KR20220165688A

KR20220165688A - 환경 인자 조절 장치 및 그 훈련 방법

Info

Publication number: KR20220165688A
Application number: KR1020220161257A
Authority: KR
Inventors: 김병찬; 신종선; 심상우; 윤성호
Original assignee: 주식회사 마키나락스
Priority date: 2020-04-24
Filing date: 2022-11-28
Publication date: 2022-12-15
Also published as: KR102472920B1; KR20210131604A; WO2021215635A1

Abstract

전술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 단계들을 수행하게 하는 명령들을 포함하며, 상기 단계들은:　원시 데이터(raw　data) 서브세트로부터 적어도 하나의 연속 구간을 인식하는 단계;　상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하는 단계; 및　상기 적어도 하나의 연속화 지점에 기초하여,　연속화 된　학습 데이터를 생성함으로써 학습 데이터 세트를 생성하는 단계;　를　포함할 수 있다.

Description

환경 인자 조절 장치 및 그 훈련 방법{ENVIRONMENT FACTOR CONTROL DEVICE AND TRAINING METHOD THEREOF}

본 발명은 컴퓨팅 장치를 이용한 환경 인자 조절 장치 및 그 훈련 방법에 관한 것으로, 보다 구체적으로 불연속적인 형태를 가진 학습 데이터를 연속적인 형태로 변형하는 방법에 관한 것이다.

일반적으로 미생물 배양 장치 등 24시간 모니터링 및 환경 인자 조절이 필요한 장치에 있어서, 종래 인간 조작자에 의한 원격 조절이 수행되어왔다.

이러한 종래의 조정 방식은 인간 조작자의 해당 분야에 관한 전문 지식에 기초하여 수행된다는 장점이 있으나, 해당 장치에 대한 실시간 조정이 불가능하다는 단점이 있다.

따라서, 인간 조작자의 조작 패턴에 기초하여 적절한 실시간 환경 인자 조절을 수행할 수 있는 장치 및 그러한 장치를 이용한 조절 방법에 대한 수요가 당업계에 존재한다.

대한민국 등록 특허 10-1129723호 미국 등록 특허 2012-0054131호 미국 특허 공개공보 2019/0250203호

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 환경 인자 조절 장치 자동화 모델의 훈련 방법을 제공하고자 한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 단계들을 수행하게 하는 명령들을 포함하며, 상기 단계들은:　원시 데이터(raw　data) 서브세트 각각으로부터 적어도 하나의 연속 구간을 인식하는 단계;　상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하는 단계; 및　상기 적어도 하나의 연속화 지점에 기초하여,　연속화 된　학습 데이터를 생성함으로써 학습 데이터 세트를 생성하는 단계;　를　포함할 수 있다.

또한, 상기 원시 데이터 서브세트는 계단 함수(step function)의 형태일 수 있다.

또한, 상기 연속화 지점은, 상기 연속 구간의 길이의 기 설정된 비율과 상기 연속 구간의 시작 지점 및 종료 지점에 기초하여 결정될 수 있다.

또한, 상기 기 설정된 비율은, 상기 원시 데이터의 유형에 따라 상이할 수 있다.

또한, 상기 연속화 지점은, 상기 연속 구간 내에서 2개 이상일 수 있다.

또한, 상기 연속화 지점은, 상기 연속 구간을 분할하는 둘 이상의 소구간 각각에 대해, 상기 소구간 각각의 시작 지점 및 종료 지점에 기초하여 결정될 수 있다.

또한, 상기 둘 이상의 소구간 각각의 길이는 상이할 수 있다.

또한, 상기 연속화된 학습 데이터를 생성하는 단계는, 상기 적어도 하나의 연속화 지점들 사이를 연결하는 복수의 지점들을 보간법을 통해 결정하는 단계; 를 포함할 수 있다.

또한, 상기 복수의 지점들은 일차함수 또는 다차함수로 보간되어 결정될 수 있다.

또한, 상기 보간법은, 선형 보간법(linear interpolation) 또는 스플라인 보간법(spline interpolation) 중 적어도 하나일 수 있다.

또한, 상기 학습 데이터 세트를 이용하여 환경 인자 조절 자동화 모델을 학습시키는 단계; 상기 환경 인자 조절 자동화 모델의 성능을 평가하는 단계; 및 상기 성능 평가 결과에 기초하여, 상기 연속화 지점을 재설정하여 새로운 학습 데이터 세트를 생성할 지 여부를 결정하는 단계; 를 더 포함할 수 있다.

