KR20220151483A - 전자 장치 및 전자 장치의 동작 방법 - Google Patents

전자 장치 및 전자 장치의 동작 방법 Download PDF

Info

Publication number
KR20220151483A
KR20220151483A KR1020210058784A KR20210058784A KR20220151483A KR 20220151483 A KR20220151483 A KR 20220151483A KR 1020210058784 A KR1020210058784 A KR 1020210058784A KR 20210058784 A KR20210058784 A KR 20210058784A KR 20220151483 A KR20220151483 A KR 20220151483A
Authority
KR
South Korea
Prior art keywords
key
input
physical
electronic device
artificial intelligence
Prior art date
Application number
KR1020210058784A
Other languages
English (en)
Inventor
장영배
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210058784A priority Critical patent/KR20220151483A/ko
Priority to PCT/KR2022/005709 priority patent/WO2022234984A1/ko
Priority to US17/730,599 priority patent/US11899852B2/en
Publication of KR20220151483A publication Critical patent/KR20220151483A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
    • G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
    • G06F3/0238—Programmable keyboards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G06F13/38—Information transfer, e.g. on bus
    • G06F13/40—Bus structure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G06F13/38—Information transfer, e.g. on bus
    • G06F13/40—Bus structure
    • G06F13/4004—Coupling between buses
    • G06F13/4022—Coupling between buses using switching circuits, e.g. switching matrix, connection or expansion network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/016—Input arrangements with force or tactile feedback as computer generated output to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
    • G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
    • G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
    • G06F3/0233—Character input methods
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Input From Keyboards Or The Like (AREA)

Abstract

본 문서에 개시되는 일 실시예에 따른 전자 장치는, 입력 모듈, 메모리 및 상기 입력 모듈 및 상기 메모리와 작동적으로 연결되는 프로세서를 포함할 수 있다. 일 실시예에 따르면, 상기 메모리는, 실행 시, 상기 프로세서가, 사용자로부터 상기 입력 모듈을 통해 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 포함하는 복수의 키 입력들을 수신하고, 상기 수신한 복수의 키 입력들이 지정된 조건에 대응하는지 여부를 인식하고, 상기 수신한 복수의 키 입력들이 상기 지정된 조건에 대응하는 것에 기반하여, 상기 사용자의 키 입력 패턴을 인공지능 모델을 이용하여 학습한 결과에 기초하여 상기 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정하도록 하는 인스트럭션들을 포함할 수 있다.
이 외에도 명세서를 통해 파악되는 다양한 실시예가 가능할 수 있다.

