KR102662404B1 - 인공지능 기반 다목적 지능형 반도체 시스템 - Google Patents
인공지능 기반 다목적 지능형 반도체 시스템 Download PDFInfo
- Publication number
- KR102662404B1 KR102662404B1 KR1020230095670A KR20230095670A KR102662404B1 KR 102662404 B1 KR102662404 B1 KR 102662404B1 KR 1020230095670 A KR1020230095670 A KR 1020230095670A KR 20230095670 A KR20230095670 A KR 20230095670A KR 102662404 B1 KR102662404 B1 KR 102662404B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- smart
- intelligent
- semiconductor
- intelligent semiconductor
- Prior art date
Links
- 239000004065 semiconductor Substances 0.000 title claims abstract description 323
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 44
- 238000012546 transfer Methods 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 39
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000002787 reinforcement Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 54
- 238000005516 engineering process Methods 0.000 description 28
- 238000004519 manufacturing process Methods 0.000 description 19
- 230000001976 improved effect Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000036541 health Effects 0.000 description 9
- 238000007635 classification algorithm Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 8
- 230000003190 augmentative effect Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 238000009423 ventilation Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000002537 cosmetic Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000004064 recycling Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000010146 3D printing Methods 0.000 description 2
- 238000004887 air purification Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000004566 building material Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003362 replicative effect Effects 0.000 description 2
- 235000014102 seafood Nutrition 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 241001124569 Lycaenidae Species 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000009372 pisciculture Methods 0.000 description 1
- 235000013550 pizza Nutrition 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000002432 robotic surgery Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
지능형 반도체는 머신 러닝, 딥 러닝, 강화학습과 같은 인공지능 알고리즘을 하드웨어 레벨에서 지원하도록 최적화된다. 이를 통해 더욱 빠른 데이터 처리와 다양한 인공지능 알고리즘을 효율적으로 수행할 수 있다. 기존 지능형 반도체의 한계는 특정 종류의 데이터에 특화되어 있어 다양한 데이터를 처리하는 데 어려움이 있으며, 전체적인 성능 향상에도 제한이 있다. 본 발명의 일 실시 예에 따른 인공지능 기반 다목적 지능형 반도체 시스템은,
본 발명의 일 실시예에 따른 인공지능 기반 다목적 지능형 반도체 시스템은, 입력 데이터를 제1 및 제2 지능형 반도체에 전달하는 데이터 스위치, 제1 및 제2 지능형 반도체에서 처리된 데이터를 비교하여, 둘 중 우수한 지능형 반도체를 선택하는 비교 및 선택 모듈, 선택된 지능형 반도체보다 더 우월한 성능의 가상으로 설계된 지능형 반도체를 모의실험하는 시뮬레이션 모듈, 선택된 지능형 반도체 및 가상으로 설계된 지능형 반도체를 각각 유사 데이터의 실제 성능과 가상 성능에 기초하여 검증하는 가상 검증 모듈,을 포함한다.
본 발명의 일 실시예에 따른 인공지능 기반 다목적 지능형 반도체 시스템은, 입력 데이터를 제1 및 제2 지능형 반도체에 전달하는 데이터 스위치, 제1 및 제2 지능형 반도체에서 처리된 데이터를 비교하여, 둘 중 우수한 지능형 반도체를 선택하는 비교 및 선택 모듈, 선택된 지능형 반도체보다 더 우월한 성능의 가상으로 설계된 지능형 반도체를 모의실험하는 시뮬레이션 모듈, 선택된 지능형 반도체 및 가상으로 설계된 지능형 반도체를 각각 유사 데이터의 실제 성능과 가상 성능에 기초하여 검증하는 가상 검증 모듈,을 포함한다.
Description
본 발명은 지능형 반도체 시스템에 대한 것이며, 더욱 상세하게는 인공지능 기반 다목적 지능형 반도체 시스템에 관한 것이다.
지능형 반도체는 기존 반도체 기술을 기반으로 발전한 기술로, 더욱 빠르고 정확한 데이터 처리와 인공지능 작업을 수행할 수 있도록 설계된다. 기존 반도체는 전기 신호의 흐름을 제어하는데 중점을 두었다면, 지능형 반도체는 인공지능 기술을 적용하여 더 복잡한 작업을 수행하는데 초점을 맞춘다. 기존 반도체는 트랜지스터, 다이오드, IC 등으로 구성되었으며, 이들은 주로 데이터의 처리와 전기적인 기능을 수행하는데 사용된다. 기존 반도체는 단순한 논리 게이트와 전기 신호 처리에만 주력하여 인공지능과 같이 복잡하고 다양한 패턴을 인식하거나 추론하는데는 제한이 있다.
한편, 지능형 반도체는 머신 러닝, 딥 러닝, 강화학습과 같은 인공지능 알고리즘을 하드웨어 레벨에서 지원하도록 최적화된다. 이를 위해 지능형 반도체는 특정 인공지능 알고리즘을 하드웨어에 맞게 구현하는 임베디드 AI 컨트롤러, 뉴럴 프로세싱 유닛(NPU), 텐서 프로세서 등의 기술이 활용된다. 지능형 반도체는 인공지능 작업에 특화된 하드웨어 구조를 가지고 있어서 더욱 빠른 속도로 데이터를 처리하고, 복잡한 인공지능 알고리즘을 효율적으로 수행할 수 있다. 이를 통해 인공지능 기술을 더욱 넓은 범위의 응용 분야에 적용하고, 더욱 정교한 인공지능 서비스를 제공할 수 있게 된다. 지능형 반도체의 발전은 인공지능 기술의 더욱 광범위한 적용과 혁신적인 서비스의 제공을 가능케 하며, 기존 반도체와 함께 더 나은 편익과 기술적 발전을 이끌어내는 중요한 역할을 한다.
종래의 지능형 반도체는 특정 종류의 데이터를 처리하는데 특화되어 있다. 예를 들어, 이미지 처리를 위해 설계된 CNN (Convolutional Neural Network) 알고리즘은 이미지 인식 및 분류에 탁월한 성능을 보이지만, 텍스트 데이터나 음성 데이터를 처리하는 데는 적합하지 않다. 이러한 종래 지능형 반도체의 특성은 주어진 특정 작업에 대해 뛰어난 성능을 발휘하지만, 다양한 종류의 데이터를 처리하는 데에는 한계가 있다. 이러한 제한성은 다양한 데이터 형식을 동시에 처리하는 경우에 여러 종류의 지능형 반도체를 별도로 운용해야 하는 문제를 초래한다. 이로 인해 시스템의 구성이 복잡해지고, 비용과 공간 측면에서 불리한 점이 발생한다.
또한, 기존 지능형 반도체는 특정 작업에 대해 고도로 최적화되어 있으나, 다른 작업에 대해서는 성능이 제한적이다. 따라서, 다양한 종류의 데이터를 처리하는데에 유연성이 부족하고, 전체적인 성능 향상이 어렵다는 한계가 있다.
본 발명의 일 실시예의 목적은 상기 종래 지능형 반도체의 한계를 극복하고자, 다양한 종류의 데이터를 입력으로 받아 통합적으로 빠르고 정확하게 처리할 수 있는 지능형 반도체를 설계하는 것이다. 이렇게 설계된 새로운 지능형 반도체는 다양한 종류의 데이터를 동시에 효율적으로 처리할 수 있고, 시스템의 구성을 단순화하며, 전체적인 성능을 향상시킬 수 있는 장점이 있다. 본 발명의 일 실시예는 현대의 다양하고 복잡한 데이터 환경에 더욱 적합한 지능형 반도체를 구현하는데 중요한 역할을 한다.
본 발명의 다른 일 실시예의 목적은 다양한 종류의 데이터를 동시에 효율적으로 처리 가능하도록 하여 높은 처리 성능을 갖고, 입력 데이터에 적합한 지능형 반도체를 선택함으로써 시스템의 성능을 최적화하며, 가상 모의실험을 통해 비용 절감 및 시간을 단축하면서도 우수한 성능의 지능형 반도체를 검증할 수 있다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 인공지능 기반 다목적 지능형 반도체 시스템은, 입력 데이터를 제1 및 제2 지능형 반도체에 전달하는 데이터 스위치, 제1 및 제2 지능형 반도체에서 입력 데이터의 처리된 데이터를 비교하여, 둘 중 우수한 지능형 반도체를 선택하는 비교 및 선택 모듈, 선택된 지능형 반도체보다 더 우월한 성능의 가상으로 설계된 지능형 반도체를 모의실험하는 시뮬레이션 모듈, 선택된 지능형 반도체 및 가상으로 설계된 지능형 반도체를 각각 유사 데이터의 실제 성능과 가상 성능에 기초하여 재현 여부를 검증하는 가상 검증 모듈,을 포함하고, 시뮬레이션 모듈은, 가상 검증 모듈에 의하여 검증된 가상 성능에 기초하여, 가상으로 설계된 지능형 반도체보다 더 우월한 제2 및 제3의 가상으로 설계되는 지능형 반도체을 더 설계하고, 멀티쓰레딩(multithreading)을 기초로 병렬처리하는 가상 센서를 포함하고, 가상 센서의 결과를 입력 데이터의 결과와 코사인 유사도(Cosine Similarity)를 기초로 비교하고, 가상 검증 모듈은, 제2 및 제3의 가상으로 설계되는 지능형 반도체의 성능을 가상 성능과 비교하고, 데이터 스위치는, 후순위 입력 데이터를 가중치 기반 스위칭 알고리즘(Weighted-based Switching Algorithm)을 기초로 유사 데이터 여부를 판단하여 제1 및 제2 지능형 반도체 중 어느 하나에 전달하는 것을 포함한다.
본 발명의 일 실시예에 따른 인공지능 기반 다목적 지능형 반도체 시스템은, 여러 지능형 반도체들이 협력하고 상호작용하는 융합형 시스템을 구성할 수 있다. 이렇게 다양한 지능형 반도체들이 연결되어, 다양한 데이터 유형을 처리할 수 있다. 각 지능형 반도체가 특정한 데이터 유형에 특화되어 있기 때문에, 다양한 종류의 데이터를 각각 적합한 지능형 반도체에 할당하여 처리 가능하게 한다. 최적의 성능을 발휘하면서 다양한 입력 데이터에 대응할 수 있도록 한다.
또한, 본 발명의 다른 일 실시예에 따르면, 각 지능형 반도체가 독립적으로 동작하므로, 병렬 처리가 가능하게 한다. 병렬 처리를 통해 데이터를 빠르게 처리하고 응답 시간을 단축할 수 있다.
또한, 본 발명의 또 다른 일 실시예에 따르면, 연결된 지능형 반도체들이 네트워크를 통해 상호작용하면서 분산 처리가 가능하게 한다. 이를 통해 대량의 데이터를 효율적으로 처리하고, 더 많은 연산을 동시에 수행할 수 있다.
또한, 본 발명의 또 다른 일 실시예에 따르면, 다양한 지능형 반도체들이 데이터를 통합하고 상호작용하면서, 종합적인 분석과 판단을 가능하게 한다. 이를 통해 더 정확하고 포괄적인 결과를 얻을 수 있게 한다.
또한, 본 발명의 또 다른 일 실시예에 따르면, 새로운 지능형 반도체가 추가되거나 기존 지능형 반도체가 업그레이드 될 때, 시스템에 유연하게 통합 가능하게 한다. 이로 인해 시스템의 확장성이 좋아지고 급변하는 기술의 혁신에 능동적인 지원이 가능하게 한다.
또한, 본 발명의 또 다른 일 실시예에 따르면, 다양한 지능형 반도체들이 연결되어 협력하면서 다양한 데이터 유형을 처리하는 융합형 시스템을 구현하도록 지원하며, 더 높은 성능과 효율성을 제공할 수 있다. 다양한 산업 및 분야에 적용되는 다재다능한 기술을 구현하는데 큰 잠재력을 갖는다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 지능형 반도체 시스템을 도시한 도면이다.
도 2는, 본 발명의 일 실시예에 따른, 지능형 반도체 설계 방법을 개략적으로 보여주는 동작 흐름도이다.
도 3은, 본 발명의 다른 일 실시예에 따른, 지능형 반도체 설계 방법을 개략적으로 보여주는 동작 흐름도이다.
