시간 없는 살인적인 스케줄 (.. 정신 바짝 차리자 !)
이번 연구 교류회 주제는
물리지식기반 인공지능 (physics-informed neural network; PINN)
분야를 막론하고 인공지능(artificial intelligence; AI)에 대한 인기(?)는 자명하지만, 특히 응용수학/공학 분야에서 PINN에 대한 관심과 사랑은 너무나도 뜨겁다. (내 주제 '하이오더'도 관심 좀.. 주세요..)
흠 .. 각설하고,,
인공 지능, 다시 말해 데이터 기반(data-driven)의 방법론에 대해 다음과 같은 질문을 던질 수 있다.
데이터가 충분치 않은 상황에서 어떻게 AI 예측 모델을 만들 수 있을까?
('흠.. 그러게요. 그냥 데이터 많이 주면 되잖아." 라고 생각하면 교수님한테 혼난다.)
실제 산업계에서 계측 데이터를 확보하는 것은 비용이 너무나도 크다. (DNS 데이터면 어후.. 슈퍼컴퓨터로 몇개월 ~ 몇년을 계산해야해!)
그렇다면 정말로 데이터가 충분치 상황에서 어떻게 해야 할까? 다시 비싼 계산 비용을 투자해 AI 예측 모델을 위한 데이터를 생성해야 하는 것인가? (AI 예측 모델 개발을 위한 추가 계산.. 굉장히 모순된 상황이다.)
난세에 영웅이 등장하는 법 ! (AI 춘추전국시대)
이에 Brown 대학 G.E. Karniadakis 교수님 연구팀은 인공신경망 모델의 학습 과정에서 물리(physics) 지식에 해당하는 지배방정식(governing equation)에 대한 잔차(redisual)를 손실 함수(loss function)로 도입하는 아이디어를 제안하였다. (참고로 이 논문이 PDE 수치해석 분야 탑저널인 Journal of Computational Physics에 summit 했을 때 큰 파장이 있었다고 한다. 이게 과연 작동할까?라고 다들 의심했다는데..)
답은 작동은 한다! 다만, 학습한 지배방정식, 초기값, 경계값 데이터에 대해서,
현재 이러한 single instance 한계가 있긴 하지만, 많은 연구진들이 이를 극복하기 위해 수많은 아이디어를 내고 있다.
이러한 PINN 아이디어는 2019년에 처음 제안된 이래로 4년간 정말 많은 연구진들에게 큰 자극을 주어, 현재 후속 연구 논문이 쏟아져 나오고 있다.. 신기방기..
항공기와 같은 매우 복잡한 형상에 대해 Euler/Navier-Stokes 방정식을 CFD 계산하는 항공과 사람들에게.. 정해진 조건에서만 작동하는 PINN이 썩 좋은 무기는 아니지만, 획기적인 아이디어를 제시하여 새로운 길을 만들었다는 점에서 매우 대단하다고 생각한다. (남들이 안하는 새로운 걸 해야 한다 이말이야 ~~ 껄걸..)
이번 연구 교류회는 PINN 주제를 연구하시는 국내 교수님들이 관련 연구를 함에 있어 어떤 문제점을 봉착했고, 이를 어떻게 해결하려 노력을 하는지 들을 수 있는 귀중한 워크샵이였다.
핫한 주제 + 똑똑하시고 큰 비전을 가지신 젊은 교수님들 + 눈이 초롱초롱한 AI 분야 학생들 ..
너무 부럽자나.. 항공우주분야 너무 보수적이야 ㅠㅠ
내 연구 주제도 많이 알려졌으면 좋겠다. !!
마지막으로 오늘의 한줄평
진인사대AI
References
- https://sites.google.com/view/aiksme/ai-bootcamp?pli=1#h.eharf59le8w3
- Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational physics, 378, 686-707.