Description

전자 장치 및 전자 장치의 동작 방법{ELECTRONIC DEVICE AND OPERATION METHOD THEREOF}
본 문서에서 개시되는 다양한 실시 예들은, 전자 장치 및 전자 장치의 동작 방법과 관련된다.
키보드 장치와 같은 사용자의 입력을 수신하는 입력 모듈은, 복수의 스위치들을 행과 열로 배열하는 키 매트릭스(key matrix)를 이용하여 회로 구조의 복잡도를 완화할 수 있다.
행과 열로 구성되는 매트릭스 구조로 배열되는 물리 키(예: 스위치)들은 구조적으로 행 및 열을 공유하도록 구성될 수 있다. 지정된 물리적 위치에 있는 물리 키들이 온(on) 상태가 되는 경우, 온(on) 상태의 물리 키들과 인접한 물리 키 중에서 적어도 하나의 물리 키의 상태가 실제로 오프(off) 상태이나 온(on) 상태인 것으로 인식될 수 있다.
본 문서에 개시되는 다양한 실시예들은, 사용자의 키 입력에 의해서 매트릭스 구조로 배열된 물리 키들 중에서 적어도 하나의 물리 키가 의도치 않게 온(on) 상태인 것으로 인식되는 경우, 사용자가 입력한 키 입력에 대응하는 키 값을 인식할 수 있는 전자 장치를 제공하고자 한다.
본 문서에 개시되는 다양한 실시예들은, 사용자의 키 입력 패턴을 인공지능 모델을 통해 학습한 결과에 기초하여, 사용자의 키 입력에 대응하는 키 값을 결정할 수 있는 전자 장치를 제공하고자 한다.
본 문서에 개시되는 일 실시 예에 따른 전자 장치는, 입력 모듈, 메모리 및 상기 입력 모듈 및 상기 메모리와 작동적으로 연결되는 프로세서를 포함할 수 있다. 일 실시예에 따르면, 상기 메모리는, 실행 시, 상기 프로세서가, 사용자로부터 상기 입력 모듈을 통해 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 포함하는 복수의 키 입력들을 수신하고, 상기 수신한 복수의 키 입력들이 지정된 조건에 대응하는지 여부를 인식하고, 상기 수신한 복수의 키 입력들이 상기 지정된 조건에 대응하는 것에 기반하여, 상기 사용자의 키 입력 패턴을 인공지능 모델을 이용하여 학습한 결과에 기초하여 상기 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정하도록 하는 인스트럭션들을 포함할 수 있다.
또한, 본 문서에 개시되는 일 실시 예에 따른 전자 장치의 동작 방법은, 사용자로부터 상기 전자 장치의 입력 모듈을 통해 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 포함하는 복수의 키 입력들을 수신하는 동작, 상기 수신한 복수의 키 입력들이 지정된 조건에 대응하는지 여부를 인식하는 동작 및 상기 수신한 복수의 키 입력들이 상기 지정된 조건에 대응하는 것에 기반하여, 상기 사용자의 키 입력 패턴을 상기 전자 장치의 인공지능 모델을 이용하여 학습한 결과에 기초하여 상기 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정하는 동작을 포함할 수 있다.
본 문서에 개시되는 다양한 실시 예들에 따르면, 사용자의 키 입력에 의해서 매트릭스 구조로 배열된 물리 키들 중에서 적어도 하나의 물리 키가 의도치 않게 온(on) 상태인 것으로 인식되는 경우, 사용자가 입력한 키 입력에 대응하는 키 값을 인식할 수 있는 전자 장치를 제공할 수 있다.
본 문서에 개시되는 다양한 실시 예들에 따르면, 사용자의 키 입력 패턴을 인공지능 모델을 통해 학습한 결과에 기초하여, 사용자의 키 입력에 대응하는 키 값을 결정할 수 있는 전자 장치를 제공할 수 있다.
이외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예에 따른 전자 장치의 블록도이다.
도 3은 다양한 실시예에 따른, 전자 장치의 블록도이다.
도 4a는 다양한 실시예에 따른, 전자 장치의 블록도이다.
도 4b는 다양한 실시예에 따른, 인공지능 모델 중 순환 신경망(RNN) 모델을 예시적으로 도시한다.
도 5는 다양한 실시예에 따른, 전자 장치의 동작 방법의 흐름도이다.
도 6은 다양한 실시예에 따른, 전자 장치의 입력 모듈의 동작 방법의 흐름도이다.
도 7은 다양한 실시예에 따른, 전자 장치의 프로세서의 동작 방법의 흐름도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나 와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2는 다양한 실시예에 따른 전자 장치의 블록도이다.
일 실시예에 따르면, 전자 장치(201)(예: 도 1의 전자 장치(101))는 제1 프로세서(210)(예: 도 1의 프로세서(120)) 및 입력 모듈(220)(예: 도 1의 입력 모듈(150))을 포함할 수 있다.
일 실시예에 따르면, 제1 프로세서(210)는, 어플리케이션 프로세서(application processor, AP)를 포함할 수 있다. 예를 들어, 제1 프로세서(210)는, 전자 장치(201)에 설치된 어플리케이션을 실행할 수 있다.
일 실시예에 따르면, 입력 모듈(220)은, 제2 프로세서(221) 및 키 매트릭스(key matrix)(223)를 포함할 수 있다. 일 실시예에 따르면, 키 매트릭스(223)는 복수의 행들(R1 내지 R4), 복수의 열들(C1 내지 C4) 및 복수의 물리 키(physical key)들을 포함할 수 있다. 예를 들어, 복수의 행들(R1 내지 R4) 및 복수의 열들(C1 내지 C4)은, 제2 프로세서(221)와 키 매트릭스(223) 사이의 전기적인 경로를 형성할 수 있다. 예를 들어, 복수의 행들(R1 내지 R4) 및 복수의 열들(C1 내지 C4)은, 전기적인 신호를 전달하는 회로 배선을 포함할 수 있다. 일 실시예에 따르면, 물리 키는, 제1 프로세서(221)와 키 매트릭스(223) 사이의 전기적인 경로를 통해 전달되는 전기적 신호(예: 전압 또는 전류)의 온(on) 또는 오프(off)를 제어할 수 있다. 일 실시예에 따르면, 물리 키는, 상기 복수의 행들(R1 내지 R4) 중 하나 및 복수의 열들(C1 내지 C4) 중 하나를 서로 전기적으로 연결하거나 또는 전기적으로 분리하도록 구성될 수 있다. 예를 들어, 물리 키는 적어도 하나의 스위치(switch)를 포함할 수 있다.
일 실시예에 따르면, 제2 프로세서(221)는 키 매트릭스(223)를 제어할 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는, 키 매트릭스(223)에 연결된 복수의 열들(C1 내지 C4)에 전기적인 신호를 입력(예: 전압 인가)하고, 입력된 전기적인 신호(예: 전압)를 복수의 행들(R1 내지 R4)로부터 감지할 수 있다. 제2 프로세서(221)는, 감지된 전기적인 신호에 기초하여 물리 키의 온(on) 또는 오프(off)를 판단할 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는, 복수의 물리 키들 중에서 온(on) 상태로 판단한 물리 키에 대응하는 키 값을 제1 프로세서(210)에 전달(또는, 제공)할 수 있다. 제1 프로세서(210)는, 전달된 키 값에 대응하는 키 입력을 인식할 수 있다.
일 실시예에 따르면, 입력 모듈(220)은 키보드에 대응할 수 있다. 예를 들어, 제2 프로세서(221)는 키 매트릭스를 제어하는 키보드 컨트롤러에 대응할 수 있다. 다양한 실시예에서, 제1 프로세서(210) 및 제2 프로세서(221)는, 하나의 구성 요소로 통합적으로 동작하거나 도 2에 도시된 것처럼 분리되어 동작할 수 있다.
다양한 실시예에서, 입력 모듈(220)는 전자 장치(201)에 내장되거나 외부 전자 장치(미도시)에 포함될 수 있다. 일 실시예에 따르면, 입력 모듈(220)이 외부 전자 장치에 포함되는 경우, 제1 프로세서(210)를 포함하는 전자 장치(201)와 외부 전자 장치는 유선 또는 무선으로 전기적으로 연결될 수 있다. 예를 들어, 제1 프로세서(210)를 포함하는 전자 장치(201)와 외부 전자 장치는 USB(universal serial bus) 또는 I2C와 같은 유선 인터페이스를 통해 서로 연결될 수 있다. 다른 예에서, 입력 모듈(220)이 외부 전자 장치에 포함되는 경우, 제1 프로세서(210)를 포함하는 전자 장치(201)와 외부 전자 장치는 블루투스(bluetooth) 또는 WiFi와 같은 무선 인터페이스를 통해 서로 연결될 수 있다. 이하의 설명들은, 전자 장치(201)가 제1 프로세서(210) 및 입력 모듈(220)을 포함하는 경우를 예시로 설명한다. 이는 설명의 편의를 위한 것이며, 입력 모듈(220)이 전자 장치(201)와 상이한 외부 전자 장치에 포함되는 경우에도, 이하의 설명들이 동일 또는 유사하게 적용될 수 있다.
도 2를 참조하면, 개략도(s235)는 키 매트릭스(223)의 일부를 간략히 도시하는 그림이다. 일 실시예에 따르면, 제1 프로세서(210)는, 전자 장치(201)의 사용자로부터 입력 모듈(220)을 통하여 복수의 키 입력들을 획득(또는, 수신)할 수 있다. 예를 들어, 제1 프로세서(210)는, 사용자가 키보드를 통해서 입력하는 복수의 키 입력들을 획득할 수 있다. 일 실시예에 따르면, 제1 프로세서(210)는, 사용자가 입력 모듈(220)을 통해서 제공하는 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 획득할 수 있다. 개략도(s235)를 참조하면, 제1 물리 키 내지 제4 물리 키(231, 232, 233, 234)는, 복수의 행들(R1, R2, R3, R4) 중 2개의 행들(R1, R2) 및 복수의 열들(C1, C2, C3, C4) 중 2개의 열들(C1, C2)이 서로 교차되는 전기적 경로 상에 위치할 수 있다. 예를 들어, 제1 물리 키 내지 제4 물리 키(231, 232, 233, 234)는 2개의 행들(R1, R2) 및 2개의 열들(C1, C2)이 교차되어 형성되는 사각 지점들에 위치하는 스위치들일 수 있다. 일 실시예에 따르면, 전자 장치(201)의 사용자가 자주 사용하는 복수의 키 입력들을 입력 모듈(220)을 통해 입력하는 경우, 사용자가 제공한 복수의 키 입력들은 지정된 조건에 대응할 수 있다. 예를 들어, 사용자는, 빈번하게 입력하는 패턴으로 복수의 키 입력들을 입력 모듈(220)에 입력할 때, 물리 키로부터 손을 떼지 않은 상태에서 연속적으로 키 입력들을 입력할 수 있다. 예를 들어, 사용자의 키 입력들에 의해서, 2개의 행들(R1, R2) 및 2개의 열들(C1, C2)이 교차되어 형성되는 사각 지점들에 위치하는 물리 키들(또는 스위치들) 중에서 3개의 물리 키들이 모두 온(on) 상태가 될 수 있다. 이 경우, 입력 모듈(220)은, 사용자로부터 수신한 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 인공지능 모델을 이용하여 결정할 수 있다. 입력 모듈(220)은 결정한 키 값을 제1 프로세서(210)에 제공할 수 있다. 이하에서, 사용자로부터 수신한 복수의 키 입력들이 지정된 조건에 대응하는 경우에 인공지능 모델을 이용하여 키 값이 결정되는 실시예가 설명된다.
일 실시예에 따르면, 입력 모듈(220)은, 사용자로부터 제1 키 입력을 수신할 수 있다. 예를 들어, 사용자가 제1 키 입력을 제공하는 것에 기반하여 제1 물리 키(231)는 오프(off) 상태에서 온(on) 상태로 변할 수 있다. 예를 들어, 사용자는, 제1 물리 키(231)를 물리적으로 눌러 제1 물리 키(231)에 대응하는 스위치를 접촉시킬 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는, 제1 열(C1)을 통해 전달한 전기적 신호를 제1 행(R1)을 통해 확인하여 제1 물리 키(231)가 온(on) 상태인 것을 인식할 수 있다. 제2 프로세서(221)는 온(on) 상태인 제1 물리 키(231)에 대응하는 제1 키 값을 획득하여, 획득한 제1 키 값을 제1 프로세서(210)에 전달할 수 있다. 제1 프로세서(210)는 전달 받은 제1 키 값에 기반하여 제1 키 입력을 인식할 수 있다.