또한, 상기 성능은 검증 데이터 세트(Validation data set)에 대한 MSE(Mean Square Error)에 기초하여 측정될 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 환경 인자 조절 자동화 장치가 개시된다. 상기 환경 인자 조절 자동화 장치는 메모리; 및 프로세서; 를 포함하고, 상기 프로세서는, 원시 데이터로부터 적어도 하나의 연속 구간을 인식하고, 상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하고, 상기 적어도 하나의 연속화 지점에 기초하여, 연속화 된 학습 데이터를 생성함으로써 학습 데이터 세트를 생성할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 데이터 구조가 저장된 컴퓨터 판독가능한 기록매체가 개시된다. 상기 데이터 구조가 저장된 컴퓨터 판독가능한 기록매체는, 학습 과정에서 적어도 일부가 업데이트 되는 뉴럴 네트워크의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 뉴럴 네트워크의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 학습 과정은: 원시 데이터(raw　data)로부터 적어도 하나의 연속 구간을 인식하는 단계;　상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하는 단계; 및　상기 적어도 하나의 연속화 지점에 기초하여,　연속화 된　학습 데이터를 생성함으로써 학습 데이터 세트를 생성하는 단계;　 를 포함할 수 있다.

본 개시는 환경 인자 조절 장치 자동화 모델의 훈련 방법을 제공할 수 있다.

도 1은 본 개시에 따른 환경 인자 조절 자동화 방법을 수행하기 위한 예시적인 컴퓨팅 장치를 도시한 블록도이다.
도 2는 본 개시의 일 실시예에 따라 환경 인자 조절 자동화 방법을 수행하기 위한 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시에 따른 네트워크 함수의 일 형태인 순환 뉴럴 네트워크의 일례를 도시한다.
도 4는 본 개시에 따른 프로세서가 환경 인자 조절 자동화 모델을 생성하는 방법의 일례를 도시한 순서도이다.
도 5는 본 개시에 따른 프로세서가 연속화 지점을 결정하는 것의 일례를 도시한다.
도 6a 및 도 6b는 본 개시에 따른 프로세서에 의해 보간법이 수행된 학습 데이터의 일례를 도시한다.
도 7은 본 개시에 따른 프로세서가 환경 인자 조절 자동화 모델을 생성하는 방법의 일례를 도시한 순서도이다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따른 환경 인자 조절 자동화 방법을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110) 및 메모리(120)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

도 2는 본 개시의 일 실시예에 따라 환경 인자 조절 자동화 방법을 수행하기 위한 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들이 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 3은 본 개시에 따른 인공 신경망의 형태인 순환 뉴럴 네트워크의 일례를 도시한다.

도 3에서 도시되는 바와 같이, 본 개시에 있어서 네트워크 함수는, 일반적인 인공 신경망의 형태뿐만 아니라, 순환 뉴럴 네트워크(RNN, Recurrent Neural Network) 형태를 가질 수 있다. 순환 뉴럴 네트워크는 유닛 간의 연결이　순환적 구조를 갖는 특징을 갖고 있다. 이러한 구조는 시변적 동적 특징을 모델링 할 수 있도록 신경망 내부에 상태를 저장할 수 있게 해준다.　전방 전달 신경망과 달리, 순환 뉴럴 네트워크는 내부의　메모리를 이용해 시퀀스　형태의 입력을 처리할 수 있다. 따라서 순환 뉴럴 네트워크는 필기체 인식이나　음성 인식과 같이 시변적 특징을 가지는 데이터를 처리할 수 있다. 전술한 데이터의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시에 따른 입력 데이터는 뉴럴 네트워크에 입력되는 데이터로서, 특히 신경망이 순환 뉴럴 네트워크인 경우 입력 데이터는 환경 인자에 대한 데이터일 수 있다.

본 개시에 따른 출력 데이터는 입력 데이터가 네트워크 함수를 거쳐 도출된 결과로서, 현재 시점에서 네트워크 함수가 도출한 환경 인자의 값일 수 있다.