도 2는, 본 발명의 일 실시예에 따른, 지능형 반도체 설계 방법을 개략적으로 보여주는 동작 흐름도이다.
도 3은, 본 발명의 다른 일 실시예에 따른, 지능형 반도체 설계 방법을 개략적으로 보여주는 동작 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 내의 부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛이나 모듈을 포함한다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 지능형 반도체 시스템(100)을 도시한 도면이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 인공지능 기반 다목적 지능형 반도체 시스템을 포함하는 인공지능 시스템(100)은, 입력 데이터를 제1 및 제2 지능형 반도체에 전달하는 데이터 스위치(300), 제1 및 제2 지능형 반도체에서 처리된 데이터를 비교하여, 둘 중 우수한 지능형 반도체를 선택하는 비교 및 선택 모듈(220), 선택된 지능형 반도체보다 더 우월한 성능의 가상으로 설계된 지능형 반도체를 모의실험하는 시뮬레이션 모듈(240), 선택된 지능형 반도체 및 가상으로 설계된 지능형 반도체를 각각 유사 데이터의 실제 성능과 가상 성능에 기초하여 검증하는 가상 검증 모듈(260),을 포함한다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 지능형 반도체(500)를 포함하는 스마트 디바이스(600)는, 인공지능 시스템(100)과 연결되고, 인공지능 시스템(100)은 컨트롤 모듈(200), 데이터 스위치(300), 제1 지능형 반도체(420), 제2 지능형 반도체(440)를 포함한다. 스마트 디바이스(600)는 인공지능 시스템(100)을 포함할 수 있다. 인공지능 시스템(100)은 스마트 디바이스(600)을 포함할 수 있다.
컨트롤 모듈(200)은 비교 및 선택 모듈(220), 시뮬레이션 모듈(240), 가상 검증 모듈(260)을 포함한다.
컨트롤 모듈(200)은 인공지능 시스템(100)의 동작을 제어하고 조정하는 역할을 담당하며, 다양한 (하위) 모듈과 상호 작용하며 최적의 지능형 반도체를 선택하고 검증한다. 컨트롤 모듈(200)은 입력 데이터를 직접 수신할 수도 있고, 데이터 스위치(300)를 통해서 수신할 수도 있고, 제1 지능형 반도체(420) 또는 제2 지능형 반도체(440)를 통해 수신할 수도 있다.
컨트롤 모듈(200)은 알고리즘을 선택적으로 활용할 수 있도록 다양한 알고리즘 동작이 사전에 준비된 상태일 수 있다.
입력 데이터는 숫자 데이터, 시계열 데이터, 지리 정보 데이터, 소셜 미디어 데이터, 센서 데이터 (온도, 습도, 압력, 가속도), 생체 신호 데이터. 음성 데이터, 시각 데이터를 포함한다. 입력 데이터는 다양한 데이터 종류 중 어느 하나가 수집될 수 있고, 수집 직전까지 데이터 종류가 결정되지 않을 수 있다.
입력 데이터는 인터넷 상의 웹페이지를 탐색하는 기술인 웹 크롤링을 통해 수집되는 데이터를 포함한다. 입력 데이터는 데이터 수집 장치를 통한 수집 데이터를 포함하고, 데이터 수집 장치는 기상 정보를 수집하는 기상 관측 장치, 위치 정보를 수집하는 GPS 수신기 등을 포함한다. 입력 데이터는 비교 및 선택 모듈(220), 시뮬레이션 모듈(240), 가상 검증 모듈(260) 중 적어도 하나 또는 구성 전체와 유기적으로 연결되는 데이터베이스(280)에 저장된 정보를 포함할 수 있다. 입력 데이터는 웹 서비스 API를 활용한 정보를 포함할 수 있다. 입력 데이터는 텍스트 파일, 이미지 파일, 동영상 파일 등의 다양한 형식을 갖는 파일 데이터를 포함한다. 입력 데이터는 데이터를 무작위로 생성하거나 시뮬레이션하는 알고리즘을 활용한 데이터 생성 알고리즘에 의한 데이터를 포함한다. 입력 데이터는 IOT 기기와 센서와의 통신에 의해 수집되는 데이터를 포함한다.
입력 데이터는 제1 지능형 반도체(420) 및 제2 지능형 반도체(440)에 연결되는 센서(460)를 통해 수집될 수 있다. 제1 지능형 반도체(420) 또는 제2 지능형 반도체(440)와 센서(460) 사이에 데이터 스위치(300)가 연결될 수 있다.
센서(460)는 온도를 측정하여 전기 신호로 변환하는 온도 센서, 주변 습도를 감지하여 전기 신호로 변환하는 습도 센서, 압력 또는 힘을 측정하여 전기 신호로 변환하는 압력 센서, 물체의 가속도를 감지하여 전기 신호로 변환하여 이동 또는 충격 감지에 사용 가능한 가속도 센서, 주변 빛의 강도를 감지하여 전기 신호로 변환하는 광센서, 주변 소리의 음압을 감지하여 전기 신호로 변환하는 소리 센서(마이크로폰), 자기장의 변화를 감지하여 전기 신호로 변환하는 자기 센서 (자기계), 물체와의 거리를 측정하여 전기 신호로 변환하는 거리 센서 (근접 센서), 심박수나 혈압 등 측정 가능하고 생체 신호를 감지하는 생체 센서, 주변 공기의 특정 가스 농도를 측정하여 전기 신호로 변환하는 가스 센서, 주변 공기의 특정 가스 농도를 측정하여 전기 신호로 변환하는 가스 센서를 포함할 수 있다.
센서(460)는 자이로스코프 센서 (Gyroscope Sensor), 자력계 센서 (Magnetometer Sensor), 가속도계 센서 (Accelerometer Sensor), 자기 저항 센서 (Magnetic Resistance Sensor), 초음파 센서 (Ultrasonic Sensor), 적외선 센서 (Infrared Sensor), 레이저 센서 (Laser Sensor), 터치 센서 (Touch Sensor), 산소 센서 (Oxygen Sensor), 스티커 센서 (Strain Gauge Sensor), 습식 센서 (Humidity Sensor), 기압계 센서 (Barometer Sensor), 비디오 센서 (Video Sensor), 마이크로무선 센서 (Wireless Sensor), 측거 센서 (Displacement Sensor), 환경 센서 (Environmental Sensor), 전자 컴퍼스 센서 (Electronic Compass Sensor), 진동 센서 (Vibration Sensor), 적외선 온도 센서 (Infrared Temperature Sensor), 액체 높이 센서 (Liquid Level Sensor), 전류 센서 (Current Sensor), 태양광 센서 (Solar Sensor), 생체 인식 센서 (Biometric Sensor), 스트레스 센서 (Stress Sensor), 적외선 가스 센서 (Infrared Gas Sensor), 파이버 옵틱 센서 (Fiber Optic Sensor), 산소 농도 센서 (Oxygen Concentration Sensor), 지능형 센서 (Smart Sensor), 토크 센서 (Torque Sensor), 속도 센서 (Velocity Sensor)를 포함할 수 있다.
데이터 스위치(300)는 입력 데이터를 제1 지능형 반도체(420) 및 제2 지능형 반도체(440)에 전달한다.
동일한 입력 데이터를 두 종류의 지능형 반도체에서 분석하게 하는 것은 일반적이지 않으나, 목적을 위해 데이터 스위치(300)를 통해서 양측으로 보내는 것이 가능하다.
데이터 스위치(300)는 데이터의 종류가 확정되지 않은 상태에서 입력 데이터가 수신되는 경우, 데이터의 종류를 알지 못하는 상태에서 제1 지능형 반도체(420) 및 제2 지능형 반도체(440)에 각각 전달할 수 있다. 또한, 제1 지능형 반도체(420) 및 제2 지능형 반도체(440) 각각의 처리 결과를 기초하여, 둘 중 우수한 지능형 반도체를 선택하여 전달할 수도 있다. (후술) 또한, 제1 지능형 반도체(420) 및 제2 지능형 반도체(440) 외의 다수의 지능형 반도체 중, 하나를 선택하여 전달할 수도 있다. (후술)
비교 및 선택 모듈(220)은 제1 지능형 반도체(420) 및 제2 지능형 반도체(440)에서 처리된 데이터를 비교하여, 둘 중 우수한 지능형 반도체를 선택한다.
제1 지능형 반도체(420), 제2 지능형 반도체(440), 가상으로 설계된 지능형 반도체(520)의 성능의 높낮이는 (우수, 우월) 다음과 같은 요소로 판단될 수 있다.
성능의 높낮이는 작업을 처리하는 데 걸리는 시간으로 판단될 수 있다. 속도가 빠를수록 작업을 빠르게 처리할 수 있으며, 응답 시간이 단축되어 인공지능 시스템(100)의 성능을 향상시킨다. 반도체의 속도는 클록 주파수, 명령어 실행 시간, 전송 속도 등 다양한 요소에 의해 결정된다.
성능의 높낮이는 작업의 정확성과 오류율을 나타내는 정확도로 판단될 수 있다. 정확도가 높을수록 반도체는 정확한 계산, 처리, 데이터 분석을 수행하며, 오류 발생 가능성이 낮아진다. 정확도는 데이터 처리 과정에서의 오차, 노이즈 처리 능력, 신호 간 간섭 등에 따라 결정될 수 있다.
성능의 높낮이는 반도체가 처리할 수 있는 데이터의 양, 작업 부하 등의 처리 용량으로 판단될 수 있다. 성능의 높낮이는 동일한 작업을 수행할 때의 전력 소비량, 전력 소비와 열 관리 역량이 어떠한지 등의 반도체가 소비하는 전력과 성능 사이의 관계를 나타내는 에너지 효율성으로 판단될 수 있다. 성능의 높낮이는 확장 가능하고 유연한 구조를 가지고 있어 필요에 따라 시스템의 규모를 조정하거나 업그레이드할 수 있는 능력의 확장성 여부로 판단될 수 있다. 성능의 높낮이는 반도체가 오류 없이 안정적으로 동작하고 장기간에 걸쳐 일관된 성능을 유지할 수 있는지의 신뢰성으로 판단될 수 있다.
성능의 높낮이는 입력 데이터와 이를 처리하기 위한 지능형 반도체의 특징에 따라 달라진다. 최적의 지능형 반도체는 입력 데이터의 종류에 따라 다른 것이 선택될 수 있다. 본 발명의 일 실시 예에서는, 데이터의 종류가 여러 개인 경우라도, 적절한 선택과 설계를 가능하게 한다. 이는 시간이 지나고 학습이 반복되면서 더욱 고도화된다.
시뮬레이션 모듈(240)은 선택된 지능형 반도체보다 더 우월한 성능의 가상으로 설계된 지능형 반도체(520)를 모의실험한다.
시뮬레이션 모듈(240)은 가상으로 설계할 지능형 반도체의 목표와 요구사항을 설정하고, 성능, 처리 능력, 기능, 용도의 목표를 명확히 정의할 수 있다.
가상의 지능형 반도체를 설계하기 위해서, 컴퓨터-어이드 디자인 (Computer-Aided Design, CAD), 시뮬레이션 및 모델링 기술, 디지털 트윈 (Digital Twin), 인공지능 기술, 자동화 및 최적화 기술, 하드웨어 설계 기술, 물리적 디자인 및 레이아웃 기술이 요구될 수 있다.
디지털 트윈(Digital Twin)은 가상의 지능형 반도체를 물리적인 형태와 성능을 디지털적으로 복제하여 실제 제품의 동작과정을 미리 시뮬레이션할 수 있다. 이러한 디지털 트윈은 현실세계의 기계나 장비, 사물 등을 컴퓨터 속 가상세계에 구현하는 것을 포함한다.
가상으로 설계된 지능형 반도체(520)는 선택된 물리적인 지능형 반도체와 비교하며 지속적으로 성능을 개선하고, 개선된 설계를 반복할 수 있다. 실체를 갖는 물리적인 센서를 기초로 하는 입력 데이터는 가상 센서(480)의 결과(입력값과 대응되는)와 수차례 비교가 요구될 수 있다.
시뮬레이션 모듈(240)은 입력 데이터를 수집하고 분석하여 가상으로 설계할 지능형 반도체의 입력 데이터와 해당 데이터를 처리하는데 필요한 특성을 파악할 수 있다.