일 실시예에 따르면, 입력 모듈(220)는, 사용자로부터 제2 키 입력을 수신할 수 있다. 예를 들어, 제2 프로세서(221)는, 제1 물리 키(231)가 온(on) 상태에서 제2 키 입력을 수신할 수 있다. 일 실시예에 따르면, 사용자가 제2 키 입력을 제공하는 것에 기반하여 제2 물리 키(232)가 오프(off) 상태에서 온(on) 상태로 변할 수 있다. 예를 들어, 사용자는, 제2 물리 키(232)를 물리적으로 눌러 제2 물리 키(232)에 대응하는 스위치를 접촉시킬 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는, 제2 열(C2)을 통해 전달한 전기적 신호를 제1 행(R1)을 통해 확인하여 제2 물리 키(232)가 온(on) 상태인 것을 인식할 수 있다. 제2 프로세서(221)는, 온(on) 상태인 제2 물리 키(232)에 대응하는 제2 키 값을 획득하여, 획득한 제2 키 값을 제1 프로세서(210)에 전달할 수 있다. 제1 프로세서(210)는 전달 받은 제2 키 값에 기반하여 제2 키 입력을 인식할 수 있다.
일 실시예에 따르면, 입력 모듈(220)은, 사용자로부터 제3 키 입력을 수신할 수 있다. 예를 들어, 사용자는, 제3 물리 키(233)에 대응하는 제3 키 값을 입력하기 위한 의도로 제3 키 입력을 입력 모듈(220)에 제공할 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는, 제1 물리 키(231) 및 제2 물리 키(232)가 모두 온(on) 상태에서 제3 키 입력을 수신할 수 있다. 일 실시예에 따르면, 사용자가 제3 키 입력을 제공한 것에 기반하여, 제3 물리 키(233)가 오프(off) 상태에서 온(on) 상태로 변할 수 있다. 예를 들어, 사용자는, 제3 물리 키(233)를 물리적으로 눌러 제3 물리 키(233)에 대응하는 스위치를 접촉시킬 수 있다.
일 실시예에 따르면, 제4 물리 키(234)는, 제1 물리 키 내지 제3 물리 키(231, 232, 233)에 의해서 공유된 행(예: 제1 행(R1) 및 제2 행(R2)) 및 공유된 열(예: 제1 열(C1) 및 제2 열(C2))에 연결되는 물리 키일 수 있다. 일 실시예에 따르면, 제1 물리 키 내지 제3 물리 키(231, 232, 233)가 온(on) 상태인 경우, 제2 프로세서(221)는 키 매트릭스의 구조 상 제4 물리 키(234)도 온(on) 상태인 것으로 인식할 수 있다. 예를 들어, 제1 물리 키 내지 제3 물리 키(231, 232, 233)가 온(on) 상태인 경우, 제2 프로세서(221)는, 제4 물리 키(234)가 오프(off)된 경우에도 제2 행(R2)을 통해 제2 열(C2)에 입력된 전기적 신호를 인식할 수 있다. 제2 프로세서(221)는, 제2 열(C2)에 입력된 전기적 신호를 제2 행(R2)를 통해 인식함으로써, 제4 물리 키(234)가 온(on) 상태인 것으로 인식할 수 있다.
일 실시예에 따르면, 제2 프로세서(221)는, 제1 물리 키(231) 및 제2 물리 키(232)가 온(on) 상태에서, 제1 물리 키(231) 제2 물리 키(232)에 의해서 공유되는 행 및 공유되는 열에 연결되는 다른 물리 키들(예: 제3 물리 키(233) 또는 제4 물리 키(234)) 중 하나가 온(on) 상태가 되는 경우, 나머지 하나의 물리 키 또한 온(on) 상태인 것으로 인식할 수 있다. 예를 들어, 제2 프로세서(221)는, 제1 물리 키(231) 및 제2 물리 키(232)가 온(on) 상태에서, 사용자가 제3 입력을 제공하여 제3 물리 키(233)가 온(on) 상태가 될 수 있다. 이 경우, 제2 프로세서(221)는, 키 매트릭스(223)의 물리적 배열로 인하여 제4 물리 키(234) 또한 온(on) 상태인 것으로 인식할 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는, 제3 입력에 대응하는 키 값이 제3 물리 키(233)에 대응하는 키 값 또는 제4 물리 키(234)에 대응하는 키 값 중 어느 키 값인지 인식하지 못할 수 있다. 예를 들어, 제2 프로세서(221)는, 제3 물리 키(233)가 온(on) 상태로 변하는 경우 매트릭스 구조상 제4 물리 키(234) 또한 온(on) 상태인 것으로 인식할 수 있다. 이 경우, 제2 프로세서(221)는, 사용자가 제3 물리 키(233) 또는 제4 물리 키(234) 중 어느 물리 키에 대응하는 키 값을 입력하려고 한 의도인지 인식하지 못할 수 있다. 예를 들어, 전술한 상황은 고스트(ghost) 현상으로 지칭될 수 있다. 일 실시예에서, 제1 물리 키(231)에 대응하는 제1 키 입력 및 제2 물리 키(232)에 대응하는 제2 키 입력이 입력된 후에 제3 물리 키(233)에 대응하는 제3 키 입력이 입력된 것으로 예시로 설명하였으나, 키 입력들이 입력되는 순서는 전술한 것에 제한되지 않는다. 다양한 예에서, 복수의 행들(R1 내지 R4) 중에서 2개의 행들 및 복수의 열들(C1 내지 C4) 중에서 2개의 열들로 결정되는 4개의 물리 키들 중 3개의 물리 키들이 동시에 온(on) 상태가 될 수 있다. 이 경우, 제2 프로세서(221)는 나머지 하나의 물리 키가 실제로는 오프(off)상태이지만 온(on) 상태인 것처럼 인식할 수 있다.
일 실시예에 따르면, 제2 프로세서(221)는, 사용자의 키 입력 패턴을 인공지능 모델을 통해 학습하여 사용자가 제공한 키 입력에 대응하는 키 값을 결정(또는, 인식)할 수 있다. 예를 들어, 제2 프로세서(221)는, 전술한 제1 물리 키(231) 및 제2 물리 키(232)가 온(on) 상태에서, 제3 물리 키(233) 또는 제4 물리 키(234) 중 하나를 입력하는 사용자 입력을 수신할 수 있다. 제2 프로세서(221)는, 수신한 사용자 입력에 기초하여, 제3 물리 키(233)에 대응하는 키 값(예: 제3 키 값) 또는 제4 물리 키(234)에 대응하는 키 값(예: 제4 키 값) 중 하나를 인공지능 모델을 이용하여 결정할 수 있다. 다양한 실시예에서, 제1 물리 키 내지 제4 물리 키(231, 232, 233, 234) 중 3개의 물리 키가 온(on) 상태가 될 때 나머지 하나의 물리 키 또한 온(on) 상태인 것으로 인식되는 것을 방지하기 위하여, 키 매트릭스(223)는 다이오드(diode)를 더 포함할 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는, 인공지능 모델을 이용하여 학습한 결과에 기반하여 사용자 입력에 대응하는 키 값을 획득할 수 있다. 제2 프로세서(221)가 인공지능 모델을 이용하여 키 값을 획득하는 경우, 물리 키 마다 다이오드가 추가되는 것에 비하여 회로의 복잡도를 감소시킬 수 있다. 다양한 실시예에 따르면, 제2 프로세서(221)는, 제1 키 입력에 대응하는 제1 물리 키가 온(on) 상태이고, 제2 키 입력에 대응하는 제2 물리 키가 온(on) 상태에서, 수신된 제3 키 입력을 무시하여 사용자로부터 제3 키 입력을 다시 수신할 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는, 제3 키 입력을 무시하지 않고 사용자의 키 입력 패턴을 이용하여 제3 키 입력에 대응하는 제3 키 값을 결정할 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는 제3 키 입력을 사용자로부터 다시 수신하지 않고, 사용자의 키 입력 패턴을 이용하여 제3 키 입력에 대응하는 제3 키 값을 결정할 수 있다. 일 실시예에 따르면, 제2 프로세서(221)는 사용자의 편의성을 향상시킬 수 있다. 다양한 실시예에서, 제1 프로세서(210)는 제2 프로세서(221)와 통합적으로 동작할 수 있다. 이 경우, 제1 프로세서(210)는, 인공지능 모델을 이용하여 사용자가 제공한 키 입력에 대응하는 키 값을 결정할 수 있다.
도 3은 다양한 실시예에 따른, 전자 장치의 블록도이다.
일 실시예에 따르면, 전자 장치(301)(예: 도 1의 전자 장치(101) 또는 도 2의 전자 장치(201))는, 입력 모듈(310)(예: 도 1의 입력 모듈(150) 또는 도 2의 입력 모듈(220)), 메모리(320)(예: 도 1의 메모리(130)), 및 프로세서(330)(예: 도 1의 프로세서(120) 및/또는 도 2의 제1 프로세서(210) 또는 제2 프로세서(221))을 포함할 수 있다.
일 실시예에 따르면, 입력 모듈(310)은 사용자로부터 키 입력을 수신하는 키 매트릭스(예: 도 2의 키 매트릭스(223))를 포함할 수 있다. 예를 들어, 키 매트릭스는, 복수의 물리 키들을 포함할 수 있다. 예를 들어, 물리 키는 전기적 신호의 전달을 제어하는 스위치를 포함할 수 있다. 일 실시예에 따르면, 입력 모듈(310)은, 전자 장치(301)의 기능 중에서 키 입력에 관련된 기능을 수행하도록 구성될 수 있다. 예를 들어, 입력 모듈(310)은 키 입력에 관련된 기능을 수행하는 보조 프로세서(예: 도 2의 제2 프로세서(221))를 포함할 수 있다. 입력 모듈(310)은, 보조 프로세서를 통해 사용자로부터 수신한 키 입력을 감지하고, 감지된 키 입력에 대응하는 키 값을 프로세서(330)에 제공할 수 있다. 입력 모듈(310)은, 사용자로부터 수신한 키 입력이 지정된 조건에 대응하는 것을 감지할 수 있다. 입력 모듈(310)은, 수신한 키 입력이 지정된 조건에 대응하는 것을 기초로, 수신한 키 입력 중에서 적어도 하나의 키 입력에 대응하는 키 값을 결정할 수 있다. 입력 모듈(310)은 결정한 키 값을 프로세서(330)에 제공할 수 있다. 일 실시예에서, 입력 모듈(310)은 전자 장치(301)에 포함된 키보드일 수 있다. 다른 예에서, 입력 모듈(310)은 전자 장치(301)와 유선 또는 무선으로 연결되도록 구성되는 외부 전자 장치에 포함될 수 있다.
일 실시예에 따르면, 입력 모듈(310)은, 사용자로부터 복수의 키 입력들을 수신할 수 있다. 입력 모듈(310)은, 사용자로부터 수신한 복수의 키 입력들을 프로세서(330)에 제공할 수 있다. 일 실시예에 따르면, 프로세서(330)는, 사용자로부터 수신한 복수의 키 입력들을 이용하여 사용자의 키 입력 패턴을 학습할 수 있다.
일 실시예에 따르면, 입력 모듈(310)은, 사용자로부터 수신한 복수의 키 입력들이 지정된 조건에 대응하는 것을 인식할 수 있다. 일 실시예에서, 입력 모듈(310)은, 사용자로부터 수신한 복수의 키 입력들이 키 매트릭스에 연결된 2개의 행들 및 2개의 열들로 지정되는 복수의 물리 키들에 대응하는 것을 인식할 수 있다. 예를 들어, 입력 모듈(310)은, 순차적으로 수신한 복수의 키 입력들에 의해서, 키 매트릭스에 연결된 2개의 행들 및 2개의 열들로 지정되는 4개의 물리 키들 중 3개의 물리 키들이 온(on) 상태에 있는 것을 인식할 수 있다. 일 실시예에 따르면, 입력 모듈(310)은 순차적으로 수신한 3개의 키 입력들에 대응하는 상기 3개의 물리 키들이 동시에 온(on) 상태가 되는 경우, 지정된 조건을 만족하는 것을 인식할 수 있다. 지정된 조건은, 사용자로부터 수신한 키 입력들이, 2개의 행들 및 2개의 열들을 공유하는 4개의 물리 키들 중에서 3개의 물리 키들을 온(on) 상태에 있도록 하는 키 입력들인 경우에 대응할 수 있다. 예를 들어, 지정된 조건은 사용자로부터 수신한 키 입력이 고스트 현상을 야기하는 키 입력들에 해당하는 경우일 수 있다.
일 실시예에 따르면, 입력 모듈(310)은, 수신한 복수의 키 입력들이 지정된 조건에 대응(예: 고스트 현상을 유발하는 키 입력이 감지된 경우)하는 것을 기초로, 상기 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정할 수 있다.
일 실시예에 따르면, 입력 모듈(310)은, 상기 지정된 조건이 발생하지 않는 상태(예: 노멀(normal) 상태)의 사용자 키 입력 패턴을 프로세서(330)에 제공하여, 프로세서(330)가 인공지능 모델(예: 제1 인공지능 모델)을 이용하여 사용자의 키 입력 패턴을 학습하도록 할 수 있다. 예를 들어, 인공지능 모델은 순환 신경망(recurrent neural network, RNN) 모델을 포함할 수 있다.