예를 들어, 본 개시에 따른 환경 인자 조절 방법이 미생물 배양 장치에 관한 것일 경우, 입력 데이터(X)는 당해 시점의 온도, 습도, 산소 농도 등을 포함할 수 있다. 또한, 예를 들어, 본 개시에 따른 환경 인자 조절 방법이 미생물 배양 장치에 관한 것일 경우, 출력 데이터(Y)는 뉴럴 네트워크에 의해 도출된, 현재 시점에서의 미생물 배양 장치의 분당 회전수(RPM), 공기 주입량(airflow) 등을 포함할 수 있다.

다만 상술한 입력 데이터와 출력 데이터는 예시적인 것일 뿐이므로, 입력 데이터 및 출력 데이터의 유형은 이에 한정되지 아니한다.

본 개시에 따른 환경 인자 조절 방법은 위와 같이 구성된 데이터를 순환 뉴럴 네트워크는 시간에 따른 환경 인자의 값을 도출해내도록 훈련될 수 있다.

RNN의 경우에는 일반적으로 시퀀스/시계열 데이터의 모델링에 적합하다. 따라서, 출력 데이터(Y)는 시간에 따른 조절 대상인 환경 인자와 관련될 수 있다. 이는 시퀀스/시계열 데이터의 형태에 관한 일례에 불과하며, 시퀀스/시계열 데이터의 유형은 이에 한정되지 않는다.

상술한 내용은 입력 데이터 및 출력 데이터의 형태에 관한 예시에 불과하므로, 입력 데이터 및 출력 데이터는 상술한 예시에 한정되지 않는다.

도 4는 본 개시에 따른 프로세서가 환경 인자 조절 자동화 모델을 생성하는 방법의 일례를 도시한 순서도이다.

본 개시에 있어서 환경은, 일정 기간 동안 지속적으로 수행되는 실험, 공정, 보관 등에서의 환경을 의미할 수 있다. 즉, 상기 예에서 환경은 실험이 이루어지는 실험실, 배지, 밀폐 공간, 임의의 물품들을 보관하고 있는 냉동고, 제철 공장에서의 용광로 등일 수 있다.

이 때, 본 개시에 따른 장치 및 방법의 조절 대상이 되는 환경 인자는 실험 공간의 온도, 습도 등에 기초해 조절되는 실험 장치의 분당 회전수, 실험 배지 내의 공기 흐름량(airflow) 등일 수 있다.

상술한 환경 인자의 종류는 본 개시에 따른 장치 및 방법의 조절 대상에 대한 이해를 돕기 위한 예시일 뿐이므로, 조절 대상 인자의 유형은 이에 한정되지 않아야 할 것이다.

도 4을 참조하면, 프로세서(110)는 원시 데이터 세트에 포함된 원시 데이터 서브세트 각각으로부터 적어도 하나의 연속 구간을 인식할 수 있다(S100).

본 개시에 따른 원시 데이터 서브세트는 환경 인자와 시간을 그 요소로 하는 벡터인 원시 데이터들의 집합일 수 있다.

특히, 원시 데이터 서브세트는 환경 인자의 시간에 따른 시퀀스 데이터일 수 있다.

일례로, 본 개시에 따른 환경 조절 자동화 모델은 미생물 배양 과정에서의 실험 장치의 분당 회전수 및 공기 흐름량 조절을 위한 장치 및 방법에 관한 것일 수 있다. 이 경우, 원시 데이터 서브세트는 다수의 배양 장치의 시간에 따른 분당 회전수를 표현하는 벡터들을 포함하는 집합일 수 있다.

예를 들어, 원시 데이터 서브세트는 {(2000rpm, 1초), (2000rpm, 2초), (2200rpm, 3초), …} 와 같이 구성될 수 있다.

본 개시에 따른 원시 데이터는 조절 대상이 되는 환경 인자에 대해, 환경 인자에 대한 조절 작업을 수행해온 과거 데이터일 수 있다. 예를 들어, 원시 데이터는 환경 인자에 대한 기록을 수집한 데이터 일 수 있다. 이러한 조절 작업은 임의의 시간 간격을 두고 진행되며, 조절 작업 사이에는 조절 인자의 값은 일정하다. 앞서 설명한 바와 같이 원시 데이터 서브세트를 좌표 공간 상에서 그래프 형태로 표현할 경우, 상기 데이터 서브세트에 포함된 데이터들은 상기 좌표 공간 상에서 계단 함수(step function)와 같이 불연속적인 형태를 띌 수 있다.