시뮬레이션 모듈(240)은 가상으로 설계할 지능형 반도체를 위해 신경망, 결정 트리, 나이브 베이즈 등의 다양한 모델 중 가장 적합한 모델이나 알고리즘을 선택할 수 있다.
시뮬레이션 모듈(240)은 입력 데이터를 모델에 적합하게 가공할 수 있다. 이 과정에서, 특성 선택 및 추출 기술이 적용될 수 있다. 차원 축소, 피처 선택, 피처 추출의 기법을 활용하여 데이터를 최적화하고 필요한 특성을 추출할 수 있다.
시뮬레이션 모듈(240)은 가상으로 설계된 지능형 반도체(520)가 입력 데이터를 잘 처리할 수 있도록 모델의 가중치와 파라미터를 조정하고 최적화할 수 있다.
시뮬레이션 모듈(240)은 가상으로 설계한 지능형 반도체가 실제 입력 데이터를 처리하는 능력과 성능을 평가할 수 있다.
시뮬레이션 모듈(240)은 시뮬레이션 결과를 바탕으로 가상 지능형 반도체의 성능을 분석하고 개선하며, 필요한 경우 모델의 파라미터를 조정하거나 다른 모델을 시도해 더 나은 성능을 얻으려고 시도할 수 있다.
시뮬레이션 모듈(240)은 가상으로 설계한 지능형 반도체의 성능을 최종적으로 평가하고 검증하며, 실제 데이터와의 비교를 통해 가상 지능형 반도체의 성능이 실제로 유용한지 확인할 수 있다.
시뮬레이션 모듈(240)은 수집되는 데이터가 입력 데이터의 후순위인 유사 데이터인 경우, 유사 데이터의 실제 성능과 가상 성능에 기초하여 검증할 수 있다. (후술)
시뮬레이션 모듈(240)은 가상 증강 현실(Augmented Reality, AR) 기술을 이용하여, 가상으로 설계되는 지능형 반도체의 디자인을 수정하도록 구현될 수 있다. 가상으로 설계되는 지능형 반도체의 물리적 제약 사항과 시각적 효과가 사용자에 의해 협업되도록 지원할 수 있다. 가상 증강 현실 모듈은 컨트롤 모듈(200)과 연결되어 각 프로세스의 요구에 따라 구현될 수 있다.
가상 검증 모듈(260)은 선택된 지능형 반도체 및 가상으로 설계된 지능형 반도체(520)를 각각 유사 데이터의 실제 성능과 가상 성능에 기초하여 검증한다.
유사 데이터는, 선순위로 수집된 입력 데이터와 유사한 (후순위 입력) 데이터를 의미한다. 유사 데이터는 입력 데이터와 그 형식에 따라 유사한 특성과 통계적 특성을 갖고, 입력 데이터와 비교를 가능하게 한다.
일 실시 예로, 입력 데이터가 텍스트 데이터인 경우, 후순위 수집 데이터가 텍스트 데이터라면 이를 스위칭 알고리즘(후술)에 의해 유사 데이터로 추정할 수 있다. 입력 데이터를 제1 지능형 반도체(420), 제2 지능형 반도체(440)에서 각각 처리하여 제1 지능형 반도체(420)가 더 우수하다고 선택되었다면, 유사 데이터의 경우에도 제1 지능형 반도체(420)가 더 우월한 처리를 할 것이라고 판단될 수 있어야 한다.
한편, 입력 데이터가 텍스트 데이터인데, 후순위 수집 데이터가 이미지 데이터라면 이는 유사 데이터가 아닐 수 있다. 입력 데이터를 제1 지능형 반도체(420), 제2 지능형 반도체(440)가 각각 처리하여 제1 지능형 반도체(420)가 더 우수하다고 선택되었더라도, 후순위 데이터는 유사 데이터가 아니므로 제1 지능형 반도체(420)가 더 탁월하다고 판단할 수만은 없다. 이 경우, 선택되는 지능형 반도체는 제2 지능형 반도체(440)가 될 수도 있다.
동일 종류의 데이터 형식에 대해서 같은 결과를 내는지 확인하는 검증 과정이 필요하다. 동일한 데이터 형식을 갖는 선순위 입력 데이터와 후순위 유사 데이터의 처리 결과에 대해서는 각 지능형 반도체의 성능 면에서 어떤 지능형 반도체가 더 우수, 우월한지 유사한 결과를 나타내어야 바람직하다.
가상 검증 모듈(260)은 제1 지능형 반도체(420), 제2 지능형 반도체(440) 중 성능을 기초로 하여 선택된 하나의 지능형 반도체에 대해서 유사 데이터의 성능을 평가한다. 이 과정에서 센서(460)로부터 입력되는 데이터를 받아 처리한 결과를 측정하고 분석하여 실제 성능을 판단할 수 있다.
가상 검증 모듈(260)은 가상으로 설계된 지능형 반도체(520)의 성능을 유사 데이터에 대해서 평가한다. 인공지능의 학습 방법이나 가상 증강 현실의 기술을 활용하여 성능 평가를 수행할 수 있다. 유사 데이터 뿐 아니라, 가상 데이터를 입력 받아 처리한 결과를 측정하고 분석할 수 있다. 이렇게 분석되는 성능은 시뮬레이션으로 추정되는 가상 성능에 해당한다.
이렇게, 가상 검증 모듈(260)은 유사 데이터에 대한 처리 성능을, 선택된 지능형 반도체 및 가상으로 설계된 지능형 반도체(520) 각각에서 실제 성능과 가상 성능에 기초하여 비교하여 재현 여부를 검증한다.
가상 검증 모듈(260)에 의하여 검증된 가상으로 설계된 지능형 반도체(520) 정보는 제조를 위해 반도체 제조 관리 서버(700)로 제공될 수 있다. 가상 검증 모듈(260)에 의하여 검증된 가상으로 설계된 지능형 반도체(520) 정보는 제조를 위해 3D 모델링 관리 서버(800)로 제공될 수 있다. 검증된 가상으로 설계된 지능형 반도체(520) 정보는 반도체 제조 관리 서버(700) 또는 3D 모델링 관리 서버(800) 또는 인공지능 시스템(100)을 통하여 제조 가능한 상태가 되며, 인공지능 기반 설계의 지능형 반도체(500)로 제조되어, 스마트 디바이스(600)에 연결될 수 있다.
이렇게 제조되는 지능형 반도체는 제1 지능형 반도체(420), 제2 지능형 반도체(440)와 함께, 제n 지능형 반도체로서 입력 데이터의 종류에 최적인 다수가 연결될 수 있고, 인공지능 시스템(100)은 상기 절차를 반복하며 입력 데이터의 종류에 관계 없이 성능이 현저히 개선된다.
상기에서는 유사 데이터를 후순위로 수집되는 제2 입력 데이터로 가정하였으나, 이후 수집되는 제3 입력 데이터, 제N 입력 데이터 중 어느 하나가 유사 데이터로 수집될 수 있다.
상기에서는 유사 데이터를 하나로 설명하였으나, 입력 데이터의 종류와 형식에 기초하여 제N 입력 데이터와 유사한 다른 유사 데이터, 제N-n 유사 데이터가 다수 수집될 수 있다. 여기에서 N, n은 예이다. (N : 입력 데이터와 유사한 유사 데이터 그룹의 번호, n : 같은 그룹의 유사 데이터들의 순차적인 일련 번호). 입력 데이터는 다수의 종류가 반복하여 수집되고, 회수가 늘어날수록 안정도와 신뢰도가 높아진다.
바람직하게는, 시뮬레이션 모듈(240)은, 가상 검증 모듈(260)에 의하여 검증된 가상 성능에 기초하여, 가상으로 설계된 지능형 반도체(520)보다 더 우월한 제2의 가상으로 설계되는 지능형 반도체(522) 및 제3의 가상으로 설계되는 지능형 반도체(524)을 더 설계하고, 가상 검증 모듈(260)은, 제2의 가상으로 설계되는 지능형 반도체(522) 및 제3의 가상으로 설계되는 지능형 반도체(524)의 성능을 상기 가상 성능과 비교할 수 있다.
시뮬레이션 모듈(240)은, 가상 검증 모듈(260)에 의하여 검증된 가상 성능에 기초하여, 가상으로 설계된 지능형 반도체(520)보다 더 우월한 제2의 가상으로 설계되는 지능형 반도체(522) 및 제3의 가상으로 설계되는 지능형 반도체(524)를 더 설계할 수 있다.
가상 검증 모듈(260)은, 제2의 가상으로 설계되는 지능형 반도체(522) 및 제3의 가상으로 설계되는 지능형 반도체(524)의 성능을 가상 성능과 비교할 수 있다.
시뮬레이션 모듈(240)은, 가상으로 설계된 지능형 반도체(520)에 대한 정보와 성능 평가 결과를 가상 검증 모듈(260)로부터 입력 받고, 이 정보를 기초로 하여 반복적으로 가상 지능형 반도체의 설계(제2의 가상으로 설계되는 지능형 반도체(522) 및 제3의 가상으로 설계되는 지능형 반도체(524))를 수행할 수 있다. 시뮬레이션 모듈(240)은 가상 지능형 반도체의 성능 평가 결과를 반영하여 더욱 향상된 지능형 반도체 설계하게 된다.
가상 검증 모듈(260)과 시뮬레이션 모듈(240)간에 데이터 교환이 반복되고, 가상으로 설계되는 지능형 반도체의 개수가 제2, 제3 뿐 아니라, 제m으로 증가되면서, 더욱 개선된 설계가 가능하다. m은 자연수로서, 가상으로 설계되는 지능형 반도체의 회수를 의미한다.
최초 입력 데이터와 다른 형식의 데이터가 입력될 때에도 상기의 과정을 반복하면서, 입력 데이터의 종류와 관계 없이 고도화되고 개선된 지능형 반도체 설계가 가능해진다. 이러한 구성은 입력 데이터의 종류에 관계 없이 복합 AI솔루션 기술의 기반이 될 수 있다.
바람직하게는, 데이터 스위치(300)는, 선택된 지능형 반도체가 제1 및 제2 지능형 반도체 중 어느 반도체인지를 입력 데이터에 기초하여 분류하고, 유사 데이터를 입력 데이터와의 매칭 정도를 비교하여 사전에 분류된 제1 및 제2 지능형 반도체 중 하나의 반도체에 전달할 수 있다.
데이터 스위치(300)가 둘 중 하나를 선택하는 기준은 후순위로 수집되는 유사 데이터와 선순위로 수집된 입력 데이터와의 매칭 정도를 비교하여 사전에 분류된 반도체를 선택할 수 있다.
데이터 스위치(300)는 입력 데이터를 분석하여 여러 가지 종류 중, 어떤 형식의 데이터인지 판단하고 분류할 수 있다. 데이터 스위치(300)는 비교 및 선택 모듈(220)이 각 분류된 데이터 그룹에 따라, 제1 지능형 반도체(420), 제2 지능형 반도체(440) 중 어느 반도체를 선택하는지 판단할 수 있다.
데이터 스위치(300)는 유사 데이터를 입력 데이터와의 매칭 정도를 비교할 수 있다. 매칭 정도를 파악하는 예로는, 유클리드 거리(Euclidean Distance), 코사인 유사도(Cosine Similarity)를 포함하는 유사도 측정 기술이 사용될 수 있다.
데이터 스위치(300)는 유사 데이터의 매칭 정도에 따라, 사전에 분류된 상기 제1 지능형 반도체(420), 제2 지능형 반도체(440) 중 하나의 반도체에 전달할 수 있다. 데이터의 종류와 그룹에 따라 우수한 지능형 반도체가 다를 수 있으며, 데이터 종류가 다를 때 그에 맞는 지능형 반도체가 선택되어야 성능이 향상된다. 스위칭 알고리즘을 사용하지 않고도 데이터의 특성만을 파악하여 적절한 지능형 반도체를 선택하여 전달함으로 속도가 향상되는 효과가 있다.
바람직하게는, 데이터 스위치(300)는, 유사 데이터를, 제1 및 제2 지능형 반도체 중 하나에 결정 트리 기반 알고리즘 및 특성 기반 분류(Classification based on features) 알고리즘을 기초로 하여 차원 축소, 피처 선택, 피처 추출의 기법으로 라우팅할 수 있다.