일 실시예에 따르면, 입력 모듈(310)은, 상기 지정된 조건이 발생하기 전의 사용자의 키 입력 패턴을 인공지능 모델을 이용하여 학습한 결과로 생성된 가중치를 프로세서(330)로부터 수신할 수 있다. 입력 모듈(310)은, 수신한 가중치를 이용하여, 상기 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정할 수 있다. 예를 들어, 적어도 하나의 키 입력은 고스트 현상을 유발한 사용자의 세 번째 키 입력에 대응할 수 있다. 일 실시예에 따르면, 입력 모듈(310)은, 프로세서(330)로부터 수신한 가중치 및 인공지능 모델(예: 제2 인공지능 모델)을 이용하여, 적어도 하나의 키 입력에 대응하는 키 값을 결정할 수 있다. 예를 들어, 인공지능 모델은 순환 신경망(recurrent neural network, RNN) 모델을 포함할 수 있다.
일 실시예에 따르면, 입력 모듈(310)은, 지정된 조건에 대응하는 키 입력들이 감지된 경우, 순환 신경망 모델을 이용하여 복수의 키 입력들 중에서 세 번째 키 입력에 대응하는 키 값을 결정할 수 있다. 입력 모듈(310)은, 결정된 키 값을 프로세서(330)에 전달할 수 있다. 프로세서(330)는, 사용자의 키 입력(예: 고스트 현상을 유발한 사용자의 키 입력)에 대응하는 키 값을 입력 모듈(310)로부터 수신한 키 값으로 인식할 수 있다.
일 실시예에 따르면, 메모리(320)는, 프로세서(330) 또는 입력 모듈(310) 에 의해서 실행되는 적어도 하나의 프로그램, 어플리케이션, 데이터, 또는 인스트럭션들(instructions)을 저장할 수 있다. 일 실시예에 따르면, 메모리(320)는 도 1에 도시된 메모리(130)의 적어도 일부를 포함할 수 있다. 일 실시예에 따르면, 메모리(320)는 후술하는 전자 장치(301)의 동작의 적어도 일부가 수행되도록 하는 정보 또는 인스트럭션들을 저장할 수 있다. 일 실시예에 따르면, 메모리(320)는 프로세서(330)에 의해서 실행되는 복수의 어플리케이션들과 관련된 인스트럭션들을 저장할 수 있다.
일 실시예에 따르면, 프로세서(330)는, 전자 장치(301)의 다른 구성들과 작동적으로 연결되고 전자 장치(301)의 다양한 동작들을 제어할 수 있다. 프로세서(330)는 메모리(320)에 저장된 하나 이상의 인스트럭션들을 실행함으로써 전자 장치(301)의 다양한 동작들을 수행할 수 있다. 이하에서, 전자 장치(301)가 수행하는 것으로 설명된 동작들은 프로세서(330)에 의하여 수행되는 것으로 참조될 수 있다.
일 실시예에 따르면, 프로세서(330)는, 입력 모듈(310)을 통해 사용자가 입력하는 키 입력을 인식할 수 있다. 일 실시예에 따르면, 프로세서(330)는, 사용자로부터 수신한 키 입력에 대응하는 키 값을 입력 모듈(310)로부터 수신할 수 있다. 프로세서(330)는, 수신한 키 값에 기반하여 키 입력을 인식할 수 있다.
일 실시예에 따르면, 프로세서(330)는, 인공지능 모델을 이용하여 사용자의 키 입력 패턴을 학습할 수 있다. 프로세서(330)는, 인공지능 모델을 이용하여 사용자의 키 입력 패턴을 학습한 결과, 사용자의 키 입력이 지정된 조건에 대응하는 경우에 사용자의 키 입력에 대응하는 키 값을 결정하기 위한 가중치를 생성할 수 있다. 예를 들어, 프로세서(330)는, 고스트 현상을 유발한 사용자의 키 입력(예: 2개의 행들 및 2개의 열들을 공유하는 물리 키들 중에서, 순차적으로 입력된 3개의 키 입력들에 대응하는 3개의 물리 키들이 동시에 온(on) 상태가 되는 경우에 세 번째로 입력된 키 입력)에 대응하는 키 값을 결정하기 위한 가중치를 생성할 수 있다. 일 실시예에 따르면, 프로세서(330)는 생성한 가중치를 입력 모듈(310)에 제공할 수 있다.
다양한 실시예에서, 프로세서(330)가 키 입력에 관련된 기능을 통합적으로 수행하는 경우, 전술한 입력 모듈(310)의 동작은 프로세서(330)에 의해서 수행될 수 있다. 예를 들어, 프로세서(330)는, 사용자로부터 수신한 복수의 키 입력들이 지정된 조건에 대응하는 것을 인식하고, 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 인공지능 모델을 이용하여 결정할 수 있다.
도 4a는 다양한 실시예에 따른, 전자 장치의 블록도이다.
도 4a를 참조하면, 전자 장치(401)(예: 도 1의 전자 장치(101) 또는 도 2의 전자 장치(201) 또는 도 3의 전자 장치(301))는, 입력 모듈(410)(예: 도 1의 입력 모듈(150) 또는 도 2의 입력 모듈(220) 또는 도 3의 입력 모듈(310)) 및 프로세서(420)(예: 도 1의 프로세서(120) 또는 도 2의 제1 프로세서(210) 또는 제2 프로세서(221) 또는 도 3의 프로세서(330))를 포함할 수 있다. 일 실시예에 따르면, 도 4a에 도시된 전자 장치(401)의 구성들은 전자 장치(401)에 포함된 메모리(예: 도 1의 메모리(130) 또는 도 3의 메모리(320))에 저장된 하나 이상의 인스트럭션들을 포함하는 소프트웨어 모듈들일 수 있다. 예를 들어, 상기 소프트웨어 모듈들은, 프로세서(420) 및/또는 입력 모듈(410)에 포함된 프로세서(예: 도 2의 제2 프로세서(221))에 의해서 실행될 수 있다. 일 실시예에 따르면, 상기 구성들 중 적어도 하나는 물리적인 하드웨어 모듈, 로직, 논리 블록, 또는 회로를 이용하여 구현될 수 있다.
일 실시예에서, 입력 모듈(410)은, 키 매트릭스(key matrix)(411)(예: 도 2의 키 매트릭스(223)), 키 매트릭스 스캐너(key matrix scanner)(412), 키 디텍터(key detector)(413), 제2 인공지능 모델(414), 및 리포터(reporter)(415)를 포함할 수 있다. 일 실시예에서, 입력 모듈(410)의 구성 요소들 중 적어도 일부는 도 2의 제2 프로세서(221)에 포함될 수 있다. 일 실시예에서, 프로세서(420)는, 입력 모듈 드라이버(421), 운영체제(operating system)(422), 및 제1 인공지능 모델(423)을 포함할 수 있다. 일 실시예에서, 프로세서(420)의 구성 요소들 중 적어도 일부는 도 2의 제1 프로세서(210)에 포함될 수 있다. 다양한 실시 예에 따르면, 도 4a에 도시된 구성들 중에서 적어도 일부가 생략되거나, 둘 이상의 구성들이 통합적으로 동작할 수 있다.
일 실시예에 따르면, 키 매트릭스(411)는, 사용자로부터 키 입력을 수신할 수 있다. 예를 들어 키 매트릭스(411)는, 복수의 행들, 복수의 열들 및 복수의 물리 키들을 포함할 수 있다. 복수의 물리 키들은 매트릭스 구조로 배열되고, 복수의 물리 키들 중 하나의 물리 키는 복수의 행들 중 하나의 행 및 복수의 열들 중 하나의 열과 연결되도록 구성될 수 있다. 일 실시예에 따르면, 물리 키는, 복수의 행들 중 하나 및 복수의 열들 중 하나를 통하여 형성되는 전기적인 경로로 전달되는 전기적인 신호의 온(on) 또는 오프(off)를 제어할 수 있다. 예를 들어, 물리 키는 스위치(switch)를 포함할 수 있다.
일 실시예에 따르면, 키 매트릭스 스캐너(412)는, 사용자로부터 수신한 키 입력에 대응하는 물리 키를 감지할 수 있다. 예를 들어, 사용자는 물리 키를 물리적으로 누름으로써 키 입력을 제공할 수 있다. 일 실시예에 따르면, 키 매트릭스 스캐너(412)는, 복수의 열들 중 하나에 전기적인 신호를 입력하고, 복수의 행들 중에서 상기 전기적인 신호가 감지되는 행을 인식할 수 있다. 키 매트릭스 스캐너(412)는, 상기 전기적인 신호가 감지되는 행에 연결된 물리 키가 온(on) 상태인 것을 감지할 수 있다.
일 실시예에 따르면, 리포터(415)는, 키 매트릭스 스캐너(412)가 감지한 온(on) 상태의 물리 키에 대응하는 키 값을 입력 모듈 드라이버(421)에 제공할 수 있다. 일 실시예에 따르면, 리포터(415)는, 키 디텍터(413)에 의해 지정된 조건에 대응하는 키 입력이 감지되는 경우, 제2 인공지능 모델(414)을 통해 결정된, 키 입력에 대응하는 키 값을 입력 모듈 드라이버(421)에 제공할 수 있다.
일 실시예에 따르면, 키 디텍터(413)는, 사용자로부터 수신한 키 입력이 지정된 조건에 대응하는 것을 인식(또는, 감지)할 수 있다. 예를 들어, 지정된 조건은 사용자로부터 수신한 키 입력이 고스트 현상을 야기하는 키 입력들에 대응하는 경우일 수 있다. 일 실시예에 따르면, 키 디텍터(413)는, 사용자로부터 순차적으로 수신한 복수의 키 입력들이 키 매트릭스에 연결된 2개의 행들 및 2개의 열들로 지정되는 4개의 물리 키들 중 3개의 물리 키들을 온(on) 상태에 있도록 하는 키 입력에 대응하는 것을 인식할 수 있다.
일 실시예에 따르면 제2 인공지능 모델(414)은, 키 디텍터(413)가 사용자로부터 수신한 키 입력이 지정된 조건에 대응하는 것을 인식하는 경우, 키 입력 중 적어도 하나의 키 입력에 대응하는 키 값을 결정할 수 있다. 일 실시예에 따르면, 키 매트릭스에 연결된 2개의 행들 및 2개의 열들로 지정되는 4개의 물리 키들 중 3개의 물리 키들이 온(on) 상태가 되면, 제2 인공지능 모델(414)은, 사용자로부터 세 번째로 수신한 키 입력에 대응하는 키 값을 결정할 수 있다. 일 실시예에 따르면, 제2 인공지능 모델(414)은, 제1 인공지능 모델(423)이 사용자의 노멀 상태(예: 지정된 조건에 대응하는 키 입력이 수신되지 않은 상태)의 키 입력 패턴을 학습하여 생성한 가중치를 획득할 수 있다. 제2 인공지능 모델(414)은, 지정된 조건에 대응하는 키 입력(예: 고스트 현상을 유발하는 키 입력)이 감지된 경우, 획득한 가중치를 이용하여 사용자로부터 수신한 세 번째 키 입력(예: 고스트 현상을 유발하는 키 입력)에 대응하는 키 값을 결정할 수 있다. 제2 인공지능 모델(414)은 결정된 키 값을 리포터(415)에 제공할 수 있다. 제2 인공지능 모델(414)은, 키 값을 결정하기 위하여 사용자로부터 다시 키 입력을 수신하지 않고, 사용자의 키 입력 패턴에 기초하여 키 값을 결정할 수 있다.
일 실시예에 따르면, 입력 모듈 드라이버(421)는, 입력 모듈(410)을 제어할 수 있다. 예를 들어, 입력 모듈 드라이버(421)는, 키 입력에 대응하는 키 값을 리포터(415)로부터 수신할 수 있다. 입력 모듈 드라이버(421)는, 수신한 키 값을 운영체제(422)에 제공할 수 있다.
일 실시예에 따르면, 운영체제(operating system)(422)는, 사용자가 제공한 키 입력에 대응하는 키 값을 이용하여 프로세서(420)를 동작시킬 수 있다. 예를 들어, 운영체제(422)는 입력 모듈 드라이버(421)로부터 수신한 키 값에 기반하여 프로세서(420)의 다양한 동작들을 수행할 수 있다.
일 실시예에 따르면, 제1 인공지능 모델(423)은, 사용자의 키 입력들을 이용하여 사용자의 키 입력 패턴을 학습할 수 있다. 예를 들어, 제1 인공지능 모델(423)은, 평상 시(예: 노멀 상태)의 사용자의 키 입력에 대응하는 키 값을 이용하여 학습할 수 있다. 예를 들어, 평상 시(예: 노멀 상태)의 사용자의 키 입력은 지정된 조건에 대응하지 않는(또는, 고스트 현상을 유발하지 않는) 키 입력일 수 있다. 예를 들어, 제1 인공지능 모델(423)은, 사용자의 키 입력 패턴(예: 자주 사용하는 키 입력들 또는 자주 사용하는 키 입력들의 입력 순서)을 학습할 수 있다. 일 실시예에 따르면, 제1 인공지능 모델(423)은, 평상 시의 사용자의 키 입력 패턴에 기초하여 키 입력에 대응하는 키 값을 결정하기 위한 가중치를 생성할 수 있다. 예를 들어, 제1 인공지능 모델(423)은, 사용자의 키 입력이 지정된 조건에 대응하는 경우, 사용자의 키 입력에 대응하는 키 값을 결정하기 위한 가중치를 생성할 수 있다. 제1 인공지능 모델(423)은 생성한 가중치를 제2 인공지능 모델(414)에 제공할 수 있다. 다양한 실시예에서, 제1 인공지능 모델(423)은 전자 장치(401) 내에서 동작하는 온-보드 기계학습(on-board machine learning) 모듈 내에 포함되거나, 외부 전자 장치(예: 외부 서버)에 포함될 수 있다. 또는, 제1 인공지능 모델(423)은 제2 인공지능모델(414)과 통합적으로 실행될 수 있다.
일 실시예에 따르면, 입력 모듈(410)이 전자 장치(401)가 아닌 다른 외부 전자 장치에 포함되는 경우, 외부 전자 장치는 전자 장치(401)와 유선으로 연결되거나(plug in) 또는 무선 인터페이스를 통하여 무선으로 연결될 수 있다. 제1 인공지능 모델(423)은, 입력 모듈(410)이 유선 및/또는 무선으로 전자 장치(401)와 연결될 때 실행되어 사용자의 키 입력 패턴을 학습할 수 있다. 입력 모듈(410)과 전자 장치(401) 사이의 연결이 끊어지는 경우 제1 인공지능 모델(423)은 중지될 수 있다.