본 발명에 따른 환경 인자 조절 자동화 방법에 따르면 원시 데이터 서브세트와 같은 뉴럴 네트워크를 위한 훈련 데이터들이 연속화 될 수 있다. 일반적인 기술에 따라 불연속적인 데이터를 이용하여 시계열 정보를 반영하는 뉴럴 네트워크들을 훈련시키는 경우에는 뉴럴 네트워크의 훈련이 원활하게 이루어지지 않을 수 있다. 반면, 본 개시에 따른 방법과 같이 연속화된 훈련 데이터를 이용하면 뉴럴 네트워크의 훈련이 더 효과적으로 수행될 수 있다.

나아가, 이러한 연속 데이터로 훈련된 모델은 주변 환경 변화에 따른 환경 인자의 조절을 실시간으로 수행할 수 있다. 따라서, 종래 실험 장치 등의 조작 관리자가 배양 과정, 생산 공정 등에 있어 환경의 변화에 대해 즉각적인 대응을 하기 어렵다는 문제를 해결할 수 있다. 즉, 일견 정적 상태에 있는 환경으로 보일지라도 해당 환경 내에서는 미세한 변화가 지속적으로 이루어지고 있기 때문에, 본 개시에 따른 환경 인자 조절 방법은 최적의 조절을 담보할 수 있다.

본 개시에 따른 환경 인자 조절 자동화 모델에 의하여 조작 기록을 연속화하고 이를 뉴럴 네트워크에 학습시키면, 기존의 환경 인자 조절 방식을 반영하면서 동시에 조절 대상 환경 내부의 미세한 변화에 실시간으로 대응할 수 있다. 따라서 미생물 배양 공정이나, 생산 공정의 효율화와 같은 목표가 이루어질 수 있다.

설명의 편의를 위해 원시 데이터가 하나의 환경 인자의 값과 시간을 그 요소로 하는 2차원 벡터인 것으로 설명하였다. 그러나 원시 데이터는 이에 한정되지 아니하며, 2개 이상의 유형의 환경 인자와 시간을 그 요소로 하는 벡터일 수 있다. 가령, 원시 데이터는 (분당 회전수, Airflow, …, 시간)과 같이 2개 이상의 환경 인자 및 시간을 포함하도록 구성될 수 있다.

따라서, 원시 데이터 서브 세트에 포함된 원시 데이터 각각이 시간에 따른 다양한 환경 인자의 상태를 표현할 수 있으므로, 원시 데이터 및 원시 데이터 서브세트가 상술한 예시에 한정되어 해석되지 않아야 할 것이다.

본 개시에 있어 복수의 데이터들이 “연속”하다는 것은 상기 복수의 데이터들을 좌표 공간 상에 나열했을 때, 복수의 데이터에 대응되는 점들이 단절됨 없이 공간 상에서 연결될 수 있는 것을 의미한다.

따라서, 하나의 연속 구간에 나타난 원시 데이터들은 좌표 공간 상에 나열되었을 때, 모든 점들이 단절됨 없이 공간 상에서 연결될 수 있다.

본 개시에 따른 연속 구간은, 원시 데이터 서브세트를 그래프로 표현했을 때 원시 데이터 각각이 연속적으로 표현되는 점들의 집합을 의미할 수 있다.

본 개시에 따른 원시 데이터의 일례로, 원시 데이터가 계단 함수의 형태를 띌 수 있다. 이 경우, 원시 데이터 서브세트에 포함된 원시 데이터 각각을 좌표 공간 상에 표시했을 때, 원시 데이터 서브세트는 복수의 연속 구간을 갖는 계단 함수의 형태를 띌 수 있다. 또한, 원시 데이터 서브세트에 복수의 연속 구간이 존재할 경우, 연속 구간 각각은 서로에 대해 불연속적일 수 있다.

따라서, 본 개시에 따른 프로세서(110)는, 원시 데이터 서브세트 각각에 대하여 적어도 하나의 연속 구간을 결정할 수 있다.

나아가, 프로세서(110)는 연속 구간의 시작 지점과 종료 지점을 결정할 수 있다.

본 개시에 있어서 시작 지점 및 종료 지점은 상술한 연속 구간 각각에 대해 정의될 수 있다. 즉 시작 지점 및 종료 지점은 기 설정된 규칙에 의해 연속 구간이 시작되고 종료되는 것으로 결정된 점을 의미할 수 있다. 시작 지점 및 종료 지점을 결정하기 위한 기 설정된 규칙은 이하 설명한다.