데이터 스위치(300)는 데이터 라우터(340), 데이터 분류기(320)를 포함한다.
데이터 분류기(320)는 입력 데이터를 특정 카테고리 또는 클래스로 분류하는데 사용되는 알고리즘을 포함한다. 데이터 분류기(320)는 입력 데이터의 특징을 분석하여 사전에 정의된 카테고리 중 하나로 분류하는 작업을 수행한다. 데이터 분류기(320)는 제1 지능형 반도체(420) 및 제2 지능형 반도체(440) 중 적어도 하나 또는 다른 처리 장치에 보내기 전에 데이터를 구분하는데 사용된다. 데이터 분류기(320)는 패턴 인식기, 머신 러닝 분류 모델을 포함할 수 있다.
데이터 라우터(340)는 다양한 데이터 소스로부터 수신된 데이터를 제1 지능형 반도체(420) 및 제2 지능형 반도체(440) 중 적어도 하나 또는 다른 처리 장치로 전달할 수 있다. 데이터 라우터(340)는 입력 데이터를 적절한 목적지로 전송하는 라우팅 알고리즘을 가지고 있으며, 데이터 스위치(300)와 함께 데이터를 전달하는 역할을 수행할 수 있다. 데이터 라우터(340)는 데이터 통합기, 데이터 분배기를 포함할 수 있다.
데이터 스위치(300)는 다양한 데이터 소스로부터 수신된 데이터를 제1 지능형 반도체(420) 및 제2 지능형 반도체(440) 중 적어도 하나에 전달한다. 데이터 스위치(300)는 데이터를 원하는 지능형 반도체로 라우팅하거나 다른 처리 장치로 보낼 때 사용된다. 데이터 스위치(300)는 입력 데이터를 분석하여 가장 적합한 목적지로 전송하는 역할을 수행한다.
데이터 스위치(300)는 스위칭 알고리즘을 포함한다. 즉, 데이터 스위치(300)는 데이터의 라우팅에 스위칭 알고리즘을 활용한다.
스위칭 알고리즘은 머신러닝 기반 분류, 의사결정 트리, 특성 기반 분류 중 적어도 하나를 포함한다.
데이터 스위치(300)는 입력 데이터 (또는 제2 입력 데이터)가 수신되는 경우, 데이터의 종류가 확정되지 않은 상태에서, 제1 지능형 반도체(420) 또는 제2 지능형 반도체(440) 중 하나에 전달할 수 있다. 데이터의 종류를 알지 못하는 상태에서 데이터 스위치(300)가 둘 중 하나를 선택하는 기준은 스위칭 알고리즘에 기초할 수 있다. 스위칭 알고리즘은 결정 트리 기반 알고리즘과 특성 기반 분류 알고리즘을 기초로 한 스위칭 알고리즘이 더욱 바람직하다.
결정 트리 기반 알고리즘은 데이터의 특성에 따라 분기하는 결정 트리를 생성하며, 이를 통해 데이터의 특성을 파악하고 분류할 수 있고, 라우팅 결정을 할 수 있다.
특성 기반 분류 알고리즘은 데이터의 특성을 기반으로 해당 데이터를 분류하는 방식을 선택한다. 데이터의 특성을 분석하여 어떤 유형의 데이터인지를 예측하고, 이를 바탕으로 해당 데이터를 처리하기에 적합한 지능형 반도체로 라우팅하는 것에 우월하다.
결정 트리 기반 알고리즘과 특성 기반 분류 알고리즘을 기초로 한 스위칭 알고리즘은 데이터의 특성을 파악하여 가장 적합한 지능형 반도체로 데이터를 라우팅하는 데 도움을 줄 수 있으며, 다음과 같은 장점이 있다.
결정 트리 기반 알고리즘은 다양한 데이터 유형을 처리할 수 있고, 특성 기반 분류 알고리즘은 빠른 실행 속도를 가지므로, 두 알고리즘을 함께 사용하여 다양한 데이터 유형을 효과적으로 처리할 수 있다. 일 실시 예로, 텍스트 데이터와 이미지 데이터가 혼합된 경우, 결정 트리 기반 알고리즘을 통해 텍스트 데이터를 처리하고, 특성 기반 분류 알고리즘을 통해 이미지 데이터를 처리할 수 있다.
결정 트리 기반 알고리즘은 데이터의 특성을 고려하여 분류 결정을 내리고, 특성 기반 분류 알고리즘은 빠른 실행 속도로 데이터를 분류할 수 있다. 두 알고리즘을 함께 사용하여 정확한 분류 및 예측을 수행할 수 있다. 이를 통해 데이터 스위칭 알고리즘이 다양한 데이터 유형에 대해 높은 정확도를 유지할 수 있게 한다.
결정 트리 기반 알고리즘과 특성 기반 분류 알고리즘을 함께 사용하면 데이터의 특성에 따라 유연하게 처리할 수 있다. 특성이 주로 범주형인 경우에는 결정 트리 기반 알고리즘을 활용하여 효과적인 분류를 수행하고, 특성이 주로 수치형인 경우에는 특성 기반 분류 알고리즘을 사용하여 빠른 처리가 가능하다.
특성 기반 분류(Classification based on features)는 입력 데이터의 특성을 분석하고, 어떤 유형에 가까운지 판단하는 알고리즘을 포함한다.
특성 기반 분류는 통계 기반 분류, 텍스트 마이닝, 신경망 기반 분류, 특성 선택 및 추출 기술 중 적어도 하나를 포함하고, 특성 선택 및 추출 기술은, 입력 데이터에서 가장 중요한 특성을 선택하거나 추출할 수 있다. 특성 선택 및 추출 기술은 차원 축소, 피처 선택, 피처 추출의 기법을 활용하여 데이터의 차원을 줄이고 중요한 특성을 도출하여 분류에 활용한다.
차원 축소 (Dimensionality Reduction)는, 차원 데이터의 특성을 보존하면서 데이터의 차원을 줄일 수 있다. 데이터의 잡음을 제거하거나 시각화, 계산 효율성 향상을 위해 사용될 수 있으며, 주성분 분석 (PCA, Principal Component Analysis), 선형 판별 분석 (LDA, Linear Discriminant Analysis), t-SNE 의 차원 축소 알고리즘을 포함한다.
피처 선택 (Feature Selection)은, 가장 중요한 피처를 선택하는 기법을 포함하며, 중요한 피처를 선택함으로써 모델의 성능을 향상시키고, 불필요한 계산과정을 줄일 수 있다. 반복적 피처 제거 (RFE, Recursive Feature Elimination), 단변량 통계 (Univariate Feature Selection), L1 정규화 (L1 Regularization) 의 피처 선택 알고리즘을 포함한다.
피처 추출 (Feature Extraction)은, 원본 데이터를 새로운 피처 공간으로 변환할 수 있고, 원본 데이터에서 새로운 의미 있는 피처들을 추출하여 데이터의 표현을 개선하며, 차원을 줄일 수 있다. 피처 추출은 주성분 분석 (PCA), 자동 인코더 (Autoencoder), 인공신경망의 중간층 특성 추출의 알고리즘의 비지도 학습 기법을 포함한다.
데이터 스위치(300)는 최초의 입력 데이터를 제1 지능형 반도체(420) 및 제2 지능형 반도체(440)에 각각 전달할 수 있다. 데이터 스위치(300)는 이후의 수집되는 입력 데이터 또는 유사 데이터를 제1 지능형 반도체(420) 또는 제2 지능형 반도체(440)에 선택하여 전달할 수 있다.
바람직한 일 실시 예에 의하면, 제1 지능형 반도체(420)는 자연어 처리 기능을 갖춘 지능형 반도체이고, 제2 지능형 반도체(440)는 비전 처리 기능을 갖춘 지능형 반도체인 경우를 가정한다.
입력 데이터가 텍스트라면, 컨트롤 모듈(200)을 통해 이미 준비된 다양한 알고리즘 중, 나이브 베이즈 (Naive Bayes) 알고리즘이 선택될 수 있다.
나이브 베이즈는 텍스트 데이터의 특성을 활용하여 각 클래스(카테고리)에 대한 확률을 계산하여 분류를 수행한다. 단어의 출현 빈도와 클래스 간의 관련성을 고려하여 텍스트를 분류하고, 선택된 알고리즘을 사용하여 입력 데이터의 텍스트를 분석하고, 해당 분석 결과에 따라 자연어 처리 기능을 갖춘 제1 지능형 반도체(420)를 선택하게 된다.
나이브 베이즈 알고리즘을 통하여 확률적 분류 모델로, 주어진 데이터의 특성을 기반으로 해당 데이터가 어떤 클래스에 속하는지 확률적으로 예측하는 데 사용되고, 입력 데이터의 특성은 예측에 중요한 역할을 할 수 있다. 이 때, 상기 특성 선택 및 추출 기술이 함께 선택될 수 있다. 차원 축소, 피처 선택, 피처 추출은 데이터의 특성을 줄이거나 변환하여 모델 사용에 도움을 주기 때문에, 모든 특성을 사용하여 예측하는 비효율성이나 성능 저하의 나이브 베이즈 알고리즘만의 한계를 극복할 수 있다.
입력 데이터가 이미지라면, 합성곱 신경망(Convolutional Neural Network, CNN) 알고리즘이 선택될 수 있다. CNN은 이미지의 공간적 특징을 학습하여 이미지를 분류하고 인식하며, 컨볼루션과 풀링 레이어를 통해 이미지의 주요 특징을 추출하고, 완전 연결 레이어를 통해 분류를 수행한다.
선택된 CNN 알고리즘을 사용하여 입력 이미지를 분석하고, 해당 분석 결과에 따라 비전 처리 기능을 갖춘 제2 지능형 반도체(440)를 선택할 수 있다.
CNN은 특성 선택 및 추출 기술을 포함하여 이미지 처리와 컴퓨터 비전 분야에서 뛰어난 성능을 발휘할 수 있고, 이 기법의 조합은 이미지 데이터의 효율적인 처리와 의미 있는 특성 추출에 도움을 준다.
입력 데이터가 음성이라면, 합성곱 신경망(Convolutional Neural Network, CNN)이 선택될 수 있다. 선택된 CNN 알고리즘을 사용하여 입력 음성을 분석하고, 해당 분석 결과에 따라 두 지능형 반도체 중 하나를 선택한다. 음성 데이터의 경우, 확률상으로는 자연어 처리 기능을 갖춘 제 지능형 반도체가 더 적합할 수 있지만, 특정 상황에 따라 비전 처리 기능을 갖춘 제2 지능형 반도체(440)의 성능이 우수할 수 있다.
특성 선택 및 추출 기술을 병행 사용하는 경우, 개선된 효과가 나타난다.
음성 데이터는 큰 차원의 특성을 가질 수 있는데, 차원 축소 기술을 통해 대규모 데이터를 더 작은 차원으로 축소하여 메모리 사용량과 계산량을 줄일 수 있다. 음성 데이터에는 환경 노이즈와 같은 잡음 요소가 포함될 수 있는데, 차원 축소는 주요 정보를 보존하면서 잡음을 최소화할 수 있어, 모델의 성능 향상에 도움이 된다.
피처 선택 기술을 사용하면 불필요한 특성들을 제거하여 모델 학습 시간을 단축시키고, 음성 데이터와 같은 큰 데이터셋이나 복잡한 모델에서 특히 유용하다. 피처 선택을 통해 모델이 노이즈나 불필요한 정보에 덜 민감해지고 더 일반화된 결과를 얻을 수 있다.
피처 추출을 통해 의미 있는 특성을 추출할 수 있다. 음성 데이터는 원시 형태로는 이해하기 어려운데, 피처 추출을 통해 데이터의 중요한 패턴과 특성을 추출하여 해석 가능한 형태로 변환할 수 있다.
입력 데이터가 확정되지 않고 어떤 종류의 입력 데이터가 수집될지 모를 때에는 가중치 기반 스위칭 알고리즘(Weighted-based Switching Algorithm)이 선택될 수 있다. 각 지능형 반도체에 가중치를 부여하여 입력 데이터의 특성에 따라 다른 확률로 선택되도록 하는 알고리즘인데, 입력 데이터의 특성을 고려하여 적절한 지능형 반도체를 상황에 따라 적절하게 선택할 수 있다.