일 실시예에 따르면, 입력 모듈(410)은, 사용자 계정 정보에 기반하여 사용자 별 키 입력 패턴을 학습할 수 있다. 예를 들어, 입력 모듈(410)은 전자 장치(401)(또는, 프로세서(420))와 유선 및/또는 무선으로 연결되는 경우, 입력 모듈(410)의 사용자를 나타내는 사용자 고유 값을 프로세서(420)에 제공할 수 있다. 프로세서(420)는, 수신한 사용자 고유 값에 기반하여, 제1 인공지능 모델(423)이 사용자 별로 구분된 사용자의 키 입력 패턴을 학습하도록 할 수 있다. 예를 들어, 프로세서(420)는 사용자(또는, 사용자 계정 정보)에 기초하여 구별되는 복수의 제1 인공지능 모델들(미도시)을 포함할 수 있다. 프로세서(420)는, 사용자 고유 값에 따라 복수의 제1 인공지능 모델들 중 하나를 선택하고, 선택한 제1 인공지능 모델을 이용하여 해당 사용자의 키 입력 패턴을 학습할 수 있다.
도 4b는 다양한 실시예에 따른, 인공지능 모델 중 순환 신경망(RNN) 모델을 예시적으로 도시한다. 도 4a에 도시된 제1 인공지능 모델(423) 및 제2 인공지능 모델(414)은 도 4b의 순환 신경망 모델(430)을 포함할 수 있다.
일 실시예에 따르면, 순환 신경망 모델(430)은 입력 레이어(input layer)(431), 은닉 레이어(hidden layer)(433), 및 출력 레이어(output)(435)를 포함할 수 있다.
일 실시예에 따르면, 입력 레이어(431)는 사용자의 키 입력들을 입력 받을 수 있다. 일 실시예에 따르면, 은닉 레이어(433)는 사용자의 키 입력들을 이용하여 입력 습관을 학습할 수 있다. 일 실시예에 따르면, 출력 레이어(435)는 학습한 사용자의 입력 습관에 기초하여 사용자의 키 입력에 대응하는 키 값을 결정할 수 있다.
일 실시예에 따르면, 제1 인공지능 모델(423)은 순환 신경망 모델(430)을 이용하여 평상 시(예: 노멀 상태)의 사용자의 키 입력 패턴을 학습할 수 있다. 제1 인공지능 모델(423)은, 지속적으로 사용자의 키 입력 패턴을 학습하므로 학습 데이터의 양이 많을 수 있다. 일 실시예에 따르면, 제1 인공지능 모델(423)은, 사용자의 키 입력이 지정된 조건(예: 에 대응하는 경우 키 입력에 대응하는 키 값을 결정하기 위한 가중치를 생성할 수 있다. 제1 인공지능 모델(423)은 생성한 가중치를 출력 레이어(435)를 통해 출력할 수 있다.
일 실시예에 따르면, 제2 인공지능 모델(414)은, 사용자의 키 입력이 지정된 조건에 대응하는 경우, 키 입력에 대응하는 키 값을 결정할 수 있다. 일 실시예에 따르면, 제2 인공지능 모델(414)은 제1 인공지능 모델(423)로부터 가중치를 수신할 수 있다. 일 실시예에 따르면, 제2 인공지능 모델(414)에 포함된 은닉 레이어(433)의 가중치는, 제1 인공지능 모델(423)로부터 수신한 가중치에 대응하는 값으로 설정될 수 있다. 예를 들어, 제2 인공지능 모델(414)에 포함된 은닉 레이어(433)는 제1 인공지능 모델(423)로부터 수신한 가중치가 적용(또는, 반영)될 수 있다. 일 실시예에 따르면, 제2 인공지능 모델(414)은, 설정된(또는, 적용된) 가중치를 이용하여 지정된 조건에 대응하는 사용자의 키 입력을 학습할 수 있다. 제2 인공지능 모델(414)은 지정된 조건에 대응하는 사용자의 키 입력을 학습한 결과, 키 입력에 대응하는 키 값을 결정할 수 있다. 예를 들어, 사용자의 복수의 키 입력에 따라 2개의 행들 및 2개의 열들을 공유하는 4개의 물리 키들 중 3개의 물리 키들이 온(on) 상태가 된 경우, 제2 인공지능 모델(414)은 학습 결과에 기초하여 세 번째 키 입력에 대응하는 키 값을 결정할 수 있다. 다양한 실시예에 따르면, 전자 장치(401)는, 인공지능 모델을 이용하여 사용자의 키 입력에 대응하는 키 값을 결정함으로써, 추가적인 전기 소자(예: 다이오드)로 인한 회로 구현의 복잡도를 상승시키지 않을 수 있다. 또한, 전자 장치(401)는, 사용자로부터 키 입력을 재수신하지 않고 인공지능 모델을 이용하여 사용자의 키 입력에 대응하는 키 값을 결정함으로써, 사용자 편의성을 향상시킬 수 있다.
본 개시의 일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101) 또는 도 2의 전자 장치(201) 또는 도 3의 전자 장치(301) 또는 도 4a 내지 도 4b의 전자 장치(401))는, 입력 모듈(예: 도 1의 입력 모듈(150) 또는 도 2의 입력 모듈(220) 또는 도 3의 입력 모듈(310) 또는 도 4a 내지 도 4b의 입력 모듈(410)), 메모리(예: 도 1의 메모리(130) 또는 도 3의 메모리(320)) 및 상기 입력 모듈 및 상기 메모리와 작동적으로 연결되는 프로세서(예: 도 1의 프로세서(120) 또는 도 2의 제1 프로세서(210) 또는 제2 프로세서(221) 또는 도 3의 프로세서(330) 또는 도 4a의 프로세서(420))를 포함할 수 있다. 일 실시예에 따르면, 상기 메모리는, 실행 시, 상기 프로세서가, 사용자로부터 상기 입력 모듈을 통해 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 포함하는 복수의 키 입력들을 수신하고, 상기 수신한 복수의 키 입력들이 지정된 조건에 대응하는지 여부를 인식하고, 상기 수신한 복수의 키 입력들이 상기 지정된 조건에 대응하는 것에 기반하여, 상기 사용자의 키 입력 패턴을 인공지능 모델을 이용하여 학습한 결과에 기초하여 상기 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정하도록 하는 인스트럭션들을 포함할 수 있다.
일 실시예에 따르면, 상기 입력 모듈은, 복수의 행들(rows) 및 복수의 열들(columns)을 포함하는 매트릭스 형태로 배열되는 복수의 물리 키(physical key)들을 포함할 수 있다.
일 실시예에 따르면, 상기 인스트럭션들은, 상기 프로세서가, 상기 제1 키 입력, 상기 제2 키 입력, 및 상기 제3 키 입력이, 상기 복수의 행들 중 제1 행 및 제2 행 및 상기 복수의 열들 중 제1 열 및 제2 열에 의해서 지정되는 4개의 물리 키들 중 3개의 물리 키들에 대응하는 키 입력들인 경우에 상기 지정된 조건에 대응하는 것을 인식하도록 할 수 있다.
일 실시예에 따르면, 상기 복수의 물리 키들은, 제1 물리 키, 제2 물리 키, 제3 물리 키, 및 제4 물리 키를 포함하고, 상기 인스트럭션들은, 상기 프로세서가, 상기 제1 키 입력에 대응하는 상기 제1 물리 키가 온(on) 되는 것을 기초로, 상기 제1 물리 키에 대응하는 제1 키 값을 획득하고, 상기 제1 물리 키가 온(on) 상태에서 상기 제2 키 입력에 대응하는 상기 제2 물리 키가 온(on) 되는 것을 기초로, 상기 제2 물리 키에 대응하는 제2 키 값을 획득하고, 상기 제1 물리 키 및 상기 제2 물리 키가 온(on) 상태에서, 상기 제3 키 입력에 대응하는 상기 제3 물리 키가 온(on) 되는 것을 기초로 상기 지정된 조건에 대응하는 것을 인식하고, 상기 제3 물리 키에 대응하는 제3 키 값 또는 상기 제4 물리 키에 대응하는 제4 키 값 중에서, 상기 인공지능 모델을 이용하여 학습한 결과에 기반하여 상기 제3 키 입력에 대응하는 상기 키 값을 결정하도록 할 수 있다.
일 실시예에 따르면, 상기 제1 물리 키, 상기 제2 물리 키, 상기 제3 물리 키, 및 상기 제4 물리 키 각각은, 상기 복수의 행들 중에서 선택된 2개의 행들 및 상기 복수의 열들 중에서 선택된 2개의 열들을 통하여 전달되는 전기적인 신호를 제어하도록 구성된 스위치를 포함할 수 있다.
일 실시예에 따르면, 상기 인공지능 모델은 순환 신경망(recurrent neural network, RNN) 모델을 포함할 수 있다.
일 실시예에 따르면, 상기 인스트럭션들은, 상기 프로세서가, 상기 제1 키 입력, 상기 제2 키 입력, 및 상기 제3 키 입력 중 세 번째로 수신된 키 입력에 대응하는 키 값을, 상기 인공지능 모델을 이용하여 학습한 결과에 따라 결정하도록 할 수 있다.
일 실시예에 따르면, 상기 인스트럭션들은, 상기 프로세서가, 상기 적어도 하나의 키 입력을 상기 사용자로부터 재수신하지 않고, 상기 인공지능 모델을 이용하여 학습한 결과에 따라 상기 키 값을 결정하도록 할 수 있다.
일 실시예에 따르면, 상기 인공지능 모델은 제1 인공지능 모델 및 제2 인공지능 모델을 포함하고, 상기 인스트럭션들은, 상기 프로세서가, 상기 사용자의 상기 키 입력 패턴을 상기 제1 인공지능 모델을 이용하여 학습하고, 상기 제1 인공지능 모델을 이용하여 학습한 결과로 상기 지정된 조건과 관련된 가중치를 생성하고, 상기 생성된 가중치가 적용된 상기 제2 인공지능 모델을 통하여, 상기 적어도 하나의 키 입력에 대응하는 상기 키 값을 결정하도록 할 수 있다.
일 실시예에 따르면, 상기 인스트럭션들은, 상기 프로세서가, 상기 사용자의 상기 키 입력 패턴을 상기 인공지능 모델을 이용하여 학습한 결과로 가중치를 생성하고, 상기 생성한 가중치를 외부 전자 장치에 제공하고, 상기 외부 전자 장치로부터 상기 키 값을 수신하도록 하고, 상기 키 값은, 상기 외부 전자 장치에 포함되고, 상기 가중치가 적용된 인공지능 모델이 상기 복수의 키 입력을 학습한 결과로 결정된 값일 수 있다.
도 5는 다양한 실시예에 따른, 전자 장치의 동작 방법의 흐름도이다.
일 실시예에 따르면, 510 동작에서, 전자 장치(예: 도 1의 전자 장치(101) 또는 도 2의 전자 장치(201) 또는 도 3의 전자 장치(301) 또는 도 4a 내지 도 4b의 전자 장치(401))는, 사용자로부터 입력 모듈(예: 도 1의 입력 모듈(150) 또는 도 2의 입력 모듈(220) 또는 도 3의 입력 모듈(310) 또는 도 4a 내지 도 4b의 입력 모듈(410))을 통해 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 포함하는 복수의 키 입력들을 수신할 수 있다. 예를 들어, 키 입력은, 사용자가 입력 모듈의 물리 키를 물리적으로 누르는 입력에 대응할 수 있다. 일 실시예에 따르면, 입력 모듈은, 복수의 행들, 복수의 열들 및 복수의 물리 키들을 포함하는 키 매트릭스를 포함할 수 있다. 복수의 행들 및 복수의 열들은 전기적인 신호를 전달하기 위한 회로 배선에 대응할 수 있다. 복수의 물리 키들 각각은, 상기 복수의 행들 중 하나의 행과 상기 복수의 열들 중 하나의 열과 연결되도록 구성될 수 있다. 예를 들어, 물리 키는, 전기적인 경로를 통하여 전달되는 전기적인 신호를 온(on) 또는 오프(off)하도록 구성되는 스위치를 포함할 수 있고, 상기 전기적인 경로는 복수의 행들 중 하나의 행과 복수의 열들 중 하나의 열에 의해 형성될 수 있다.
일 실시예에 따르면, 520 동작에서, 전자 장치는 수신한 복수의 키 입력들이 지정된 조건에 대응하는지 여부를 인식할 수 있다. 예를 들면, 지정된 조건은, 수신한 복수의 키 입력들이 고스트 현상을 야기하는 키 입력들인 경우에 대응할 수 있다.
일 실시예에 따르면, 사용자로부터 수신한 복수의 키 입력들에 의하여, 복수의 행들 중 2개의 행들 및 복수의 열들 중 2개의 열들에 의해서 지정되는 4개의 물리 키들 중 3개의 물리 키들이 온(on) 상태에 있을 수 있다. 이 경우 전자 장치는 수신한 복수의 키 입력들이 지정된 조건에 대응하는 것으로 인식할 수 있다.