일례로, 원시 데이터 서브세트에 포함된 연속 구간 각각에 대하여, 프로세서(110)는 연속 구간에 포함된 원시 데이터에 대응되는 점들 중 원점에서 가장 가까운 점을 시작 지점으로, 가장 먼 지점을 종료 지점으로 결정할 수 있다.

또는, 원시 데이터가 시간을 일 요소로 포함할 프로세서(110)는 상기 연속 구간 각각에 대해, 가장 적은 시간 값을 갖는 점을 시작 지점으로, 가장 큰 시간 값을 갖는 점을 종료 지점으로 결정할 수 있다.

상술한 시작 지점 및 종료 지점의 결정 방법은 예시적이며, 시작 지점 및 종료 지점의 결정 방법은 이에 한정되지 않는다.

프로세서(110)는 원시 데이터 서브세트 각각에 대해 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정할 수 있다(S200).

본 개시에 따른 프로세서(110)는, 원시 데이터 서브세트에 복수의 연속 구간이 존재할 경우에 복수의 연속 구간을 연결하기 위하여 연속화 지점을 결정할 수 있다.

일례로, 프로세서(110)는 연속 구간의 시작 지점으로부터 일정 거리만큼 이격된 지점을 시작 지점에 대한 연속화 지점으로 및 종료 지점으로부터 일정 거리만큼 이격된 지점을 제 2 연속화 지점으로 결정할 수 있다.

이하 연속화 지점을 결정하기 위한 방법의 일례를 설명한다.

구체적으로, 프로세서(110)는 상기 연속 구간의 길이에 대하여 기 설정된 비율만큼의 거리를 연산할 수 있다. 이러한 기 설정된 비율은 본 개시에 따른 환경 인자 조절 방법 및 장치가 적용되는 환경, 환경 인자의 유형에 따라 상이할 수 있다. 하나의 원시 데이터에 있어서도 다른 종류에 환경 인자에 대해서는 상이한 비율이 적용될 수 있다.

프로세서(110)는, 복수의 연속 구간 각각에 대해, 그 시작 지점과 종료 지점으로부터 상기 기 설정된 비율만큼의 거리에 기초하여 연속화 지점을 결정하고, 복수의 연속화 지점들을 연결함으로써, 연속화된 학습데이터를 생성할 수 있다.

연속화 지점을 결정할 때, 프로세서(110)는 좌표 공간 상의 축 방향 각각에 대하여 연속화 지점이 시작 지점 및 종료 지점으로부터 상기 기 설정된 비율만큼의 거리만큼 이격되도록 할 수 있다.

연속화 지점을 결정하는 방법에 대한 구체적인 내용은 도 5에서 자세히 설명한다.

프로세서(110)는 원시 데이터 서브세트 각각에 대해 적어도 하나의 연속화 지점에 기초하여 연속화된 학습데이터를 생성할 수 있다(S300).

프로세서(110)는 단계(S200)를 통해 결정된 복수의 연속화 지점을 연결함으로써 연속화된 학습 데이터를 생성해낼 수 있다.

여기서, 복수의 연속화 지점을 연결한다는 것은 두 연속화 지점 사이에 보간법을 적용하여, 두 연속화 지점을 연결하는 복수의 좌표 공간 상의 점들을 생성하는 것을 의미할 수 있다.

보간법에 관한 구체적인 내용은 이하 도 6a 및 도 6b에서 후술한다.

보간법을 통해 두 연속화 지점을 연결하는 것은 연속화된 학습 데이터를 생성하는 방법에 관한 예시에 불과하며, 연속화된 학습 데이터를 생성하는 방법은 이에 한정되지 않는다.

프로세서(110)는 생성된 연속화 된 학습 데이터를 이용하여 환경 인자 조절 자동화 모델을 생성할 수 있다(S400).

프로세서(110)는 원시 데이터 서브세트 각각에 대해 연속화된 학습 데이터를 생성할 수 있다. 따라서, 원시 데이터 세트 각각에 대해 복수 개의 연속화된 학습 데이터가 생성될 수 있다.

프로세서(110)는, 생성된 연속화된 학습 데이터를 이용하여 환경 인자 조절 자동화 모델을 훈련시킴으로써 환경 인자 조절 자동화 모델을 생성할 수 있다.

이에 관한 구체적인 내용은 도 7에서 후술한다.

도 5는 본 개시에 따른 프로세서가 연속화 지점을 결정하는 것의 일례를 도시한다.

즉, 원시 데이터 서브세트에 포함된 원시 데이터 각각을 좌표 공간 상에 표시했을 때, 연속한 점들은 연속 구간을 형성한다. 원시 데이터 서브세트에 복수의 연속 구간이 존재할 경우, 연속 구간 각각은 서로에 대해 불연속적인 관계에 있을 수 있다.

도 5에 도시된 바와 같이, 원시 데이터 서브세트를 그래프로 표현하면 복수의 연속 구간(W)이 나타날 수 있다.

도 5는 하나의 원시 데이터 서브세트에 포함된 원시 데이터들을 2차원 상에 표현했을 때, 그 그래프들이 계단 함수(step function) 형태를 갖는 경우를 나타낸다. 도 5에 도시된 바와 같이 이 경우 복수의 연속 구간(W)들이 나타날 수 있다. 복수의 연속 구간(W)들은 서로 불연속적일 수 있다. 즉, 하나의 연속 구간(W)은 그 시작 지점 및 종료 지점에서 다른 연속 구간(W)에 대해 불연속적일 수 있다.

본 개시에 따른 프로세서(110)는, 원시 데이터 서브세트에 복수의 연속 구간이 존재할 경우에 연속화된 학습 데이터를 생성해내기 위해 복수의 연속화 지점을 결정할 수 있다.

이하 설명의 편의를 위해 2차원 상에서 원시 데이터 서브세트가 표현될 수 있는 경우, 프로세서(110)가 연속화 지점을 결정하는 방법의 일례를 설명한다.

도 5를 참조하면, 프로세서(110)는 임의의 연속 구간에 대해, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)을 결정할 수 있다. 프로세서(110)는 연속 구간의 시작 지점으로부터 시간 축 방향으로 제 1 연속화 간격(V)만큼 이격되고, 조절 대상 인자 축 방향으로 제 2 연속화 간격(H)만큼 이격된 지점을 연속화 지점(200)으로 결정할 수 있다.

이 때, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)은 연속 구간(W)의 길이에 기초하여 결정될 수 있다. 예를 들어, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)은 연속 구간(W)의 길이의 일정 비율로 결정될 수 있다. 또, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)은 같거나 다를 수 있다. 또한, 연속 구간의 시작 지점에 대응되는 연속화 지점과 연속 구간의 종료 지점에 대응되는 연속화 지점에 대해 제 1 연속화 간격(V)과 제 2 연속화 간격(H)은 상이할 수 있다.

설명의 편의를 위해 원시 데이터가 2차원 벡터인 경우(조절 대상 인자가 1개인 경우)를 기준으로 설명하였으나, 원시 데이터가 2차원을 초과하는 벡터인 경우라도 상술한 바와 같이 연속화 지점을 결정하는 것이 가능하다. 따라서 연속화 지점의 결정 방법은 상술한 내용에 한정되어서는 안된다.

본 개시에 따른 연속화 간격은 연속화 지점을 결정하기 위해, 원시 데이터가 표현되는 좌표 공간 상의 일 방향 축에 대해 결정되는 간격을 의미할 수 있다. 상술한 바와 같이 연속화 간격은 연속 구간(W)의 거리를 이용하여 결정될 수 있다.

이러한 연속화 간격(V, H)는 본 개시에 따른 환경 인자 조절 자동화 모델의 하이퍼 파라미터(hyper parameter)일 수 있다.

연속화 간격은 원시 데이터가 표현되는 벡터의 차원의 개수만큼 존재할 수 있다. 따라서, 연속화 지점의 결정이 도 5에 도시된 바와 같은 2차원 공간에서만 가능한 것은 아니다.

본 개시에 따른 연속화 지점(200)은, 하나의 연속 구간 내에서 2개를 초과할 수 있다.

구체적으로, 프로세서(110)는 2개를 초과하는 연속화 지점을 생성하기 위해 하나의 연속 구간을 둘 이상의 소구간으로 분할할 수 있다.

*프로세서(110)는 상기 소구간 각각에 대해 시작 지점 및 종료 지점을 결정하고, 소구간의 길이, 소구간의 시작 지점 및 종료 지점에 기초하여 소구간 각각에 대해 연속화 지점을 결정할 수 있다.

이 때, 하나의 연속 구간을 분할하는 복수의 소구간의 길이는 서로 상이할 수 있다.

연속 구간을 복수의 소구간으로 분할하면 더 많은 연속화 지점을 생성할 수 있다. 따라서, 더 다양한 형태의 학습 데이터를 생성해낼 수 있다. 이를 통하여 본 개시에 따른 환경 조절 자동화 모델의 학습이 더 효율적으로 이루어질 수 있다.

이 때, 본 개시에 따른 장치 및 방법의 조절 대상이 되는 조절 대상 인자는 실험 공간, 냉동고, 용광로 등의 온도, 습도 등에 기초하여 조절되는 실험 장치 분당 회전수나 또는 냉동고, 용광로 등의 공기 흐름량일 수 있다.

상술한 내용은 본 개시에 따른 장치 및 방법의 조절 대상에 대한 이해를 돕기 위한 예시일 뿐이므로, 조절 대상 인자의 유형은 이에 한정되지 않아야 할 것이다.

도 6a 및 도 6b는 본 개시에 따른 프로세서에 의해 보간법이 수행된 학습 데이터의 일례를 도시한다.

보간법 또는　내삽법(interpolation)은 알려진 데이터 지점의　고립점　내에서 새로운 데이터 지점을 구성하는 방식이다.

공학과　과학에서 수많은 데이터 지점이 있을 수 있으며 이는　표집,　실험을 통해 얻을 수 있는데, 이를 통해　독립 변수의 제한된 수의 값들을 위한 함수값을 표현한다.

따라서 본 개시에 있어서, 프로세서(110)는 보간법을 이용해 결정된 연속화 지점들을 연결하는 데이터 지점들을 생성해낼 수 있다.

선형 보간법(linear interpolation)은 끝점의 값이 주어졌을 때 그 사이에 위치한 값을 추정하기 위하여 직선 거리에 따라 선형적으로 계산하는 방법이다.

본 개시에 있어서 스플라인 보간법(spline interpolation)은 전체 구간을 소구간별로 나눠, 저 차수의 다항식 조각들로, 매끄러운 함수를 구하는 방법을 의미할 수 있다.

본 개시에 따른 방법과 같이 보간법을 이용하면, 적은 연산량을 이용하여 연속화된 훈련 데이터를 생성해낼 수 있다. 따라서, 본 개시에 따른 뉴럴 네트워크를 훈련시키기 위한 전체 연산량이 감소될 수 있다.

도 6a 및 도 6b에 도시되는 바와 같이, 프로세서(110)는 결정된 연속화 지점(200)들을 연결할 수 있다.

일례로, 프로세서(110)는 선형 보간법을 이용해 복수의 연속화 지점들을 연결할 수 있다. 즉, 프로세서(110)는 복수의 연속화 지점들을 연결하는 지점들을 선형 보간법을 통해 생성해낼 수 있다.

또 다른 일례로, 프로세서는 도 6b에서 도시되는 바와 같이, 복수의 연속화 지점들을 곡선 형태로 연결할 수 있다. 이 경우에, 프로세서(110)는 스플라인 보간법을 이용해 복수의 연속화 지점을 2차 이상의 다항식들로 연결할 수 있다. 이를 통해, 곡선 형태의 연속화된 학습 데이터를 생성해낼 수 있다.

연속화 지점들을 선형 보간 외에도 다양한 방법으로 보간하여 학습 데이터를 생성함으로써 더 다양한 형태의 학습 데이터를 생성해낼 수 있다. 이를 통하여 본 개시에 따른 환경 조절 자동화 모델의 학습이 더 효율적으로 이루어질 수 있다.

도 7은 본 개시에 따른 프로세서가 환경 인자 조절 자동화 모델을 생성하는 방법의 일례를 도시한 순서도이다.

도 7을 참조하면, 프로세서(110)는 연속화 된 학습 데이터를 이용하여 환경 인자 조절 자동화 모델을 학습시킬 수 있다(S410).

본 개시에 따른 환경 인자 조절 자동화 모델은 환경 요소를 표현한 벡터를 입력 받아, 조절 대상 인자의 적절한 수치를 출력하도록 학습될 수 있다. 특히, 환경 인자 조절 자동화 모델이 순환 인공 신경망(RNN)을 이용할 경우, 프로세서(110)는 상기 환경 인자 조절 자동화 모델이 이전 시점까지의 환경 인자에 대한 원시 데이터를 입력 받아, 현재 시점에서의 조절 대상 인자의 수치를 결정하도록 할 수 있다.

예를 들어, 본 개시에 따른 환경 인자 조절 장치가 미생물 배양 장치의 환경 인자 조절을 위한 것이라고 가정하자. 이 경우, 프로세서(110)는 제 1 시점에서 (T-1) 시점 까지의 미생물 배양 장치의 입력 데이터(X)의 시퀀스를 입력 받아, T 시점에서 미생물 배양 장치의 출력 데이터를 결정하도록 순환 인공 신경망을 훈련시킬 수 있다. 상술한 바와 같이, 여기서 조절의 대상이 되는 환경 인자는 실험 장치의 분당 회전수일 수 있고, 따라서 상기 출력 데이터도 실험 장치의 분당 회전수를 나타낼 수 있다. 다만 이는 예시에 불과하므로, 출력 데이터는 이에 한정되지 않아야 할 것이다.

프로세서(110)는 학습된 환경 인자 조절 자동화 모델의 성능을 평가할 수 있다(S420).

프로세서(110)는 상술한 바에 의하여 훈련된 환경 인자 조절 모델을 이용하여 검증 데이터 세트 및 테스트 데이터 세트에 대한 예측 성능을 평가할 수 있다.

구체적으로, 검증 데이터 세트는 복수의 검증 데이터를 포함하는 검증 데이터 서브세트를, 테스트 데이터 세트는 복수의 테스트 데이터를 포함하는 테스트 데이터 서브세트를 포함할 수 있다.

예측 성능을 평가하기 위해 제공되는 검증 데이터 및 테스트 데이터는 도 3 내지 도 6에서 제시한 방법에 의하여 연속화 된 데이터일 수 있다.

이 때, 프로세서(110)는 검증 데이터 세트 및 테스트 데이터 세트에 대해 본 개시에 따른 환경 인자 조절 자동화 모델을 통해 시간에 따라 조절 인자를 변화시킬 수 있다.

프로세서(110)는 모델을 통해 생성된 시간에 따른 환경 인자들의 값과, 검증 데이터 세트 및 테스트 데이터 세트에 포함된 조절 인자 들의 값을 비교함으로써 환경 인자 조절 자동화 모델의 성능을 평가할 수 있다.

일례로, 프로세서(110)는 검증 데이터 세트에 대한 MSE(Mean Square Error) 값을 기준으로 환경 인자 조절 자동화 모델의 성능을 평가할 수 있다.

프로세서(110)는 상이한 연속화 간격을 갖는 복수의 연속화 된 학습 데이터를 생성할 수 있다. 이 경우, 프로세서(110)는 가장 낮은 MSE 값을 가지는 연속화 된 학습 데이터를 생성하는 데 사용된 연속화 간격을 본 개시에 따른 환경 인자 조절 자동화 모델의 하이퍼 파라미터로 결정할 수 있다.

프로세서(110)는 성능 평가 결과가 성능 기준을 만족하는지 여부를 결정하여, 상기 성능 평가 결과가 성능 기준을 만족할 경우(S430, Yes), 환경 인자 조절 자동화 모델의 학습을 종결할 수 있다(S450).

프로세서(110)는 성능 평가 결과가 성능 기준을 만족하지 못할 경우, 연속화 지점을 재설정하여 새로운 학습 데이터를 생성할 수 있다(S440).

프로세서(110)는 선택된 연속화 된 학습 데이터의 MSE 값이 기 설정된 기준 이하인지 여부를 인식함으로써 환경 인자 조절 자동화 모델의 성능을 평가할 수 있다.

상기 MSE 값이 기 설정된 기준 이하일 경우 프로세서(110)는 환경 인자 조절 자동화 모델의 학습을 종결할 수 있다.

프로세서(110)는 성능 평가 결과가 성능 기준을 만족하지 못할 경우, 연속화 지점을 재설정할 수 있다. 연속화 지점을 재설정하기 위해, 프로세서(110)는 기존에 사용되지 않은 새로운 연속화 간격을 결정할 수 있다.

도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

본 명세서 및 도면에 개시된 방법 및 장치.