특성 선택 및 추출 기술을 병행 사용하는 경우, 개선된 효과가 나타난다. 입력 데이터의 차원을 줄이는 차원 축소 기술은 불필요한 특성을 제거하여 계산 복잡도를 줄인다. 가중치 기반 스위칭 알고리즘과 함께 사용하면 선택된 특성만을 고려하여 계산하므로, 시스템의 처리 속도를 향상시킬 수 있다. 피처 선택과 피처 추출을 통해 노이즈가 많은 특성이나 중요하지 않은 특성을 제거하면 데이터의 품질이 향상되고, 이는 가중치 기반 스위칭 알고리즘이 정확한 결정을 내릴 수 있도록 도움을 준다.
바람직하게는, 비교 및 선택 모듈(220)은, 성능 평가 및 처리 속도를 Proximal Policy Optimization (PPO) 알고리즘을 기초로 하여, 비교 및 선택할 수 있다.
제1 지능형 반도체(420), 제2 지능형 반도체(440)에서 각각 처리된 데이터를 비교하기 위해 Proximal Policy Optimization (PPO) 알고리즘을 기초로 할 수 있다.
우수하다는 기준은 성능 평가 및 처리 속도를 포함할 수 있다.
성능 평가는 정확도, 정밀도, 재현율, F1 점수 중 적어도 하나의 성능 평가 지표를 함께 사용하여 처리 결과의 품질을 비교할 수 있다.
처리 속도는 처리에 소요되는 시간이나 작업 완료 시간을 비교하여 제1 지능형 반도체(420), 제2 지능형 반도체(440) 중 어떤 지능형 반도체가 더 빠른지를 확인한다.
PPO는 심층 강화학습에서 확장된 알고리즘으로, 안정적인 정책 업데이트와 샘플 효율성을 강조한다. PPO는 경험 데이터를 수집하여 정책을 업데이트하는 과정에서 샘플 효율성과 안정성을 고려하며, 이를 위해 PPO는 클리핑 메커니즘을 사용하여 정책 업데이트 시에 이전 정책과의 차이를 제한하며, 과도한 정책 업데이트로 인한 불안정성을 줄이고, 안정적인 학습을 도모한다.
PPO는 다양한 입력 데이터를 처리하는 데에 적절하다. 음성, 시각, 숫자 데이터 등 다양한 형태의 데이터를 입력 데이터로 받아들이고, 해당 데이터를 기반으로 최적의 정책을 학습할 수 있다. 이를 통해 다른 종류의 지능형 반도체를 비교 분석하고 성능을 평가한다.
데이터 스위치(300)에서는 결정 트리 기반 알고리즘 및 특성 기반 분류(Classification based on features) 알고리즘을 사용하고, 지능형 반도체의 결과 분석에는 PPO를 사용하면, 데이터 효율성, 정책 개선과 최적화, 안정적인 학습 진행의 상호 작용 효과가 있다.
바람직하게는, 시뮬레이션 모듈(240)은, 멀티쓰레딩(multithreading)을 기초로 병렬처리하는 가상 센서(480)를 포함하고, 가상 센서(480)의 결과를 입력 데이터의 결과와 코사인 유사도(Cosine Similarity)를 기초로 비교할 수 있다.
가상 센서(480)는 실제로 존재하지 않지만, 다양한 데이터를 생성하거나 시뮬레이션하는데 사용되는 가상적인 센서이다. 가상 센서(480)를 멀티쓰레딩(또는 다중 쓰레딩)을 통해 구현하는 경우, 여러 개의 쓰레드가 동시에 가상 센서(480)의 데이터 생성 또는 시뮬레이션 작업을 수행할 수 있다. 일반적으로 하나의 프로세스는 하나의 실행 흐름을 가지고 순차적으로 실행되지만, 쓰레딩(Threading)을 이용하면 하나의 프로세스 내에서 동시에 여러 작업을 처리할 수 있다. 이는 프로그램의 성능을 향상시키고, 병렬 처리를 가능하게 하여 멀티코어를 최대한 활용할 수 있도록 한다.
일 실시 예에 따른 절차로, 가상 센서(480)가 생성해야 할 데이터 또는 시뮬레이션 작업을 여러 개의 작은 조각으로 분할한다. 각 조각에 해당하는 데이터 생성 또는 시뮬레이션 작업을 병렬적으로 처리하기 위해 여러 개의 쓰레드를 생성한다. 각 쓰레드는 독립적으로 자신에게 할당된 작업을 병렬처리로 수행한다. 이렇게 여러 쓰레드가 동시에 작업을 처리하여 시간을 절약하고 처리 속도를 높인다. 모든 쓰레드가 작업을 완료하면, 각 쓰레드에서 생성된 데이터나 시뮬레이션 결과를 하나로 통합하여 가상 센서(480)의 최종 결과를 만들고, 결과통합의 과정을 거친다.
본 실시 예에서는 멀티쓰레딩을 활용하여 가상 센서(480)를 구현하고, 실제 센서가 아닌 가상적인 센서로도 다양한 데이터를 생성하거나 시뮬레이션할 수 있다. 이러한 가상 센서(480)는 실제 데이터가 얻기 어려운 상황에서 테스트, 시뮬레이션에 유용하게 활용될 수 있고, 멀티쓰레딩을 통해 작업을 병렬적으로 처리하기 때문에 성능적인 면에서도 효과가 있다.
센서 기술에서 물리적인 센서와의 연동 기술과 가상 센서(480) 기술 둘 다 중요한데, 서로 보완적이며, 디지털 트윈에서 실제 센서 데이터와 가상 센서(480) 데이터를 함께 활용하여 시뮬레이션을 수행하는 데 사용된다. 물리적인 센서는 실제 환경에서 데이터를 수집하고 실시간으로 지능형 반도체에 입력되어야 한다. 이를 위해 물리적인 센서와의 연동 기술을 사용하여 센서 데이터를 디지털 트윈에 전달하고 실시간으로 반영하는 기능이 필요하다. 예를 들어, 온도, 습도, 압력, 가속도 등의 센서 데이터를 실제 장치에서 수집하고 디지털 트윈에 전달하여 가상의 지능형 반도체 시뮬레이션에 활용할 수 있다. 가상 센서(480)는 실제 물리적인 센서가 없이도 가상 환경에서 데이터를 생성하고 사용할 수 있는 기술이다. 디지털 트윈에서는 가상 센서(480)를 활용하여 시뮬레이션을 수행할 때 실제 센서 데이터가 없더라도 가상 센서(480)를 통해 다양한 입력 데이터를 생성할 수 있다. 이를 통해 다양한 시나리오를 시뮬레이션하고 반도체의 성능을 평가할 수 있다.
데이터 집합 간의 유사도를 측정하고 비교하는 유사성 분석 기술에는, 유클리디안 거리, 자기조직화 맵 (Self-Organizing Map, SOM), K-평균 클러스터링, 코사인 유사도가 포함된다. 코사인 유사도의 경우, 데이터를 각각의 벡터로 취급하여, 두 벡터 사이의 각도를 계산하여 유사성을 평가한다. 텍스트와 같은 희소한 데이터에서 유용하게 사용될 수 있을 뿐 아니라, 차원의 수에 영향을 받지 않기 때문에 고차원의 데이터에도 적용할 수 있다. 입력 데이터의 형식이 다양한 경우에 데이터의 크기에 상관없이 벡터 간의 내적만을 계산하기 때문에 계산 비용이 저렴하다.
멀티쓰레딩과 코사인 유사도를 함께 활용하는 경우의 효과는 다음과 같다. 코사인 유사도를 통해 결과를 실시간으로 비교할 수 있고, 가상 센서(480)의 성능을 빠르게 평가하고 개선할 수 있다. 코사인 유사도는 다양한 종류의 입력 데이터에 대해 가상 센서(480)와 물리적인 센서의 결과를 비교할 수 있고, 벡터 간의 방향과 크기를 모두 고려하기 때문에 정확한 비교 결과를 얻을 수 있다. 코사인 유사도는 가상 센서(480)의 정확성을 평가하며, 가상 센서(480)의 성능을 개선하고, 실제 센서의 동작을 모사하는 데 유용한 정보를 얻게 된다. 코사인 유사도를 사용하여 가상 센서(480)와 물리적인 센서의 결과를 비교하면 두 결과가 불일치하는 경우를 식별할 수 있다. 이를 통해 가상 센서(480)의 정확성 문제를 탐지하고 개선할 수 있다.
바람직하게는, 가상 검증 모듈(260)은, 가상으로 설계된 지능형 반도체(520)에 기초한 결과 데이터를 하나의 데이터셋으로 구성하고, 표준 테스트 데이터셋을 활용하는 벤치마크 테스트를 기초로 가상으로 설계된 지능형 반도체(520)의 성능을 검증할 수 있다.
입력 데이터의 형식은 다양할 수 있고, 가상으로 설계된 지능형 반도체(520)에 기초한 결과 데이터는 기준축이 하나가 아닌, 즉, 하나의 세팅된 데이터가 아닐 수 있다. 가상 검증 모듈(260)은, 데이터 통합 알고리즘을 통해서 메모리 또는 데이터베이스(280)와 상호 작용을 하며 분석 및 판단을 수행할 수 있다. 가상 검증 모듈(260)은, 데이터 간의 연결 또는 매핑을 수행하여 관련된 정보를 하나의 통합된 데이터셋으로 구성할 수 있다. 하나의 통합된 데이터셋을 구성하기 위하여 데이터 통합 알고리즘이 사용될 수 있다. 하나의 통합된 데이터셋을 통하여, 가상으로 설계된 지능형 반도체(520)는 실제 데이터를 적용한 성능 평가가 가능하고, 실제 결과와 가상의 처리 결과를 비교하여, 실제 환경에서의 성능 예측에 도움을 줄 수 있다.
표준 테스트 데이터셋은 일정한 기준과 규칙에 따라 구성된 데이터의 집합을 포함하고, 알고리즘, 모델, 혹은 시스템의 성능을 평가하거나 비교하기 위해 사용되는 데이터셋을 의미한다.
가상으로 설계된 지능형 반도체(520)의 성능을 평가하기 위해 표준적인 벤치마크 테스트를 수행할 수 있다. 벤치마크 테스트는 일련의 표준 테스트 데이터셋을 사용하여 지능형 반도체의 처리 성능을 측정하고 비교하는 것을 포함한다.
표준화된 작업들은 입력 데이터의 특성과 상관없이 동일한 작업들로 구성되어 있기 때문에, 다양한 종류의 입력 데이터에 대해서도 공통적으로 적용할 수 있다. 이러한 표준화된 작업들을 사용하여 각각의 지능형 반도체가 동일한 조건에서 처리한 결과를 얻게 되고, 서로 다른 지능형 반도체들을 비교-평가하는데 더욱 객관적인 기준을 제공하여, 다양한 상황에서의 최적의 지능형 반도체를 설계할 수 있게 된다.
이런 설계는 데이터셋과 벤치마크 테스트를 활용하면 효율성을 높일 수 있다. 벤치마크의 예로는, 이미지 분류 작업으로, MNIST, CIFAR-10, ImageNet 의 데이터셋과 관련 벤치마크가 있다. 자연어 처리 작업에는 SQuAD, GLUE, CoNLL 의 데이터셋과 벤치마크가 있다. 객체 검출 작업에는 COCO 데이터셋과 관련 벤치마크가 있다. 이와 같은 데이터셋과 벤치마크를 활용하여 각각의 입력 데이터 유형에 대한 표준화된 작업 정보를 얻을 수 있다.
상기의 데이터셋과 벤치마크 테스트의 높은 효율은, 데이터셋으로의 통합 과정을 통해서 효과를 더욱 높이게 된다.
데이터셋으로 통합하는 과정은, ETL (Extract, Transform, Load) 또는, API를 포함할 수 있다. ETL를 기초로 하는 데이터 통합 과정은 데이터를 추출(Extract), 변환(Transform), 로드(Load)하는 과정을 순차적으로 수행하고, 데이터를 추출하여 원하는 형식으로 변환한 뒤, 통합된 데이터셋에 로드하여 저장하는 작업을 수행한다.
데이터 통합을 위한 API는 다른 시스템과의 연동을 쉽게 하고 데이터를 통합된 데이터셋으로 가져오는 데 사용된다. API를 통해 다양한 데이터 소스에서 필요한 데이터를 가져와 통합하는 작업이 가능하다.