일 실시예에 따르면, 530 동작에서, 전자 장치는, 수신한 복수의 키 입력들이 지정된 조건에 대응하는 것에 기반하여, 사용자의 키 입력 패턴을 인공지능 모델을 이용하여 학습한 결과에 기초하여 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정할 수 있다. 일 실시예에 따르면, 전자 장치는, 수신한 복수의 키 입력들이 상기 4개의 물리 키들 중 3개의 물리 키들을 누르는 입력들(예: 3개의 물리 키들이 온(on) 상태가 되도록 하는 입력들)에 대응하는 경우, 상기 제1 키 입력 내지 제3 키 입력 중 입력된 순서에 따라 마지막으로(예: 세 번째) 입력된 제3 키 입력에 대응하는 키 값을 결정할 수 있다. 전자 장치는, 상기 제3 키 입력에 대응하는 키 값을 결정하기 위하여 인공지능 모델을 이용할 수 있다. 예를 들어, 인공지능 모델은 순환 신경망 모델을 포함할 수 있다. 전자 장치는, 사용자의 평상 시의 키 입력 패턴을 상기 인공지능 모델을 통해 학습한 결과에 기초하여 상기 제3 키 입력에 대응하는 키 값을 결정할 수 있다. 전자 장치는, 사용자에게 적어도 하나의 키 입력을 다시 요청하지 않고, 사용자의 키 입력 패턴을 학습한 결과에 기초하여 제3 키 입력에 대응하는 키 값을 결정할 수 있다.
도 6은 다양한 실시예에 따른, 전자 장치의 입력 모듈의 동작 방법의 흐름도이다.
일 실시예에 따르면, 610 동작에서, 전자 장치(예: 도 1의 전자 장치(101) 또는 도 2의 전자 장치(201) 또는 도 3의 전자 장치(301) 또는 도 4a 내지 도 4b의 전자 장치(401))의 입력 모듈(예: 도 1의 입력 모듈(150) 또는 도 2의 입력 모듈(220) 또는 도 3의 입력 모듈(310) 또는 도 4a 내지 도 4b의 입력 모듈(410))은 사용자로부터 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 포함하는 복수의 키 입력들을 수신할 수 있다. 일 실시예에 따르면, 입력 모듈은, 복수의 행들, 복수의 열들 및 상기 복수의 행들 및 상기 복수의 열들에 각각에 연결되는 복수의 물리 키들을 포함하는 키 매트릭스를 포함할 수 있다. 예를 들어, 키 입력은 사용자가 입력 모듈에 포함된 물리 키를 물리적으로 누르는 입력에 대응할 수 있다.
일 실시예에 따르면, 620 동작에서, 입력 모듈은 수신한 복수의 키 입력들이 지정된 조건에 대응하는지 여부를 판단할 수 있다. 예를 들면, 지정된 조건은, 수신한 복수의 키 입력들 중 적어도 하나가 고스트 현상을 야기하는 키 입력을 포함하는 경우에 대응할 수 있다. 일 실시예에 따르면, 입력 모듈은, 사용자로부터 수신한 키 입력에 의하여 복수의 행들 중 2개의 행들 및 복수의 열들 중 2개의 열들에 의해서 지정되는 4개의 물리 키들 중 3개의 물리 키들이 온(on) 상태가 되는지 여부를 판단할 수 있다. 예를 들어, 제1 키 입력 및 제2 키 입력은 지정된 조건에 대응하지 않는 키 입력들(예: 고스트 현상을 유발하는 키 입력 이전에 입력된 키 입력)이고, 제3 키 입력은 지정된 조건에 대응하는 키 입력(예: 고스트 현상을 유발하는 키 입력)일 수 있다. 일 실시예에서, 입력 모듈은, 수신한 복수의 키 입력들이 지정된 조건에 대응하는 경우 630 동작을 수행할 수 있다. 다른 예에서, 입력 모듈은, 수신한 복수의 키 입력들이 지정된 조건에 대응하지 않는 경우 640 동작을 수행할 수 있다.
일 실시예에 따르면, 630 동작에서, 입력 모듈은, 사용자의 키 입력 패턴을 인공지능 모델을 이용하여 학습한 결과에 기초하여, 수신한 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정할 수 있다. 예를 들어, 입력 모듈은, 사용자의 키 입력 패턴을 인공지능 모델을 이용하여 학습한 결과에 기초하여, 지정된 조건에 대응하는 제3 키 입력에 대응하는 키 값을 결정할 수 있다. 일 실시예에 따르면, 630 동작에서, 입력 모듈은, 인공지능 모델(예: 도 4a의 제1 인공지능 모델(423) 또는 제2 인공지능 모델(414) 중 적어도 하나)을 이용하여, 수신한 키 입력 중 적어도 하나의 키 입력에 대응하는 키 값을 결정할 수 있다. 예를 들어, 전자 장치의 입력 모듈은, 프로세서(예: 도 1의 프로세서(120) 또는 도 2의 제1 프로세서(210) 또는 도 3의 프로세서(330) 또는 도 4a의 프로세서(420))로부터 수신한 가중치가 적용된 제2 인공지능 모델을 이용하여, 사용자로부터 수신된 순서에 따라 마지막으로(예: 세 번째) 입력된 키 입력에 대응하는 키 값을 결정할 수 있다. 일 실시예에 따르면, 입력 모듈은, 사용자에게 적어도 하나의 키 입력을 다시 요청하지 않고, 사용자의 키 입력 패턴을 학습한 결과에 기초하여 적어도 하나의 키 입력(예: 세 번째로 수신한 키 입력)에 대응하는 키 값을 결정할 수 있다.
일 실시예에 따르면, 640 동작에서, 입력 모듈은 사용자로부터 수신한 복수의 키 입력에 대응하는 키 값을 프로세서에 전달할 수 있다. 일 실시예에서, 입력 모듈은, 630 동작에서 인공지능 모델을 통해 결정(또는, 예측)한 제3 키 입력(예: 복수의 키 입력들 중 고스트 현상을 유발한 키 입력)에 대응하는 키 값을 프로세서에 전달할 수 있다. 일 실시예에서, 입력 모듈은, 제1 키 입력 및 제2 키 입력(예: 복수의 키 입력들 중 고스트 현상을 유발한 키 입력 이전에 입력된 키 입력) 각각에 대응하는 키 값들을 프로세서에 전달할 수 있다. 예를 들어, 제1 키 입력 및 제2 키 입력에 대응하는 키 값들은, 해당 키 입력들에 의해서 오프(off) 상태에서 온(on) 상태로 변경된 스위치들 각각에 대응하는 키 값들일 수 있다.
일 실시예에 따르면, 650 동작에서, 입력 모듈은, 프로세서로부터 가중치를 수신하여 수신된 가중치를 제2 인공지능 모델(414)에 적용할 수 있다.
도 7은 다양한 실시예에 따른, 전자 장치의 프로세서의 동작 방법의 흐름도이다.
일 실시예에 따르면, 710 동작에서, 전자 장치(예: 도 1의 전자 장치(101) 또는 도 2의 전자 장치(201) 또는 도 3의 전자 장치(301) 또는 도 4a 내지 도 4b의 전자 장치(401))의 프로세서(예: 도 1의 프로세서(120) 또는 도 2의 제1 프로세서(210) 또는 도 3의 프로세서(330) 또는 도 4a의 프로세서(420))는, 사용자로부터 사용자의 키 입력에 대응하는 키 값을 수신(또는, 인식)할 수 있다.
일 실시예에 따르면, 720 동작에서, 프로세서는, 사용자의 키 입력에 대응하는 키 값을 제1 인공지능 모델(예: 도 4a의 제1 인공지능 모델(423))을 이용하여 학습할 수 있다. 예를 들어, 프로세서는 제1 인공지능 모델을 이용하여 사용자의 평상 시(예: 노멀 상태)의 키 입력 패턴을 학습할 수 있다. 예를 들어, 제1 인공지능 모델은 순환 신경망 모델을 포함할 수 있다.
일 실시예에 따르면, 730 동작에서, 프로세서는, 제1 인공지능 모델을 이용하여 가중치를 생성할 수 있다. 예를 들어, 가중치는, 사용자의 키 입력이 지정된 조건에 대응하는 경우에 수신한 키 입력 중 적어도 하나의 키 입력에 대응하는 키 값을 결정하기 위한 값을 포함할 수 있다.
일 실시예에 따르면, 740 동작에서, 프로세서는, 수신한 키 입력이 지정된 조건에 대응하는 경우, 730 동작에서 생성한 가중치를 제2 인공지능 모델(예: 도 4a의 제2 인공지능 모델(414))에 적용할 수 있다. 예를 들어, 제2 인공지능 모델은 순환 신경망 모델을 포함할 수 있다. 예를 들어, 입력 모듈의 제2 인공지능 모델은, 수신한 키 입력 중 적어도 하나의 키 입력에 대응하는 키 값을 결정하기 위한 모델일 수 있다.
본 개시의 일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101) 또는 도 2의 전자 장치(201) 또는 도 3의 전자 장치(301) 또는 도 4a 내지 도 4b의 전자 장치(401))의 동작 방법은, 사용자로부터 상기 전자 장치의 입력 모듈(예: 도 1의 입력 모듈(150) 또는 도 2의 입력 모듈(220) 또는 도 3의 입력 모듈(310) 또는 도 4a 내지 도 4b의 입력 모듈(410))을 통해 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 포함하는 복수의 키 입력들을 수신하는 동작, 상기 수신한 복수의 키 입력들이 지정된 조건에 대응하는지 여부를 인식하는 동작 및 상기 수신한 복수의 키 입력들이 상기 지정된 조건에 대응하는 것에 기반하여, 상기 사용자의 키 입력 패턴을 상기 전자 장치의 인공지능 모델을 이용하여 학습한 결과에 기초하여 상기 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 입력 모듈은, 복수의 행들(rows) 및 복수의 열들(columns)을 포함하는 매트릭스 형태로 배열되는 복수의 물리 키(physical key)들을 포함할 수 있다.
일 실시예에 따르면, 상기 인식하는 동작은, 상기 제1 키 입력, 상기 제2 키 입력, 및 상기 제3 키 입력이, 상기 복수의 행들 중 제1 행 및 제2 행 및 상기 복수의 열들 중 제1 열 및 제2 열에 의해서 지정되는 4개의 물리 키들 중 3개의 물리 키들에 대응하는 키 입력들인 것을 기초로, 상기 지정된 조건에 대응하는 것을 인식하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 복수의 물리 키들은, 제1 물리 키, 제2 물리 키, 제3 물리 키, 및 제4 물리 키를 포함하고, 상기 인식하는 동작은, 상기 제1 키 입력에 대응하는 상기 제1 물리 키가 온(on) 되는 것을 기초로, 상기 제1 물리 키에 대응하는 제1 키 값을 획득하는 동작, 상기 제1 물리 키가 온(on) 상태에서 상기 제2 키 입력에 대응하는 상기 제2 물리 키가 온(on) 되는 것을 기초로, 상기 제2 물리 키에 대응하는 제2 키 값을 획득하는 동작 및 상기 제1 물리 키 및 상기 제2 물리 키가 온(on) 상태에서, 상기 제3 키 입력에 대응하는 상기 제3 물리 키가 온(on) 되는 것을 기초로 상기 지정된 조건에 대응함을 인식하는 동작을 포함하고, 상기 결정하는 동작은, 상기 제3 물리 키에 대응하는 제3 키 값 또는 상기 제4 물리 키에 대응하는 제4 키 값 중에서, 상기 인공지능 모델을 이용하여 학습한 결과에 기반하여 상기 제3 키 입력에 대응하는 상기 키 값을 결정하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 물리 키, 상기 제2 물리 키, 상기 제3 물리 키, 및 상기 제4 물리 키 각각은, 상기 복수의 행들 중에서 선택된 2개의 행들 및 상기 복수의 열들 중에서 선택된 2개의 열들을 통하여 전달되는 전기적인 신호를 제어하도록 구성된 스위치를 포함할 수 있다.
일 실시예에 따르면, 상기 인공지능 모델은 순환 신경망(recurrent neural network, RNN) 모델을 포함할 수 있다.
일 실시예에 따르면, 상기 결정하는 동작은, 상기 제1 키 입력, 상기 제2 키 입력, 및 상기 제3 키 입력 중 세 번째로 수신된 키 입력에 대응하는 키 값을, 상기 인공지능 모델을 이용하여 학습한 결과에 따라 결정하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 결정하는 동작은, 상기 적어도 하나의 키 입력을 상기 사용자로부터 재수신하지 않고, 상기 인공지능 모델을 이용하여 학습한 결과에 따라 상기 키 값을 결정하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 인공지능 모델은 제1 인공지능 모델 및 제2 인공지능 모델을 포함하고, 상기 방법은, 상기 사용자의 상기 키 입력 패턴을 상기 제1 인공지능 모델을 이용하여 학습하는 동작 및 상기 제1 인공지능 모델을 이용하여 학습한 결과로 상기 지정된 조건과 관련된 가중치를 생성하는 동작을 더 포함하고, 상기 결정하는 동작은, 상기 생성된 가중치가 적용된 상기 제2 인공지능 모델을 통하여, 상기 적어도 하나의 키 입력에 대응하는 상기 키 값을 결정하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 결정하는 동작은, 상기 사용자의 상기 키 입력 패턴을 상기 인공지능 모델을 이용하여 학습한 결과로 가중치를 생성하는 동작, 상기 생성한 가중치를 외부 전자 장치에 제공하는 동작 및 상기 외부 전자 장치로부터 상기 키 값을 수신하는 동작을 포함하고, 상기 키 값은, 상기 외부 전자 장치에 포함되고, 상기 가중치가 적용된 인공지능 모델이 상기 복수의 키 입력을 학습한 결과로 결정된 값을 포함할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어™)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (20)

  1. 전자 장치에 있어서,
    입력 모듈;
    메모리; 및
    상기 입력 모듈 및 상기 메모리와 작동적으로(operatively) 연결되는 프로세서를 포함하고,
    상기 메모리는, 실행 시, 상기 프로세서가,
    사용자로부터 상기 입력 모듈을 통해 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 포함하는 복수의 키 입력들을 수신하고,
    상기 수신한 복수의 키 입력들이 지정된 조건에 대응하는지 여부를 인식하고,
    상기 수신한 복수의 키 입력들이 상기 지정된 조건에 대응하는 것에 기반하여, 상기 사용자의 키 입력 패턴을 인공지능 모델을 이용하여 학습한 결과에 기초하여 상기 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정하도록 하는 인스트럭션들(instructions)을 포함하는, 전자 장치.
  2. 제1항에 있어서,
    상기 입력 모듈은,
    복수의 행들(rows) 및 복수의 열들(columns)을 포함하는 매트릭스 형태로 배열되는 복수의 물리 키(physical key)들을 포함하는, 전자 장치.
  3. 제2항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가,
    상기 제1 키 입력, 상기 제2 키 입력, 및 상기 제3 키 입력이, 상기 복수의 행들 중 제1 행 및 제2 행 및 상기 복수의 열들 중 제1 열 및 제2 열에 의해서 지정되는 4개의 물리 키들 중 3개의 물리 키들에 대응하는 키 입력들인 경우에 상기 지정된 조건에 대응하는 것을 인식하도록 하는, 전자 장치.
  4. 제2항에 있어서,
    상기 복수의 물리 키들은, 제1 물리 키, 제2 물리 키, 제3 물리 키, 및 제4 물리 키를 포함하고,
    상기 인스트럭션들은, 상기 프로세서가,
    상기 제1 키 입력에 대응하는 상기 제1 물리 키가 온(on) 되는 것을 기초로, 상기 제1 물리 키에 대응하는 제1 키 값을 획득하고,
    상기 제1 물리 키가 온(on) 상태에서 상기 제2 키 입력에 대응하는 상기 제2 물리 키가 온(on) 되는 것을 기초로, 상기 제2 물리 키에 대응하는 제2 키 값을 획득하고,
    상기 제1 물리 키 및 상기 제2 물리 키가 온(on) 상태에서, 상기 제3 키 입력에 대응하는 상기 제3 물리 키가 온(on) 되는 것을 기초로 상기 지정된 조건에 대응하는 것을 인식하고,
    상기 제3 물리 키에 대응하는 제3 키 값 또는 상기 제4 물리 키에 대응하는 제4 키 값 중에서, 상기 인공지능 모델을 이용하여 학습한 결과에 기반하여 상기 제3 키 입력에 대응하는 상기 키 값을 결정하도록 하는, 전자 장치.
  5. 제4항에 있어서,
    상기 제1 물리 키, 상기 제2 물리 키, 상기 제3 물리 키, 및 상기 제4 물리 키 각각은, 상기 복수의 행들 중에서 선택된 2개의 행들 및 상기 복수의 열들 중에서 선택된 2개의 열들을 통하여 전달되는 전기적인 신호를 제어하도록 구성된 스위치를 포함하는, 전자 장치.
  6. 제1항에 있어서,
    상기 인공지능 모델은 순환 신경망(recurrent neural network, RNN) 모델을 포함하는, 전자 장치.
  7. 제1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가,
    상기 제1 키 입력, 상기 제2 키 입력, 및 상기 제3 키 입력 중 세 번째로 수신된 키 입력에 대응하는 키 값을, 상기 인공지능 모델을 이용하여 학습한 결과에 따라 결정하도록 하는, 전자 장치.
  8. 제1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가,
    상기 적어도 하나의 키 입력을 상기 사용자로부터 재수신하지 않고, 상기 인공지능 모델을 이용하여 학습한 결과에 따라 상기 키 값을 결정하도록 하는, 전자 장치.
  9. 제1항에 있어서,
    상기 인공지능 모델은 제1 인공지능 모델 및 제2 인공지능 모델을 포함하고,
    상기 인스트럭션들은, 상기 프로세서가,
    상기 사용자의 상기 키 입력 패턴을 상기 제1 인공지능 모델을 이용하여 학습하고,
    상기 제1 인공지능 모델을 이용하여 학습한 결과로 상기 지정된 조건과 관련된 가중치를 생성하고,
    상기 생성된 가중치가 적용된 상기 제2 인공지능 모델을 통하여, 상기 적어도 하나의 키 입력에 대응하는 상기 키 값을 결정하도록 하는, 전자 장치.
  10. 제1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가,
    상기 사용자의 상기 키 입력 패턴을 상기 인공지능 모델을 이용하여 학습한 결과로 가중치를 생성하고,
    상기 생성한 가중치를 외부 전자 장치에 제공하고,
    상기 외부 전자 장치로부터 상기 키 값을 수신하도록 하고,
    상기 키 값은,
    상기 외부 전자 장치에 포함되고, 상기 가중치가 적용된 인공지능 모델이 상기 복수의 키 입력을 학습한 결과로 결정된 값인, 전자 장치.
  11. 전자 장치의 동작 방법에 있어서,
    사용자로부터 상기 전자 장치의 입력 모듈을 통해 제1 키 입력, 제2 키 입력, 및 제3 키 입력을 포함하는 복수의 키 입력들을 수신하는 동작;
    상기 수신한 복수의 키 입력들이 지정된 조건에 대응하는지 여부를 인식하는 동작; 및
    상기 수신한 복수의 키 입력들이 상기 지정된 조건에 대응하는 것에 기반하여, 상기 사용자의 키 입력 패턴을 상기 전자 장치의 인공지능 모델을 이용하여 학습한 결과에 기초하여 상기 복수의 키 입력들 중 적어도 하나의 키 입력에 대응하는 키 값을 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  12. 제11항에 있어서,
    상기 입력 모듈은, 복수의 행들(rows) 및 복수의 열들(columns)을 포함하는 매트릭스 형태로 배열되는 복수의 물리 키(physical key)들을 포함하는, 전자 장치의 동작 방법.
  13. 제12항에 있어서,
    상기 인식하는 동작은,
    상기 제1 키 입력, 상기 제2 키 입력, 및 상기 제3 키 입력이, 상기 복수의 행들 중 제1 행 및 제2 행 및 상기 복수의 열들 중 제1 열 및 제2 열에 의해서 지정되는 4개의 물리 키들 중 3개의 물리 키들에 대응하는 키 입력들인 것을 기초로, 상기 지정된 조건에 대응하는 것을 인식하는 동작을 포함하는, 전자 장치의 동작 방법.
  14. 제12항에 있어서,
    상기 복수의 물리 키들은, 제1 물리 키, 제2 물리 키, 제3 물리 키, 및 제4 물리 키를 포함하고,
    상기 인식하는 동작은,
    상기 제1 키 입력에 대응하는 상기 제1 물리 키가 온(on) 되는 것을 기초로, 상기 제1 물리 키에 대응하는 제1 키 값을 획득하는 동작;
    상기 제1 물리 키가 온(on) 상태에서 상기 제2 키 입력에 대응하는 상기 제2 물리 키가 온(on) 되는 것을 기초로, 상기 제2 물리 키에 대응하는 제2 키 값을 획득하는 동작; 및
    상기 제1 물리 키 및 상기 제2 물리 키가 온(on) 상태에서, 상기 제3 키 입력에 대응하는 상기 제3 물리 키가 온(on) 되는 것을 기초로 상기 지정된 조건에 대응함을 인식하는 동작을 포함하고,
    상기 결정하는 동작은,
    상기 제3 물리 키에 대응하는 제3 키 값 또는 상기 제4 물리 키에 대응하는 제4 키 값 중에서, 상기 인공지능 모델을 이용하여 학습한 결과에 기반하여 상기 제3 키 입력에 대응하는 상기 키 값을 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  15. 제14항에 있어서,
    상기 제1 물리 키, 상기 제2 물리 키, 상기 제3 물리 키, 및 상기 제4 물리 키 각각은, 상기 복수의 행들 중에서 선택된 2개의 행들 및 상기 복수의 열들 중에서 선택된 2개의 열들을 통하여 전달되는 전기적인 신호를 제어하도록 구성된 스위치를 포함하는, 전자 장치의 동작 방법.
  16. 제11항에 있어서,
    상기 인공지능 모델은 순환 신경망(recurrent neural network, RNN) 모델을 포함하는, 전자 장치의 동작 방법.
  17. 제11항에 있어서,
    상기 결정하는 동작은,
    상기 제1 키 입력, 상기 제2 키 입력, 및 상기 제3 키 입력 중 세 번째로 수신된 키 입력에 대응하는 키 값을, 상기 인공지능 모델을 이용하여 학습한 결과에 따라 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  18. 제11항에 있어서,
    상기 결정하는 동작은,
    상기 적어도 하나의 키 입력을 상기 사용자로부터 재수신하지 않고, 상기 인공지능 모델을 이용하여 학습한 결과에 따라 상기 키 값을 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  19. 제11항에 있어서,
    상기 인공지능 모델은 제1 인공지능 모델 및 제2 인공지능 모델을 포함하고,
    상기 사용자의 상기 키 입력 패턴을 상기 제1 인공지능 모델을 이용하여 학습하는 동작; 및
    상기 제1 인공지능 모델을 이용하여 학습한 결과로 상기 지정된 조건과 관련된 가중치를 생성하는 동작을 더 포함하고,
    상기 결정하는 동작은,
    상기 생성된 가중치가 적용된 상기 제2 인공지능 모델을 통하여, 상기 적어도 하나의 키 입력에 대응하는 상기 키 값을 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  20. 제11항에 있어서,
    상기 결정하는 동작은,
    상기 사용자의 상기 키 입력 패턴을 상기 인공지능 모델을 이용하여 학습한 결과로 가중치를 생성하는 동작;
    상기 생성한 가중치를 외부 전자 장치에 제공하는 동작; 및
    상기 외부 전자 장치로부터 상기 키 값을 수신하는 동작을 포함하고,
    상기 키 값은, 상기 외부 전자 장치에 포함되고, 상기 가중치가 적용된 인공지능 모델이 상기 복수의 키 입력을 학습한 결과로 결정된 값인, 전자 장치의 동작 방법.
KR1020210058784A 2021-05-06 2021-05-06 전자 장치 및 전자 장치의 동작 방법 KR20220151483A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210058784A KR20220151483A (ko) 2021-05-06 2021-05-06 전자 장치 및 전자 장치의 동작 방법
PCT/KR2022/005709 WO2022234984A1 (ko) 2021-05-06 2022-04-21 전자 장치 및 전자 장치의 동작 방법
US17/730,599 US11899852B2 (en) 2021-05-06 2022-04-27 Electronic device and operation method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210058784A KR20220151483A (ko) 2021-05-06 2021-05-06 전자 장치 및 전자 장치의 동작 방법

Publications (1)

Publication Number Publication Date
KR20220151483A true KR20220151483A (ko) 2022-11-15

Family

ID=83932380

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210058784A KR20220151483A (ko) 2021-05-06 2021-05-06 전자 장치 및 전자 장치의 동작 방법

Country Status (2)

Country Link
KR (1) KR20220151483A (ko)
WO (1) WO2022234984A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9678664B2 (en) * 2015-04-10 2017-06-13 Google Inc. Neural network for keyboard input decoding
KR101749336B1 (ko) * 2015-11-18 2017-07-03 공주대학교 산학협력단 키보드에서의 허상키 검출 장치 및 검출 방법
KR102128415B1 (ko) * 2018-10-19 2020-06-30 네이버 주식회사 딥러닝 모델 기반 키보드 오타 보정 방법 및 시스템
KR102231511B1 (ko) * 2019-05-29 2021-03-23 엘지전자 주식회사 가상 키보드 제어방법 및 제어장치
KR20210033394A (ko) * 2019-09-18 2021-03-26 삼성전자주식회사 전자 장치 및 그의 제어 방법

Also Published As

Publication number Publication date
WO2022234984A1 (ko) 2022-11-10

Similar Documents

Publication Publication Date Title
KR102256042B1 (ko) 입력을 유도하는 전자 장치 및 방법.
KR20230043549A (ko) 어플리케이션의 실행 화면을 표시하는 방법 및 이를 지원하는 전자 장치
KR20220151483A (ko) 전자 장치 및 전자 장치의 동작 방법
US11899852B2 (en) Electronic device and operation method thereof
US20230342209A1 (en) Service operation method and electronic device supporting same
KR20220168489A (ko) 저조도 노이즈를 제거하는 전자 장치 및 그 작동 방법
KR20230103785A (ko) 외부 전자 장치들과의 연결을 제어하기 위한 전자 장치 및 방법
KR20230060415A (ko) 통신 모듈을 식별하기 위한 구성 핀을 이용하여 안테나 장치를 제어하는 전자 장치 및 방법
KR20230040046A (ko) 멀티-페이즈 전력 컨버터 및 그 제어 방법
KR20230026894A (ko) 적어도 하나의 외부 장치를 제어하는 전자 장치 및 이의 동작 방법
KR20220124482A (ko) 디바이스를 식별하기 위한 회로를 포함하는 전자 장치 및 그 식별 방법
KR20230057825A (ko) 냉각 팬을 포함하는 전자 장치 및 그 제어 방법
KR20220144119A (ko) 전자 기기 제어를 위한 전자 장치 및 방법
KR20230036496A (ko) 신경망 모델을 처리하는 전자 장치와 이의 동작 방법
KR20230051865A (ko) 무선 통신 수행 방법 및 이를 지원하는 전자 장치
KR20230023397A (ko) 전자 장치 및 전자 장치의 동작 방법
KR20230091740A (ko) 기지국이 전송하는 신호의 빔 포밍 패턴을 결정하는 장치 및 방법
KR20230082518A (ko) 외부 기기를 제어하는 전자 장치 및 전자 장치의 동작 방법
KR20230088197A (ko) 전자 장치 및 상기 전자 장치에서 제스처의 오인식을 방지하는 방법
KR20230068936A (ko) 디바이스 위치 결정 방법 및 상기 방법을 수행하는 전자 장치
KR20230036021A (ko) 가상 키보드를 통하여 사용자 입력을 획득하는 전자 장치와 이의 동작 방법
KR20230049272A (ko) 전자 장치 및 전자 장치의 발열 성능 개선 방법
KR20220007381A (ko) 사용자 인증 방법 및 이를 지원하는 전자 장치
KR20230022772A (ko) 스와이프 입력에 기반하여 화면을 변경하는 전자 장치와 이의 동작 방법
KR20230028081A (ko) 어플리케이션의 실행 오류를 검출하는 전자 장치 및 그 작동 방법

Legal Events

Date Code Title Description
A201 Request for examination