도 2는, 본 발명의 일 실시예에 따른, 지능형 반도체 설계 방법을 개략적으로 보여주는 동작 흐름도이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 인공지능 기반 다목적 지능형 반도체 설계 방법은, 데이터 스위치(300)가, 입력 데이터를 제1 및 제2 지능형 반도체에 전달하는 단계(S100), 비교 및 선택 모듈(220)이, 제1 및 제2 지능형 반도체에서 처리된 데이터를 비교하여, 둘 중 우수한 지능형 반도체를 선택하는 단계(S200), 시뮬레이션 모듈이, 선택된 지능형 반도체보다 더 우월한 성능의 가상으로 설계된 지능형 반도체를 모의실험하는 단계(S300), 가상 검증 모듈(260)이, 선택된 지능형 반도체 및 가상으로 설계된 지능형 반도체를 각각 유사 데이터의 실제 성능과 가상 성능에 기초하여 검증하는 단계(S400), 를 포함한다.
반도체에 전달하는 단계(S100)는, 데이터 스위치(300)가, 선택된 지능형 반도체가 제1 지능형 반도체(420) 및 제2 지능형 반도체(440) 중 어느 반도체인지를 입력 데이터에 기초하여 분류하고, 유사 데이터를 입력 데이터와의 매칭 정도를 비교하여 사전에 분류된 제1 지능형 반도체(420) 및 제2 지능형 반도체(440) 중 하나의 반도체에 전달하는 단계(S120a)를 더 포함할 수 있다.
반도체에 전달하는 단계는, 데이터 스위치(300)가, 유사 데이터를, 제1 지능형 반도체(420) 및 제2 지능형 반도체(440) 중 하나에 결정 트리 기반 알고리즘 및 특성 기반 분류(Classification based on features) 알고리즘을 기초로 하여, 라우팅하는 단계(S120b)를 더 포함할 수 있다.
반도체를 선택하는 단계(S200)는, 비교 및 선택 모듈(220)이, 성능평가 및 처리 속도를 Proximal Policy Optimization (PPO) 알고리즘을 기초로 하여, 비교 및 선택하는 단계(S220)를 더 포함할 수 있다.
모의실험하는 단계(S300)는, 시뮬레이션 모듈(240)이, 멀티쓰레딩(multithreading)을 기초로 병렬처리하는 가상 센서(480)를 포함하고, 가상 센서(480)의 결과를 입력 데이터의 결과와 코사인 유사도(Cosine Similarity)를 기초로 비교하는 단계(S320)를 더 포함할 수 있다.
검증하는 단계(S400)는, 가상 검증 모듈(260)이, 가상으로 설계된 지능형 반도체에 기초한 결과 데이터를 하나의 데이터셋으로 구성하고, 표준 테스트 데이터셋을 활용하는 벤치마크 테스트를 기초로 가상으로 설계된 지능형 반도체의 성능을 검증하는 단계(S420)를 더 포함하는
도 3은, 본 발명의 다른 일 실시예에 따른, 지능형 반도체 설계 방법을 개략적으로 보여주는 동작 흐름도이다.
도 3을 참조하면, 시뮬레이션 모듈(240)은 가상으로 설계할 지능형 반도체의 목표와 요구사항을 설정하고, 성능, 처리 능력, 기능, 용도의 목표를 명확히 정의하는 목표 설정 단계(S342)를 포함할 수 있다.
시뮬레이션 모듈(240)은 입력 데이터를 수집하고 분석하여 가상으로 설계할 지능형 반도체의 입력 데이터와 해당 데이터를 처리하는데 필요한 특성을 파악하는 데이터 수집 및 분석 단계(S344)를 포함할 수 있다.
시뮬레이션 모듈(240)은 가상으로 설계할 지능형 반도체를 위해 신경망, 결정 트리, 나이브 베이즈 등의 다양한 모델 중 가장 적합한 모델이나 알고리즘을 선택하는 모델 선택 단계(S346)를 포함할 수 있다.
시뮬레이션 모듈(240)은 입력 데이터를 모델에 적합하게 가공하는 데이터 전처리 단계(S348)를 포함할 수 있다. 데이터 전처리 단계(S348)는 특성 선택 및 추출 기술이 적용될 수 있다. 차원 축소, 피처 선택, 피처 추출의 기법을 활용하여 데이터를 최적화하고 필요한 특성을 추출할 수 있다.
시뮬레이션 모듈(240)은 가상으로 설계된 지능형 반도체(520)가 입력 데이터를 잘 처리할 수 있도록 모델의 가중치와 파라미터를 조정하고 최적화하는 모델 학습 단계(S350)를 포함할 수 있다.
시뮬레이션 모듈(240)은 가상으로 설계한 지능형 반도체가 실제 입력 데이터를 처리하는 능력과 성능을 평가하는 시뮬레이션 및 평가 단계(S352)를 포함한다. 모의실험 하는 단계(S300)는 시뮬레이션 및 평가 단계(S352)를 포함할 수 있다.
시뮬레이션 모듈(240)은 시뮬레이션 결과를 바탕으로 가상 지능형 반도체의 성능을 분석하고 개선하며, 필요한 경우 모델의 파라미터를 조정하거나 다른 모델을 시도해 더 나은 성능을 얻으려고 노력하는 성능 향상 개선 단계(S354)를 포함할 수 있다.
시뮬레이션 모듈(240)은 가상으로 설계한 지능형 반도체의 성능을 최종적으로 평가하고 검증하며, 실제 데이터와의 비교를 통해 가상 지능형 반도체의 성능이 실제로 유용한지 확인하는 확인 단계(S356)를 포함할 수 있다.
시뮬레이션 모듈(240)은 확인 단계(S356)는 수집되는 데이터가 입력 데이터의 후순위인 유사 데이터인 경우, 유사 데이터의 실제 성능과 가상 성능에 기초하여 검증하는 가상 검증 단계(S358)를 포함할 수 있다.
시뮬레이션 모듈(240)은 가상 증강 현실(Augmented Reality, AR) 기술을 이용하여, 가상으로 설계되는 지능형 반도체의 디자인을 수정하도록 구현될 수 있다. 가상으로 설계되는 지능형 반도체의 물리적 제약 사항과 시각적 효과가 사용자에 의해 협업되도록 지원할 수 있다. 가상 증강 현실 모듈은 컨트롤 모듈(200)과 연결되어 각 프로세스의 요구에 따라 구현될 수 있다.
본 발명의 일 실시 예에 따른 인공지능 기반 설계의 지능형 반도체(500)는, 입력 데이터를 제1 또는 제2 지능형 반도체 중 하나에 전달하는 데이터 스위치(300), 전달된 지능형 반도체보다 더 우월한 성능의 가상으로 설계된 지능형 반도체를 모의실험하는 시뮬레이션 모듈(240), 전달된 지능형 반도체 및 가상으로 설계된 지능형 반도체(520)를, 각각 유사 데이터의 실제 성능과 가상 성능에 기초하여 검증하는 가상 검증 모듈(260)을 포함하고, 데이터 스위치(300)는, 입력 데이터에 기초하여 제1 지능형 반도체(420) 또는 제2 지능형 반도체(440) 중 더 우수한 반도체를 분류하고, 유사 데이터를 입력 데이터와의 매칭 정도를 비교하여 제1 지능형 반도체(420) 또는 제2 지능형 반도체(440) 중 사전에 분류된 하나의 반도체에 전달하는 것을 포함한다.
데이터 스위치(300)는, 유사 데이터를 입력 데이터와의 매칭 정도를 비교하여, 신규한 데이터 그룹으로 판단되는 경우, 제1 지능형 반도체(420) 및 제2 지능형 반도체(440)에 전달하고, 비교 및 선택 모듈(220)은 제1 지능형 반도체(420) 및 제2 지능형 반도체(440)에서 처리된 데이터를 비교하여, 둘 중 우수한 지능형 반도체를 선택하는 것을 더 포함할 수 있다.
스마트 디바이스(600)는 스마트폰을 포함한다. 스마트폰은 화면 디스플레이, 터치 스크린을 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 스마트폰에서 빠르고 효율적인 데이터 처리를 제공하며, 음성 인식, 이미지 인식, 자연어 처리의 기능을 향상시킬 수 있다.
스마트 디바이스(600)는 LIDAR(라이다) 센서를 포함하는 자율주행 자동차를 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 센서 데이터를 신속하게 처리하여 주행 환경을 인식하고, 의사결정을 내릴 수 있다.
스마트 디바이스(600)는 모터를 포함하는 로봇을 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 로봇의 인지, 판단, 제어 능력을 향상시키고, 로봇이 환경을 인식하고 상호작용할 수 있게 지원한다.
스마트 디바이스(600)는 의료기기를 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 의료기기에서 다양한 데이터를 수집하고 분석하여 정확한 진단과 치료를 지원한다.
스마트 디바이스(600)는 스마트 홈 시스템을 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 스마트 홈 시스템의 센서 데이터를 처리하여 스마트 조명, 스마트 보안 시스템, 에너지 관리 등을 개선할 수 있다.
스마트 디바이스(600)는 스마트 시티 시스템을 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 스마트 시티 인프라에서 실시간 데이터 수집과 분석을 통해 효율적인 도시 운영을 지원할 수 있다.
스마트 디바이스(600)는 인공지능 기반 서비스 시스템을 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 인공지능 기술과 결합하여 음성 인식, 얼굴 인식, 자연어 처리 등의 인공지능 기반 서비스를 개선할 수 있다.
스마트 디바이스(600)는 스마트 농업 시스템을 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 센서 데이터를 활용하여 작물의 상태를 모니터링하고, 작물의 생장 환경을 최적화할 수 있다.
스마트 디바이스(600)는 에너지 관리 시스템을 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 스마트 그리드 시스템을 통해 에너지 생산, 저장, 사용을 최적화하고 에너지 효율성을 향상시킬 수 있다.
스마트 디바이스(600)는 제조 시스템을 포함한다. 본 발명의 일 실시 예의 지능형 반도체에 의하여, 생산라인에서의 자동화, 불량품 감지, 유지보수 예측 등을 통해 생산성을 향상시킬 수 있다.
스마트 디바이스(600)는 배터리(Battery)를 포함하는 이륜차를 포함한다.
스마트 디바이스(600)는 프로펠러(Propeller)를 포함하는 드론를 포함한다.
스마트 디바이스(600)는 카메라(Camera)를 포함하는 무인 항공기를 포함한다.
스마트 디바이스(600)는 배터리(Battery)를 포함하는 전기 자전거를 포함한다.
스마트 디바이스(600)는 인터페이스 디스플레이를 포함하는 스마트 트램를 포함한다.
스마트 디바이스(600)는 자율주행 센서를 포함하는 자동화 배송 로봇를 포함한다.
스마트 디바이스(600)는 BMS (Battery Management System)를 포함하는 전기 자동차 배터리 관리 시스템를 포함한다.
스마트 디바이스(600)는 킥보드를 포함하는 스마트 이동 플랫폼를 포함한다.
스마트 디바이스(600)는 태양광 패널를 포함하는 무인 태양광 발전 시스템를 포함한다.
스마트 디바이스(600)는 블루투스 모듈를 포함하는 블루투스 스피커를 포함한다.
스마트 디바이스(600)는 스마트칩를 포함하는 무선 이어폰를 포함한다.
스마트 디바이스(600)는 암호화폐 지갑 소프트웨어를 포함하는 스마트 화폐 지갑를 포함한다.
스마트 디바이스(600)는 노트북 , 컴퓨터, 태블릿, 스마트 워치, 스마트 TV, 가전제품 (냉장고, 세탁기, 에어컨 등), 자동차, 인공지능 스피커, 보안 시스템, 로봇, 의료기기 (의료 이미징 장비, 생체 신호 모니터링 장치 등), 스마트 카드 (신용카드, 교통카드 등), 스마트 화장실, 스마트 주차장 시스템, 자동화된 생산 시스템, 지능형 농업 시스템, 스마트 에너지 관리 시스템, 로봇 청소기, 스마트 건물 시스템, 스마트 도시 인프라, 스마트 헬스케어 기기 (심박 모니터, 혈압계 등), 자동화된 창고 관리 시스템, 증강 현실(AR) 및 가상 현실(VR) 기기, 스마트 화재 감지 시스템, 드라이브레스 자동차, 스마트 미러 (스마트 거울), 스마트 옷, 스마트 스포츠 장비, 스마트 빌딩 시스템, 스마트 가로등, 스마트 물관리 시스템, 스마트 환기 시스템, 스마트 트래픽 관리 시스템, 스마트 지하철 시스템, 스마트 공기 청정 시스템, 스마트 팜, 스마트 도서관 시스템, 스마트 건설 장비, 스마트 투어 가이드, 스마트 비디오 감독 시스템, 스마트 스토어 시스템, 스마트 주문 및 결제 시스템, 스마트 택배 시스템, 스마트 팩토리 시스템, 스마트 물류 관리 시스템, 스마트 재활용 시스템, 스마트 출입구 시스템, 스마트 시설 관리 시스템, 스마트 침실 시스템, 스마트 스포츠 경기장, 스마트 건강 모니터링 시스템, 스마트 주택 자동화 시스템, 스마트 호텔 시스템, 스마트 매장 시스템, 스마트 애완동물 관리 시스템, 스마트 교육 시스템, 스마트 풍력 발전 시스템, 스마트 태양광 발전 시스템, 스마트 빌보드 시스템, 스마트 카메라 시스템, 스마트 가구, 스마트 어린이 보호 시스템, 스마트 오피스 시스템, 스마트 쇼핑 카트, 스마트 건강 케어 시스템, 스마트 헤드폰, 스마트 미디어 플레이어, 스마트 스피커 시스템, 스마트 전자 액세서리, 스마트 카시트, 스마트 자전거 시스템, 스마트 안경, 스마트 바코드 시스템, 스마트 건강 스캐너, 스마트 휴대용 충전기, 스마트 청소기, 스마트 낚시 장비, 스마트 주방 시스템, 스마트 수의사 시스템, 스마트 주식 거래 시스템, 스마트 소방 시스템, 스마트 가스 감지기, 스마트 음식 배달 시스템, 스마트 농장 시스템, 스마트 터치스크린 디스플레이, 스마트 재활용품 수거 시스템, 스마트 자동차 주차 시스템, 스마트 거리 인식 시스템, 스마트 운동장, 스마트 수산물 관리 시스템, 스마트 생산 라인, 스마트 소비자 전자기기, 스마트 반려동물 용품, 스마트 약제 관리 시스템, 스마트 교통 관제 시스템, 스마트 휴대용 음악 재생기, 스마트 수도 관리 시스템, 스마트 화폐 지갑, 스마트 트래픽 신호 시스템, 스마트 물류 터미널 시스템, 스마트 농작물 수확 로봇, 스마트 식물 자동 관수 시스템, 스마트 날씨 예보 시스템, 스마트 휴양지 관리 시스템, 스마트 레저 용품, 스마트 택배 배송 시스템, 스마트 교통 안전 시스템, 스마트 전기차 충전 시스템, 스마트 주행 보조 시스템, 스마트 소셜 미디어 플랫폼, 스마트 빌리지 시스템, 스마트 헬스케어 로봇, 스마트 로그 분석 시스템, 스마트 트레이닝 시스템, 스마트 통신 기기, 스마트 자동 문 시스템, 스마트 소음 감소 시스템, 스마트 피부관리 기기, 스마트 경보 시스템, 스마트 온라인 강의 플랫폼, 스마트 음식 배달 로봇, 스마트 보안 감시 시스템, 스마트 카운터 시스템, 스마트 자동차 대여 시스템, 스마트 암호화폐 거래 시스템, 스마트 자동화 검사 시스템, 스마트 자기 주차 시스템, 스마트 고속도로 요금 징수 시스템, 스마트 소비자 심리 분석 시스템, 스마트 에너지 저장 시스템, 스마트 유통관리 시스템, 스마트 트렌치 식별 시스템, 스마트 화장품 앱, 스마트 안전 모니터링 시스템, 스마트 사물함 시스템, 스마트 주차장 보안 시스템, 스마트 소프트웨어 개발 툴, 스마트 운송 관리 시스템, 스마트 수집 및 분류 시스템, 스마트 화재 탐지 시스템, 스마트 가상 미디어 서비스, 스마트 선박 관제 시스템, 스마트 마케팅 플랫폼, 스마트 플로깅 시스템, 스마트 협업 도구, 스마트 납품 관리 시스템, 스마트 자동차 안전 시스템, 스마트 거래 플랫폼, 스마트 빌딩 에너지 관리 시스템, 스마트 제조 자동화 시스템, 스마트 피자 주문 시스템, 스마트 수면 분석 시스템, 스마트 안전 보호 장비, 스마트 도어락 시스템, 스마트 소매점 시스템, 스마트 창고 관리 시스템, 스마트 냉장고 시스템, 스마트 로봇 건설 시스템, 스마트 택배 터미널 시스템, 스마트 자동차 운전 보조 시스템, 스마트 수면 환경 시스템, 스마트 보안 카메라 시스템, 스마트 팜 시스템, 스마트 쇼핑몰 플랫폼, 스마트 화장품 스타일링 시스템, 스마트 에너지 관리 플랫폼, 스마트 영양 분석 시스템, 스마트 공항 관제 시스템, 스마트 시설물 관리 시스템, 스마트 운동 트레이너, 스마트 응급 상황 대응 시스템, 스마트 수도관 관리 시스템, 스마트 게임 콘솔, 스마트 건강 모니터링 팔찌, 스마트 소셜 로봇, 스마트 미디어 스트리밍 서비스, 스마트 증권 거래 시스템, 스마트 주방기기, 스마트 미팅룸 시스템, 스마트 금융 서비스, 스마트 농산물 수확 로봇, 스마트 고속도로 통행 시스템, 스마트 캠퍼스 시스템, 스마트 자동차 키, 스마트 빅데이터 분석 플랫폼, 스마트 홈 보안 시스템, 스마트 공기 청정기 시스템, 스마트 로봇 경비 시스템, 스마트 건물 관리 시스템, 스마트 웨어러블 스트리밍 기기, 스마트 자동화 주택 시스템, 스마트 음식점 시스템, 스마트 임대 관리 시스템, 스마트 교통 인프라 시스템, 스마트 증거 수집 시스템, 스마트 화장품 디바이스, 블루투스 스피커, 무선 이어폰, 스마트 로봇 암, 자동화된 생산 라인, 자동 창고 관리 시스템, 스마트 공장 모니터링 시스템, 자동화된 검사 및 품질 관리 장비, 자동 로봇 조립 시스템, 제조 공정 자동화 기기, 스마트 시스템 제어 패널, 자동차 조립 로봇, 스마트 자동화 제어 솔루션, 의료용 로봇 수술 시스템, 의료용 드론 배송 시스템, 스마트 환자 모니터링 장비, 의료용 가상 현실 시뮬레이션 기기, 의료용 생체 신호 측정기, 자동 주사기 및 투약 시스템, 의료용 스마트 웨어러블 장치, 스마트 의료 영상 진단 시스템, 로봇 보조 재활치료 장치, 의료용 생체 삽입물 3D 프린팅 시스템, 스마트 그리드 시스템, 재생 에너지 모니터링 시스템, 스마트 미터링 인프라, 에너지 효율 관리 시스템, 자동화 미세먼지 관리 장비, 자동화 폐기물 분류 시스템, 스마트 환기 및 냉난방 제어, 에너지 관리 스마트 스위치, 스마트 환경 모니터링 센서, 자동화 농작업 로봇, 스마트 농업 드론, 자동화 스마트 텃밭 시스템, 스마트 농작물 관리 센서, 자동 환기 및 관수 시스템, 농작업 자동화 장비, 스마트 어류 양식 시스템, 스마트 농작물 수확기, 스마트 농업 스마트폰 앱, 자동 농업 조립기, 군사용 드론 및 로봇, 자동화 경비 카메라 시스템, 스마트 보안 접근 제어 시스템, 군사용 스마트 전투복, 스마트 방범 센서, 자동화 안보 모니터링 시스템, 스마트 화재 및 재난 대응 시스템, 군사용 스마트 차량, 자동화 군수품 생산 라인, 스마트 전투 헬멧 및 장비, 스마트 가상 현실 게임 시스템, 자동화 캐릭터 모델링 시스템, 스마트 음향 및 조명 제어 시스템, 자동화 게임 캐릭터 애니메이션, 스마트 온라인 게임 서버, 스마트 게임 컨트롤러, 자동화 레이싱 시뮬레이터, 스마트 영화 및 음악 스트리밍 서비스, 스마트 테마파크 놀이기구, 자동화 콘서트 무대 조명 시스템, 스마트 건설 로봇, 자동화 건축 3D 프린팅 시스템, 스마트 건물 에너지 관리 시스템, 자동화 건설 장비, 스마트 공공 건물 자동화 시스템, 자동화 건물 안전 시스템, 스마트 건축 자료 관리 시스템, 스마트 도로 건설 시스템, 자동화 건축 자재 생산 라인, 스마트 도시 개발 시스템 중 적어도 하나를 포함한다.
다음의 스마트 디바이스(600)는, 상기 시스템 및 구성의 조합과 함께, 블록체인 시스템과 연동될 수도 있다.
스마트 에너지 관리 시스템, 스마트 건물 시스템, 스마트 농업 시스템, 스마트 화재 감지 시스템, 스마트 물류 관리 시스템, 스마트 도서관 시스템, 스마트 건설 장비, 스마트 화장품 앱, 스마트 주문 및 결제 시스템, 스마트 팩토리 시스템, 스마트 건강 모니터링 시스템, 스마트 주차장 시스템, 스마트 환기 시스템, 스마트 지하철 시스템, 스마트 팜, 스마트 빌보드 시스템, 스마트 카메라 시스템, 스마트 건강 스캐너, 스마트 통신 기기, 스마트 오피스 시스템은 블록체인 시스템과 연결될 수 있다.
블록체인은 분산형 데이터베이스 기술을 활용함으로써 중앙 관리 서버 없이 거래 기록을 보호하고 보안을 강화하는 데 사용될 수 있다. 중앙 관리 서버는, 반도체 제조 관리 서버(700), 3D 모델링 관리 서버(800)를 포함하거나 연결될 수 있다. 상기의 시스템은 데이터 보안과 무결성이 중요하거나 거래 기록을 블록체인에 기록하고 싶은 경우, 블록체인 기술과 접목하여 더욱 투명하고 안전한 시스템을 구축할 수 있다. 예를 들어, 스마트 에너지 관리 시스템에서 에너지 거래 정보를 블록체인에 기록하여 에너지 거래의 신뢰성과 투명성을 높일 수 있다. 스마트 빌딩 시스템에서 건물 운영 정보를 블록체인에 기록하여 건물의 에너지 효율성을 개선할 수도 있다.
다음의 스마트 디바이스(600)는, 상기 시스템 및 구성의 조합과 함께, 센서 및 액추에이터와 연결되는 사물인터넷과 연동될 수도 있다.
노트북, 컴퓨터, 태블릿, 스마트 워치, 스마트 TV, 가전제품 (냉장고, 세탁기, 에어컨 등), 자동차, 인공지능 스피커, 보안 시스템, 로봇, 의료기기 (의료 이미징 장비, 생체 신호 모니터링 장치 등), 스마트 카드 (신용카드, 교통카드 등), 스마트 화장실, 스마트 주차장 시스템, 자동화된 생산 시스템, 지능형 농업 시스템, 스마트 에너지 관리 시스템, 로봇 청소기, 스마트 건물 시스템, 스마트 도시 인프라, 스마트 헬스케어 기기 (심박 모니터, 혈압계 등), 자동화된 창고 관리 시스템, 증강 현실(AR) 및 가상 현실(VR) 기기, 스마트 화재 감지 시스템, 드라이브레스 자동차, 스마트 미러 (스마트 거울), 스마트 옷, 스마트 스포츠 장비, 스마트 빌딩 시스템, 스마트 가로등, 스마트 물관리 시스템, 스마트 환기 시스템, 스마트 트래픽 관리 시스템, 스마트 지하철 시스템, 스마트 공기 청정 시스템, 스마트 팜, 스마트 도서관 시스템, 스마트 건설 장비, 스마트 투어 가이드, 스마트 비디오 감독 시스템, 스마트 스토어 시스템, 스마트 주문 및 결제 시스템, 스마트 택배 시스템, 스마트 팩토리 시스템, 스마트 물류 관리 시스템, 스마트 재활용 시스템, 스마트 출입구 시스템, 스마트 시설 관리 시스템, 스마트 침실 시스템, 스마트 스포츠 경기장, 스마트 건강 모니터링 시스템, 스마트 주택 자동화 시스템, 스마트 호텔 시스템, 스마트 매장 시스템, 스마트 애완동물 관리 시스템, 스마트 교육 시스템, 스마트 풍력 발전 시스템, 스마트 태양광 발전 시스템, 스마트 빌보드 시스템, 스마트 카메라 시스템, 스마트 가구, 스마트 어린이 보호 시스템, 스마트 오피스 시스템, 스마트 쇼핑 카트, 스마트 건강 케어 시스템, 스마트 헤드폰, 스마트 미디어 플레이어, 스마트 스피커 시스템, 스마트 전자 액세서리, 스마트 카시트, 스마트 자전거 시스템, 스마트 안경, 스마트 바코드 시스템, 스마트 건강 스캐너, 스마트 휴대용 충전기, 스마트 청소기, 스마트 낚시 장비, 스마트 주방 시스템, 스마트 수의사 시스템, 스마트 주식 거래 시스템, 스마트 소방 시스템, 스마트 가스 감지기, 스마트 음식 배달 시스템, 스마트 농장 시스템, 스마트 터치스크린 디스플레이, 스마트 재활용품 수거 시스템, 스마트 자동차 주차 시스템, 스마트 거리 인식 시스템, 스마트 운동장, 스마트 수산물 관리 시스템은 사물인터넷을 포함하거나 연결될 수 있다.
이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100 인공지능 시스템 420 제1 지능형 반도체
200 컨트롤 모듈 440 제2 지능형 반도체
220 비교 및 선택 모듈 460 센서
240 시뮬레이션 모듈 480 가상 센서
260 가상 검증 모듈 500 인공지능 기반 설계의 지능형 반도체
280 데이터 베이스 520 가상으로 설계된 지능형 반도체
300 데이터 스위치 600 스마트 디바이스
320 데이터 분류기 700 반도체 제조 관리 서버
340 데이터 라우터 800 3D 모델링 관리 서버
200 컨트롤 모듈 440 제2 지능형 반도체
220 비교 및 선택 모듈 460 센서
240 시뮬레이션 모듈 480 가상 센서
260 가상 검증 모듈 500 인공지능 기반 설계의 지능형 반도체
280 데이터 베이스 520 가상으로 설계된 지능형 반도체
300 데이터 스위치 600 스마트 디바이스
320 데이터 분류기 700 반도체 제조 관리 서버
340 데이터 라우터 800 3D 모델링 관리 서버
Claims (7)
- 입력 데이터를 제1 및 제2 지능형 반도체에 전달하는 데이터 스위치;
상기 제1 및 제2 지능형 반도체에서 상기 입력 데이터의 처리된 데이터를 비교하여, 둘 중 우수한 지능형 반도체를 선택하는 비교 및 선택 모듈;
상기 선택된 지능형 반도체보다 더 우월한 성능의 가상으로 설계된 지능형 반도체를 모의실험하는 시뮬레이션 모듈;
상기 선택된 지능형 반도체 및 상기 가상으로 설계된 지능형 반도체를 각각 유사 데이터의 실제 성능과 가상 성능에 기초하여 재현 여부를 검증하는 가상 검증 모듈;을 포함하고,
상기 시뮬레이션 모듈은,
상기 가상 검증 모듈에 의하여 검증된 상기 가상 성능에 기초하여, 상기 가상으로 설계된 지능형 반도체보다 더 우월한 제2 및 제3의 가상으로 설계되는 지능형 반도체을 더 설계하고,
멀티쓰레딩(multithreading)을 기초로 병렬처리하는 가상 센서를 포함하고,
상기 가상 센서의 결과를 상기 입력 데이터의 결과와 코사인 유사도(Cosine Similarity)를 기초로 비교하고,
상기 가상 검증 모듈은,
상기 제2 및 제3의 가상으로 설계되는 지능형 반도체의 성능을 상기 가상 성능과 비교하고,
상기 데이터 스위치는,
후순위 입력 데이터를 가중치 기반 스위칭 알고리즘(Weighted-based Switching Algorithm)을 기초로 상기 유사 데이터 여부를 판단하여 상기 제1 및 제2 지능형 반도체 중 어느 하나에 전달하는 인공지능 기반 다목적 지능형 반도체 시스템 - 삭제
- 제1항에 있어서,
상기 데이터 스위치는,
상기 선택된 지능형 반도체가 상기 제1 및 제2 지능형 반도체 중 어느 반도체인지를 상기 입력 데이터에 기초하여 분류하고, 상기 유사 데이터를 상기 입력 데이터와의 매칭 정도를 비교하여 사전에 분류된 상기 제1 및 제2 지능형 반도체 중 하나의 반도체에 전달하는 인공지능 기반 다목적 지능형 반도체 시스템 - 제1항에 있어서,
상기 데이터 스위치는,
상기 유사 데이터를, 상기 제1 및 제2 지능형 반도체 중 하나에 결정 트리 기반 알고리즘 및 특성 기반 분류(Classification based on features) 알고리즘을 기초로 하여 차원 축소, 피처 선택, 피처 추출의 기법으로 라우팅하는 인공지능 기반 다목적 지능형 반도체 시스템 - 제4항에 있어서,
상기 비교 및 선택 모듈은,
성능 평가 및 처리 속도를 Proximal Policy Optimization (PPO) 알고리즘을 기초로 하여, 비교 및 선택하는 인공지능 기반 다목적 지능형 반도체 시스템 - 삭제
- 제1항에 있어서,
상기 가상 검증 모듈은,
상기 가상으로 설계된 지능형 반도체에 기초한 결과 데이터를 하나의 데이터셋으로 구성하고,
표준 테스트 데이터셋을 활용하는 벤치마크 테스트를 기초로 상기 가상으로 설계된 지능형 반도체의 성능을 검증하는 인공지능 기반 다목적 지능형 반도체 시스템
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230095670A KR102662404B1 (ko) | 2023-07-22 | 2023-07-22 | 인공지능 기반 다목적 지능형 반도체 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230095670A KR102662404B1 (ko) | 2023-07-22 | 2023-07-22 | 인공지능 기반 다목적 지능형 반도체 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102662404B1 true KR102662404B1 (ko) | 2024-04-29 |
Family
ID=90883476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230095670A KR102662404B1 (ko) | 2023-07-22 | 2023-07-22 | 인공지능 기반 다목적 지능형 반도체 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102662404B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000042414A (ko) * | 1998-12-24 | 2000-07-15 | 김영환 | 칩의 외부 신호 자동 비교에 의한 칩 기능 검증 방법 |
| KR100488803B1 (ko) * | 2002-12-12 | 2005-05-12 | 한국전자통신연구원 | 가상블록을 이용한 시뮬레이션 장치 및 방법 |
| KR101959627B1 (ko) | 2017-06-12 | 2019-03-18 | 에스케이 주식회사 | 실제 반도체 제조물을 복제한 가상 반도체 제조물 제공 방법 및 시스템 |
| KR102279473B1 (ko) * | 2018-09-28 | 2021-07-22 | 타이완 세미콘덕터 매뉴팩쳐링 컴퍼니 리미티드 | 퍼지 머신 러닝을 사용한 집적 회로 설계 |
| KR20210130609A (ko) | 2020-04-22 | 2021-11-01 | 한국건설기술연구원 | 파형의 중간 스트립 형성과 수직보강재 설치가 가능한 3d 건설구조물 구축용 3d 프린팅 노즐 모듈 및 이를 구비한 3d 프린팅 장치 |
| KR20210149045A (ko) * | 2020-05-29 | 2021-12-08 | 상하이 센스타임 인텔리전트 테크놀로지 컴퍼니 리미티드 | 인공 지능 칩 검증 |
| KR20220029393A (ko) | 2020-08-31 | 2022-03-08 | 도쿄엘렉트론가부시키가이샤 | 반도체 제조 시스템, 제어 장치, 및 제어 방법 |
| KR20220097154A (ko) | 2020-12-31 | 2022-07-07 | 세메스 주식회사 | 반도체 제조 설비의 제어 방법 |
-
2023
- 2023-07-22 KR KR1020230095670A patent/KR102662404B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000042414A (ko) * | 1998-12-24 | 2000-07-15 | 김영환 | 칩의 외부 신호 자동 비교에 의한 칩 기능 검증 방법 |
| KR100488803B1 (ko) * | 2002-12-12 | 2005-05-12 | 한국전자통신연구원 | 가상블록을 이용한 시뮬레이션 장치 및 방법 |
| KR101959627B1 (ko) | 2017-06-12 | 2019-03-18 | 에스케이 주식회사 | 실제 반도체 제조물을 복제한 가상 반도체 제조물 제공 방법 및 시스템 |
| KR102279473B1 (ko) * | 2018-09-28 | 2021-07-22 | 타이완 세미콘덕터 매뉴팩쳐링 컴퍼니 리미티드 | 퍼지 머신 러닝을 사용한 집적 회로 설계 |
| KR20210130609A (ko) | 2020-04-22 | 2021-11-01 | 한국건설기술연구원 | 파형의 중간 스트립 형성과 수직보강재 설치가 가능한 3d 건설구조물 구축용 3d 프린팅 노즐 모듈 및 이를 구비한 3d 프린팅 장치 |
| KR20210149045A (ko) * | 2020-05-29 | 2021-12-08 | 상하이 센스타임 인텔리전트 테크놀로지 컴퍼니 리미티드 | 인공 지능 칩 검증 |
| KR20220029393A (ko) | 2020-08-31 | 2022-03-08 | 도쿄엘렉트론가부시키가이샤 | 반도체 제조 시스템, 제어 장치, 및 제어 방법 |
| KR20220097154A (ko) | 2020-12-31 | 2022-07-07 | 세메스 주식회사 | 반도체 제조 설비의 제어 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sunhare et al. | Internet of things and data mining: An application oriented survey | |
| Mohammadi et al. | Deep learning for IoT big data and streaming analytics: A survey | |
| Jalal et al. | Students’ behavior mining in e-learning environment using cognitive processes with information technologies | |
| Kaklauskas | Biometric and intelligent decision making support | |
| Kaklauskas et al. | Intelligent decision support systems | |
| Dutta | An overview on the evolution and adoption of deep learning applications used in the industry | |
| WO2017197375A1 (en) | System and methods for facilitating pattern recognition | |
| CN107851124A (zh) | 自组织网络中的媒体标记传播 | |
| Malik et al. | Architecture, generative model, and deep reinforcement learning for IoT applications: Deep learning perspective | |
| Dhatterwal et al. | Machine learning and deep learning algorithms for IoD | |
| Michalski et al. | Convolutional neural networks implementations for computer vision | |
| Aziz et al. | Big data in iot systems | |
| KR102662404B1 (ko) | 인공지능 기반 다목적 지능형 반도체 시스템 | |
| KR102552856B1 (ko) | 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템 | |
| Xue et al. | A self-adaptive multi-view framework for multi-source information service in cloud ITS | |
| Abu et al. | Approaches Of Deep Learning In Persuading The Contemporary Society For The Adoption Of New Trend Of AI Systems: A Review | |
| Liu et al. | Li Zhang | |
| KR20220121154A (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| Sas et al. | Virtual environment trajectory analysis: a basis for navigational assistance and scene adaptivity | |
| Pradhan et al. | Machine learning architecture and framework | |
| Mitra | Applications of machine learning and computer vision for smart infrastructure management in civil engineering | |
| KR102619388B1 (ko) | 별자리 기반 메타버스 추모관 서비스 관련 접속에 따른 시각적 효과 구현 인터페이스 제공 방법, 장치 및 시스템 | |
| Deng | Optimization of residential landscape design and supply chain system using intelligent fuzzy cognitive map and genetic algorithm | |
| Ahmad | Information and communication technology in Industry 4.0 | |
| Bierzynski et al. | AI at the Edge, 2021 EPoSS White Paper |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |