WO2018194206A1 - 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈 - Google Patents

뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈 Download PDF

Info

Publication number
WO2018194206A1
WO2018194206A1 PCT/KR2017/004619 KR2017004619W WO2018194206A1 WO 2018194206 A1 WO2018194206 A1 WO 2018194206A1 KR 2017004619 W KR2017004619 W KR 2017004619W WO 2018194206 A1 WO2018194206 A1 WO 2018194206A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
module
mission
self
chain
Prior art date
Application number
PCT/KR2017/004619
Other languages
English (en)
French (fr)
Inventor
윤희병
Original Assignee
주식회사 더디엔에이시스템
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 주식회사 더디엔에이시스템 filed Critical 주식회사 더디엔에이시스템
Publication of WO2018194206A1 publication Critical patent/WO2018194206A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/123—DNA computing
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Definitions

  • the present invention relates to a self-learning module of an artificial neural network model, and more particularly, to a self-learning module of an artificial neural network model using a neuroblock chain combination.
  • AI technology is rapidly developing through deep learning based on artificial neural networks.
  • Korean Patent Publication No. 10-2012-0057319 Invention: Intelligent sensor middleware structure that can be applied to various environments and self-adaptable for smart environment configuration, published date: June 2012 Publication No. 10-1999-0044063 (name of the invention: a method for providing a self-adaptive management service using an information communication network, publication date: May 07, 2001) and the like have been disclosed.
  • the present invention has been proposed to solve the above problems of the conventionally proposed methods, by receiving the DNA mission and the DNA model to perform the chain learning and block learning, the DNA model by the combination of chain learning and block learning
  • the neural network model using neuroblock chain combination can be trained, and the DNA model can be flexibly changed through self-learning according to the change of time and situation, and it can effectively implement the human brain mechanism. Its purpose is to provide a self-learning module.
  • the present invention includes missions that provide direct and immediate support for decision making and indirect and intermediate support for decision making by including unconditional learning of receptive block learning and conditional learning of reactive block learning. It is an object of the present invention to provide a self-learning module of an artificial neural network model using a neuroblock chain combination, in which a DNA model can be self-learned for all.
  • Self-learning module of the neural network model using a neuroblock chain combination according to a feature of the present invention for achieving the above object
  • An input unit for receiving a DNA model which is a function of elements and positions, and is a DNA mission composed of at least one mission module, and an artificial neural network model constructed using a DNA mission;
  • a chain learning unit configured to learn a chain that interconnects the activated position of the received DNA mission with another position
  • the mission module constituting the received DNA mission is activated, and includes a block learning unit for learning in the activated mission module,
  • the structure is characterized in that the DNA model is trained by a combination of chain learning and block learning performed by the chain learning unit and the block learning unit, respectively.
  • the DNA model consists of a sum of at least one functional submodel
  • the functional sub-model may be trained while varying with time by the combination of the chain learning and the block learning, thereby generating a trained DNA model.
  • the chain learner may perform chain learning on all chains interconnecting the activated position with another position.
  • the block learner performs self-learning of the pre-trained DNA model in a mission module activated by an element input over time
  • the chain learning unit may perform chain learning on all upper positions connected to positions in the mission module.
  • the block learning unit Preferably, the block learning unit,
  • Receptive block learning that unconditionally learns by calculating an optimal comparison compensation value according to a correlation between an input element and a predefined element in the position of the mission module within a time block composed of at least one unit time. part;
  • It may include a reactive block learning unit that calculates a reference compensation value and a comparison compensation value according to a mutual relationship between an element input during a unit time and an element previously defined in a position of the mission module and conditionally learn.
  • the receptive block learning unit More preferably, the receptive block learning unit,
  • Block learning may be performed by selecting an optimal comparison compensation value from the stored comparison compensation values.
  • the reactive block learning unit More preferably, the reactive block learning unit,
  • a DNA model is generated by a combination of chain learning and block learning by receiving a DNA mission and a DNA model and performing chain learning and block learning.
  • the DNA model can be flexibly changed through self-learning as time passes and the situation changes, and the human brain mechanism can be effectively implemented.
  • the present invention by including the unconditional learning of the receptive block learning unit and the conditional learning of the reactive block learning unit, it provides direct and immediate support for mission and behavior decisions that provide indirect and intermediate support for decision making.
  • DNA models can be self-learning for all missions.
  • FIG. 1 is a diagram illustrating the overall configuration of an artificial intelligence platform using a deep learning-based self-adaptive learning technology including a self learning module of an artificial neural network model using a neuroblockchain combination according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating a method of self-organizing a DNA mission in an autologous module using a neuroblockchain combination according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a method of self-organizing a DNA model in a self-organizing module using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating the basic structure of a mission self-organizing module using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 5 is a diagram illustrating a symbol of a self-organization module of a mission using a neuroblockchain combination according to an embodiment of the present invention.
  • FIG. 6 is a view showing the configuration of the self-organization module of the mission using a neuroblock chain combination according to an embodiment of the present invention.
  • Figure 7 is a diagram illustrating the concept of a self-organization module of the mission using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 8 is a diagram illustrating a detailed configuration of a blockchain activation unit in a self-organization module of a mission using a neuroblockchain combination according to an embodiment of the present invention.
  • FIGS. 9 and 10 are diagrams illustrating the detailed process of self-organizing the DNA mission in the self-organization module of the mission using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 11 is a diagram illustrating a basic structure of a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 12 is a diagram showing a symbol of a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 13 is a diagram showing the structure of a DNA model constituted by a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 14 is a view showing the configuration of the self-organizing module of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • 15 is a diagram illustrating the number configuration of functional submodels constituting a DNA model in the self-organizing module of an artificial neural network model using a neuroblockchain combination according to an embodiment of the present invention.
  • 16 is a diagram illustrating a detailed configuration of a lower model component in a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • 17 is a view illustrating an example of a method of determining a number of layers by a layer determiner in a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 18 illustrates an example of a method of determining a node number by a node determination unit in a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • 19 is a diagram illustrating a process of constructing a DNA model by a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • 20 is a diagram illustrating a basic structure of a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • 21 is a diagram illustrating a symbol of a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 22 is a diagram illustrating a configuration of a self-learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 23 is a diagram illustrating chain learning and block learning in a self-learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 24 is a diagram illustrating an example of a self-learning process of a trained DNA model in a self-learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 25 is a block diagram illustrating a detailed configuration of a block learning unit in a self-learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 26 is a diagram illustrating a learning concept of a receptive block learning unit in a self-learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 27 is a diagram illustrating an example of a learning process of an acceptable block learning unit in a self-learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • FIG. 28 is a diagram illustrating a learning concept of a reactive block learning unit in a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • 29 is a view illustrating an example of a learning process of a reactive block learning unit in a self-learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • sub-model unit 221 layer determination unit
  • node determination unit 223 hidden layer configuration unit
  • Receptive block learning unit 332 Reactive block learning unit
  • the present invention assumes that the judgment or thought made in the neurons of the human brain is made by the connection between the neurons between the starting neurons and the surrounding neurons centered on the starting neurons.
  • an artificial intelligence platform using a neuroblock chain combination may be attached to a human body while living with humans (a robot or a vehicle, etc.) or by humans.
  • humans a robot or a vehicle, etc.
  • humans To carry or imitate human life, behaviors or thoughts, or to learn in real time about a given situation or behavior while performing a task assigned to or entrusted to a human being. It can be effectively used in areas that continuously support or support the mission to be performed in real time next to humans.
  • An artificial intelligence platform including a self-learning module of an artificial neural network model using a neuroblockchain combination is an algorithm developed for a specific purpose, such as existing artificial intelligence, and big data associated with the specific purpose. It is not a method of learning by a human being in advance in a laboratory or the like and then putting it in the field or practice, and doing the simple pre-learning as much as possible without big data, and then putting it in the field and supporting (supporting) it. You can continue to learn in real time as you work on missions together.
  • an artificial intelligence platform using deep learning-based self-adaptive learning technology may include a preprocessor 10, a self-adaptive learning engine 20, and an effector 30. It can be configured to include.
  • the structured data and the unstructured data are processed by the preprocessor 10 to derive the elements, and the self-adaptive learning engine 20 uses the elements to perform self-adaptive learning, Including the effector 30 to be used, it is possible to provide a system capable of modularly understanding the situation and scheduling, decision and prediction, recommendation and situation actions, etc., and can be customized to provide a system for various situations .
  • the preprocessor 10 may process input data to derive elements. That is, the preprocessor 10 may derive an element that is input information of the self-adaptive learning engine 20 to be described later in detail from input data including structured data and unstructured data.
  • the preprocessor 10 may include a text conversion module 11, an information extraction module 12, and an element derivation module 13.
  • the text conversion module 11 may convert unstructured data excluding text among input data into text data (Text Conversion). In particular, the text conversion module 11 may convert unstructured data except text including an image, an image, and audio into text data.
  • the information extraction module 12 may extract information necessary for performing a mission from the text data converted by the text conversion module 11 (Information Extraction). In addition, the information extraction module 12 can extract necessary information from input data in the form of text that is not the conversion target in the text conversion module 11.
  • the element derivation module 13 may identify and derive an element to be input to the self-adaptive learning engine 20 from the extracted information (Element Identification & Elicitation).
  • the self-adaptive learning engine 20 self-organizes a DNA mission using elements derived from the preprocessor 10 and uses a deep learning-based artificial neural network DNA model (DNA) by using a self-organized DNA mission. Self-constructed models and learn self-constructed DNA models.
  • the present invention includes a self-adaptive learning engine 20 that combines self-adaptive technology and deep learning-based learning technology to self-organize a DNA mission and self-construct a DNA model, thereby understanding the situation and identifying the mission by itself. Models can be used to effectively implement human brain mechanisms to solve situations.
  • the self-adaptive learning engine 20 may include a self-organizing module 100, a self-organizing module 200, and a self-learning module 300.
  • the self-organization module 100 may self-organize the DNA mission using the elements derived from the preprocessor 10 (Self-Organization of DNA Mission). More specifically, the self-organization module 100 compares and evaluates elements that are input over time with elements in a predefined organization's mission to organize and generate DNA missions that change over time. can do.
  • the missions are missions of predefined tissues, and the DNA missions are different from each other in the self-organizing mission of the self-organizing module 100 of the present invention.
  • the DNA mission organized by the self organization module 100 may be a combination of blocks of organizations and chains. That is, the self-organizing module 100 may organize a DNA mission by combining blocks and chains of tissue using a neuro block chain combination technology.
  • the DNA mission may include a special DNA mission composed of a combination of chains.
  • the DNA mission may be composed of a sum of mission modules, and the mission module may be a function of elements received from the preprocessor 10 and positions of organizations. At this time, the position of the organization member may be predetermined.
  • the organization in order for the implemented AI platform to support a human mission (mission), the organization (school, home, government, institutions, businesses, combat forces, etc.) to which the human belongs to perform the mission within the organization
  • the member the position (location or position) of the member to which the member belongs or is located.
  • These organizations usually take the form of a hierarchical tree structure, in which there is a node-to-node connection (that is, an organization member's position and position-to-position (chain)). It can be seen as a chain between groups (departments within an organization) organized in a tree structure (block).
  • a chain is a connection between positions and positions of an organization member and a group within an organization having a certain organization member, and a block of organizations is a connection of a certain organization member.
  • One organization may be composed of one block, or one organization may be composed of several blocks.
  • the school is an organization, and the people in the school (principals, vice principals, teachers, students, etc.) are members of the organization, and the principals, teachers, students, etc. Can be.
  • the mission given to the principal, vice principal, and teacher of the school organization may be to teach students, and the mission given to the students may be to learn.
  • This teaching or learning mission can consist of a chain of principals, vice principals, teachers, and students.
  • the organization may have five blocks. However, if the school is regarded only as an organization performing one task, it may consist of only one block.
  • each block is connected to each other. That is, the principal of the principal's office, the teacher of each subject in the principal's office, and the class leaders of three classes may have a chain.
  • the self-organization module 100 of the deep learning-based self-adaptive learning engine 20 includes a block of organization (Block i, Block j, Block k, etc.) as shown in FIG.
  • DNA missions can be constructed by combining chains (Chain l, Chain m, Chain n, etc.).
  • the constructed DNA mission may be expressed as the sum of the mission module, which is a function of the position of the element and the tissue member.
  • the DNA mission may include a special DNA mission composed of a combination of chains. That is, according to the embodiment, the DNA mission may be composed of a combination of chains without block of tissue.
  • the self-organizing module 200 may self-compose a deep learning-based neural network DNA model using a self-organized DNA mission (Self-Composition of DNA Model). That is, the self-organizing module 200 may receive a DNA mission from the self-organizing module 100 and construct an artificial neural network DNA model that can be learned on a deep learning basis.
  • the DNA model self-configured by the self-organization module 200 may be a model that flexibly changes according to input data because the DNA model is configured using a self-organized DNA mission by an input element over time.
  • the DNA model may be a combination of blocks of function and chains. That is, the self-organizing module 200 may organize a DNA model by combining a block and a chain of functions using a neuro block chain combination technology.
  • the self-organization module 200 self-constructs a DNA model composed of the sum of the functional submodels, and the sub-models of the elements received from the preprocessor 10 and the sequence of thoughts of Thought. It can be a function.
  • the functional block is a functional set for a situation that includes the concept of a sequence of thoughts so that the human brain can learn from the artificial neural network model by mimicking the situation judgment method. It can consist of one functional block in the model.
  • a simple situation can be judged by human beings with a single thought, but a complicated situation can be assumed not by a single thought but by several thoughts, that is, a sequence of thoughts.
  • the sequence concept of thinking can be used to self-organize a DNA model by combining functional blocks and chains by classifying complex situations by function and grouping them for judgment. have.
  • FIG. 3 is a diagram illustrating a method of self-organizing a DNA model in the self-organizing module 200 using a neuroblock chain combination according to an embodiment of the present invention.
  • the self-organizing module 200 of the deep learning-based self-adaptive learning engine 20 according to an embodiment of the present invention, as illustrated in FIG. 3, blocks the blocks and chains from the neuroblock chain.
  • Combination technologies can be combined to form functional submodels (Functional Submodel i, Functional Submodel j, Functional Submodel k, Functional Submodel m, Functional Submodel n, etc.) and to construct DNA models from the sum of the functional submodels.
  • a detailed configuration of the self-organizing module 200 of the mission using a neuroblock chain combination according to an embodiment of the present invention will be described in detail later with reference to FIGS. 11 to 19.
  • the self learning module 300 may self-learn a self-constructed DNA model (Self-Learning of DNA Model). That is, the self-learning module 300 is configured to learn the DNA model configured in the self-organizing module 200, and can learn through an artificial neural network technology, and transfer the learning result to the effector 30.
  • Self-Learning of DNA Model a self-constructed DNA model
  • a detailed configuration of the self-learning module 300 of the mission using a neuroblockchain combination according to an embodiment of the present invention will be described in detail later with reference to FIGS. 20 to 29.
  • the effector 30 may generate software using the learning results of the self-adaptive learning engine 20. As shown in FIG. 1, effector 30 may comprise an understanding and scheduling module 31, a determination and prediction module 32, a recommendation and action module 33.
  • the understanding and scheduling module 31 may understand a given situation or grasp an intention, and provide scheduling to decision makers using the situation understanding or intention grasping result (Understanding & Scheduling).
  • the determination and prediction module 32 may provide a determination and analysis result for a given situation, and may predict and provide a possible situation (Decision & Prediction).
  • the recommendation and action module 33 may use the analysis result and the prediction result to recommend a decision for a given situation and provide an action accordingly (Recommendation & Action). To this end, the recommendation and action module 33 may receive an analysis result and a prediction result from the determination and prediction module 32.
  • FIG. 4 is a diagram illustrating a basic structure of a mission self-organizing module 100 using a neuroblock chain combination according to an embodiment of the present invention.
  • the self-organizing module 100 of the mission using a neuroblockchain combination according to an embodiment of the present invention is composed of two inputs and one output, and uses a neuroblockchain combination technology. Can be.
  • the self-organizing module 100 of the present invention may be an input of a tissue tissue and a component extracted from the input data as a predefined input, and may output a self-organizing DNA mission using a combination of blocks and chains. Therefore, according to the self-organization module 100 of the mission using a neuroblock chain combination according to an embodiment of the present invention, it is possible to organize the DNA mission by identifying the mission by using a variety of data, using the human brain mechanism Can be effectively implemented.
  • FIG. 5 is a diagram illustrating a symbol of a mission self-organizing module 100 using a neuroblock chain combination according to an embodiment of the present invention.
  • a blue square represents an element
  • an orange circle represents a position
  • a star represents a special element
  • a green square represents a mission module
  • a light blue square represents a DNA mission
  • a square represents a block
  • a circle represents a chain, respectively.
  • the activation condition of the neuroblock chain is satisfied as time progresses in the direction of the arrow below
  • a mission module which is a green square at the right end
  • a DNA mission which is a light blue square
  • FIG. 6 is a diagram illustrating a configuration of a mission self-organizing module 100 using a neuroblock chain combination according to an embodiment of the present invention.
  • the self-organization module 100 of the mission using a neuroblockchain combination according to an embodiment of the present invention may be configured to include the unit 130.
  • FIG. 7 is a diagram illustrating the concept of a self-organization module 100 of a mission using a neuroblock chain combination according to an embodiment of the present invention.
  • each component constituting the self-organizing module 100 of the mission using a neuroblock chain combination according to an embodiment of the present invention will be described in detail with reference to FIGS. 6 and 7.
  • the blockchain comparator 110 may compare the organization mission defined as a function of Elements and Positions of Organization and a DNA mission that is self-organizing using the elements extracted from the input data. have. More specifically, the blockchain comparator 110 may compare elements extracted from input data with elements of positions of organizations that constitute an organization mission.
  • the organization mission may be a task predefined by the administrator, organization, etc.
  • the DNA mission is a task that is self-organized by the self-organization module 100 of the mission using a neuroblock chain combination according to an embodiment of the present invention Can be.
  • the DNA mission is the sum of the mission modules, which may be a function of the position of elements and tissue members.
  • a DNA mission may consist of a combination of blocks and chains.
  • there may also be a Special DNA Mission consisting only of linking positions that do not belong to a particular tissue.
  • the blockchain activator 120 configures a chain and a block by using elements extracted from input data using the comparison result of the blockchain comparator 110, and a mission module and a mission module, which are combinations of the constructed blocks and the chain. Can organize and activate DNA missions
  • the blockchain activator 120 may activate the corresponding position when the activation condition of the position is satisfied, and activate the corresponding mission module or the DNA mission when the activation condition of the mission module or the DNA mission is satisfied. Since elements extracted from the input data are inputted sequentially or randomly over time, a single element or a plurality of elements may be activated variably according to predefined positions and activation conditions of the mission module.
  • the position identification unit 130 may identify a position connected to a special element that does not correspond to an element included in the organization mission among elements extracted from the input data. That is, if an element extracted from the input data does not correspond to an element of a predefined position, the position identification unit 130 determines the mission module and position to which the element belongs, and the blockchain activator 120 Can form a chain in the form of special elements for the determined mission module and position.
  • DNA missions can have a flexible, flexible structure in which positions, mission modules, and missions are organized by themselves as the situation changes.
  • the blockchain activator 120 of the mission self-organization module 100 using the neuroblockchain combination according to an embodiment of the present invention includes a position activator 121 and a chain generator. It may be configured to include a block 122, a block building unit 123, a mission module activation unit 124 and a mission organization unit (125).
  • each component of the blockchain activation unit 120 is a blockchain. The process of self-organizing the DNA mission while interacting with the comparator 110 and the position identifier 130 will be described in detail.
  • the position activator 121 connects a position matched with an element extracted from the input data, that is, an element received from the preprocessor 10, using the comparison result of the blockchain comparator 110, and satisfies the activation condition. Position can be activated.
  • the blockchain comparator 110 compares the predefined organization mission (“Predefined Mission”) as shown in the first box, such as “step 1” of the second lower left box of FIG. 9. Elements extracted from the input data can be linked to positions.
  • Predefined Mission the predefined organization mission
  • the position activator 121 may determine whether the position activation condition is satisfied as the elements extracted from the input data are input over time.
  • the activation condition may be different from each other according to the position, and may be the number of elements connected to the position.
  • the activation condition of position A may be that five or more elements are connected.
  • the position activator 121 may connect a special element to the position identified by the position identifier 130. That is, in the “step 4” illustrated in FIG. 9, special elements not included in a predefined organization mission may be connected, such as special elements are connected to a specific position.
  • the chain generation unit 122 may continuously connect the positions connected with the positions activated by the position activator 121 to generate a chain connecting the plurality of positions. That is, as shown in step 2 of FIG. 9, the chain generation unit 122 searches for positions defined in a predefined organization mission, and is connected to four positions to which elements extracted from the input data are connected.
  • the chains can be constructed by connecting positions continuously. Through such a chain generation unit 122, a chain that connects all positions of the predefined organization mission may be automatically formed.
  • the block building unit 123 may build a block including a position constituting a chain generated by the chain generating unit 122. That is, as shown in step 3 of FIG. 9, the block building unit 123 may automatically build a block including the position of the chain.
  • the combination of blocks and chains constructed in this way can be a mission module.
  • elements extracted from the input data are additionally input over time, and various elements including the inputted special elements may be connected to the position, such as “step 4” illustrated in FIG. 9.
  • the mission module activator 124 may activate the mission module when a condition determined according to the organization mission is satisfied with respect to the position included in the constructed block. More specifically, the mission module activator 124 may activate the mission module when all of the elements extracted from the input data corresponding to the element connected to the position are connected according to the organization mission with respect to the position included in the block. Can be.
  • the mission module when the elements included in the positions in the block are all connected through the comparison with a predetermined organization mission, the mission module may be activated in green. Also, as elements “5” and “6” shown in FIG. 10 are continuously input, elements connected to positions in the block are connected and filled, and defined in a predetermined organization mission. Mission modules can be built. In some cases, special elements may be connected to the position.
  • the mission organization unit 125 may organize the DNA mission when all the mission modules corresponding to the mission modules of the organization mission are activated. That is, when all mission modules of a predetermined organization mission are constructed and completed over time, the DNA mission may be organized. That is, as shown in FIG. 10, if all mission modules are activated in green, the DNA mission may be organized.
  • the DNA mission may be organized in a form similar to a predetermined tissue mission.
  • the structure of the self-organized DNA mission may be different from the organization mission because the defined elements may not be input according to the change of the situation and the non-predefined elements such as the special element may be input. Therefore, the self-organization module 100 of the mission using a neuroblock chain combination according to an embodiment of the present invention may self-organize a DNA mission having a structure that varies variably with time or situation change.
  • FIG. 11 is a diagram illustrating a basic structure of a self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention each composed of one input and output, the neuroblock chain combination technology It is available.
  • a DNA mission organized through a neuroblockchain combination using a predefined tissue mission and elements extracted from input data can be input, and an artificial neural network DNA model composed of functional submodels can be output.
  • an artificial neural network DNA model composed of functional submodels can be output.
  • the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention, by using a DNA mission that varies variably according to the passage of time and circumstances, the artificially variable artificial Neural network DNA models can be built on their own, which effectively implements human brain mechanisms.
  • FIG. 12 is a diagram illustrating a symbol of a self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • blue squares are elements
  • orange circles are nodes
  • stars are special elements
  • gray squares are hidden layers
  • yellow squares are functional submodels
  • the squares at the right end of the yellow squares are functional. Represent each output of the submodel.
  • the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination As shown in FIG. 12, in the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention, elements and accidents are based on a neuroblockchain combination technology over time.
  • Artificial neural network DNA models can be constructed by themselves as a function of the sequence of. More specifically, the functional submodel is configured as time progresses in the direction of the arrow in FIG. 12, and when each functional submodel is completed and operated, an output may be generated as a result of the right end.
  • FIG. 13 is a diagram illustrating a structure of a DNA model constituted by a self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the DNA model self-configured by the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention includes at least one functional submodel. It may be a neural network model of a multi-layer structure consisting of).
  • the functional submodel may be configured in a three-layer structure including an input layer, a hidden layer, and an output layer.
  • the input layer consists of elements, and the output layer has the final result.
  • the hidden layer may include at least one layer, at least one node, and special elements that match the sequences of thoughts.
  • the special element may mean an element which is not a predefined element but is used as a new input according to a change of situation.
  • the structure of the hidden layer may change as the structure of the input DNA mission changes over time.
  • FIG. 14 is a diagram illustrating a configuration of a self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention the input unit 210, sub-model unit 220 and DNA model configuration It may be configured to include a portion 230.
  • the input unit 210 may receive a DNA mission that changes over time.
  • the DNA mission may be composed of a sum of at least one mission module, and the mission module constituting the DNA mission may include elements extracted from the data and positions of the positions of the organization members. It can be a function.
  • the mission module may be composed of a combination of chains and blocks through a neuroblockchain combination technology.
  • the input unit 210 may receive a DNA mission whose structure changes as the situation changes over time, and may use it as input information in the lower model unit 220 and the DNA model unit 230. . Therefore, it is possible to construct a DNA model having a flexible structure in which the hidden layer changes on its own in response to changes in the situation over time.
  • the lower model constructing unit 220 may self-configure a functional submodel that is a function of elements and sequences of thoughts corresponding to the mission module constituting the DNA mission.
  • the functional submodel may be a combination of blocks of functions and chains.
  • FIG. 15 is a diagram illustrating the number configuration of functional sub-models constituting a DNA model in the self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the sub-model component 220 in the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention DNA mission basically One mission module within can be organized into one functional submodel.
  • two or more mission modules in a DNA mission may be combined into one functional submodel.
  • the DNA model constructing unit 230 may self-configure an artificial neural network DNA model that is a sum of at least one or more functional submodels configured in the submodel constructing unit 220. That is, the DNA model constructed by the present invention may be composed of the sum of functional submodels. If a DNA mission has only one mission module, a DNA model with only one functional submodel may be constructed.
  • 16 is a diagram illustrating a detailed configuration of the lower model component 220 in the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the sub-model component 220 of the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention is a layer determiner 221 and a node.
  • the decision unit 222 and the hidden layer component 223 may be configured to be included.
  • the layer determiner 221 may determine the number of layers by using the position of the mission module.
  • the self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention, for the layer determination unit 221 of the lower model component 220. This will be explained in detail.
  • FIG. 17 is a diagram illustrating a method of determining the number of layers by the layer determiner 221 in the self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the layer determination unit 221 of the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination is the same level of the mission module.
  • the same number of layers is assigned to positions in position (“Rule 5-1”), and additional layers can be assigned as the position level increases (“Rule 5-2”). That is, a position one level higher than any level of the mission module in the DNA mission has a number of layers equal to +1, and the number of layers may increase in the same manner until the position of the final level is continuously reached.
  • a total of two layers may be allocated.
  • the layer determiner 221 may be configured to a position to which a number of elements exceeding a threshold value (T) of positions of the mission module are connected.
  • T threshold value
  • the number of layers can be additionally assigned as the ratio of the number of elements exceeded to the limit (“Rule 5-3”).
  • Rule 5-3 the ratio of the number of elements exceeded to the limit
  • the layer is +1. If the threshold is exceeded, the number of added elements is +1 as the multiple of the threshold. You can add numbers.
  • the maximum number of layers that can have the same level may be limited to the number of layers of the position having the maximum number of layers in the level.
  • +1 layer is added to the position. For example, two layers may be allocated to the position of the first level and one layer may be allocated to the position of the second level.
  • the layer determination unit 221 may additionally assign the number of layers to the position where the special element is input (“Rule 5- 4"). That is, +1 layer can be increased for the position that receives a special element as an input. If there are two or more special elements inputted in the position, the above-mentioned "rule 5-3" may apply. At this time, it may be determined whether the limit value is exceeded by adding up the element and the special element.
  • the layer determiner 221 may determine the total number of layers of the hidden layer by adding the number of layers in all cases shown in FIGS. 17A to 17D.
  • the node determiner 222 may determine the number of nodes of each layer by using the position of the mission module.
  • the node determining unit 222 of the lower model unit 220 is used. This will be explained in detail.
  • FIG. 18 is a diagram illustrating a method of determining the number of nodes by the node determiner 222 in the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the node determination unit 222 of the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination the mission The number of positions of each level of the module and the number of nodes of each layer of the hidden layer are determined equally (“Rule 6-1”). The number can be reduced (“Rule 6-2”). That is, when the number of layers of the corresponding level of the mission module is two or more, each time the layer goes up one level, the number of nodes is decreased by one, and the number of nodes can be reduced in the same manner until the final layer is reached.
  • the number of elements exceeding the limit value is connected to the position of the first level of the mission module, two layers are provided at the first level and one layer is respectively provided at the second level. Is assigned.
  • the two positions of the first level of the mission module are determined by two nodes of the first layer of the functional submodel, and one node may be placed in the second layer by reducing one node.
  • one node equal to one position of the second level of the mission module may be disposed.
  • the node determiner 222 may maintain the number of nodes of the level at the node number of the layer additionally allocated by the special element (“Rule 6-3”). ).
  • the hidden layer configuring unit 223 may configure the hidden layer using the layer determining unit 221 and the node determining unit 222 in consideration of the relationship between positions of the mission module. That is, as soon as the position of the DNA mission is activated by satisfying the activation condition, the hidden layer constructing unit 223 may start constructing the hidden layer by the combination of the chain and the block in consideration of the relationship between positions in the block that is the basis of the mission module. have. Therefore, as long as the structure of the DNA mission is changed with the passage of time and the situation, the concealment side of the DNA model can be continuously changed in conjunction with this.
  • FIG. 19 is a diagram illustrating a process of constructing a DNA model by the self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the self-organizing module 200 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention as the DNA mission is input through the input unit 210, the lower model configuration
  • the unit 220 determines the number of layers and nodes, constructs a hidden layer, and the DNA model constructing unit 230 connects functional sub-models to form a DNA model. Since the input DNA mission changes over time, a self-constructed DNA model can also have a flexible structure that changes over time.
  • the self-learning module 300 of an artificial neural network model using a neuroblock chain combination includes two inputs including a DNA mission and a DNA model, and trained DNA. It can be configured with one output of the model and can use neuroblockchain combination technology.
  • the DNA model by receiving a DNA mission and a DNA model and performing chain learning and block learning, the DNA model can be trained by a combination of chain learning and block learning, and the trained DNA model can be output. Since the DNA model is self-learned by the combination of chain learning and block learning in the field, the DNA model can be flexibly changed through self-learning according to the change of time and the situation. It can be implemented effectively.
  • FIG. 21 is a diagram illustrating a symbol of a self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • blue squares are Elements
  • orange circles are Positions or Nodes
  • stars are Special Elements
  • gray squares are Hidden Layer
  • yellow squares are Functional Submodel. The rectangle at the right end of the yellow rectangle represents the output of each functional submodel.
  • the DNA model is composed of a sum of at least one or more functional submodels, and the functional submodels are trained while changing over time by a combination of chain learning and block learning, thereby generating a trained DNA model.
  • each sub-model is trained to change flexibly with time using a cogwheel shape.
  • a learned output may be generated as shown in the right end of FIG. 21.
  • FIG. 22 is a diagram illustrating a configuration of a self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the self-learning module 300 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention includes an input unit 310, a chain learning unit 320, and a block learning unit ( 330 may be configured.
  • the input unit 310 may receive a DNA model, which is a function of elements and positions, a DNA mission composed of at least one mission module, and an artificial neural network model configured using a DNA mission.
  • the DNA mission may be composed of a sum of at least one mission module, and the mission module constituting the DNA mission may include elements extracted from the data and positions of the positions of the organization members. It can be a function.
  • the mission module may be composed of a combination of chains and blocks using a neuroblockchain combination technology.
  • FIG. 23 is a diagram illustrating chain learning and block learning in the self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the chain learning unit 320 and the block learning unit 330 constituting the self-learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention. This will be described in detail.
  • the chain learning unit 320 may perform a learning about a chain connecting the activated position of the input DNA mission with another position. As the elements extracted from the data are input, if a predetermined number of elements are connected to the position and the activation condition is satisfied, the corresponding position included in the DNA mission may be activated. As illustrated in (a) of FIG. 23, the chain learning unit 320 may learn a chain connecting the activated position and the position, and thus the learning between the position and the position may be referred to as chain learning.
  • the block learner 330 may perform learning in the activated mission module.
  • the mission module may be activated when the activation conditions are satisfied, for example, all predetermined elements are connected to all positions in the block.
  • the block learner 330 may learn in the activated mission module, and the learning performed in the mission module may be referred to as block learning.
  • a DNA model may be trained by a combination of chain learning and block learning performed by the chain learning unit 320 and the block learning unit 330, respectively.
  • the learning method of the DNA model according to the learning time will be described in detail.
  • the chain learning unit 320 may perform chain learning on all the chains interconnecting the activated position and other positions. That is, in the case of training the DNA model for pre-training, chain learning may be performed on all chains connected between the activated position and the position using a predefined learning index. In this case, block learning may not be performed.
  • the block learner 330 performs block learning of the pre-trained DNA model in a mission module activated by an element input over time, and block learning is performed.
  • the chain learner 320 may self-chain learn all upper positions connected to positions in the mission module.
  • FIG. 24 is a diagram illustrating a self-learning process of a trained DNA model in the self-learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the self-learning module 300 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention when the trained DNA model learns itself while adapting to the actual site, Block learning may be performed first, followed by chain learning.
  • the activated mission module may perform block learning by the block learner 330 by itself. Can be.
  • the chain learning unit 320 may directly perform chain learning on all higher positions continuously connected to positions in the mission module. In this way, the DNA model can be trained by a combination of chain learning and block learning.
  • the block learning unit 330 performs block learning when the trained DNA model learns itself while adapting to the actual site, and the elements and time flows predefined in a given mission and position in the mission module are performed. Depending on the relationship with the input element according to the two types of block learning can be performed.
  • a detailed configuration of the block learner 330 will be described in detail with reference to FIG. 25.
  • FIG. 25 is a diagram illustrating a detailed configuration of the block learning unit 330 in the self learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention.
  • the block learner 330 of the self-learning module 300 of the artificial neural network model using a neuroblockchain combination according to an embodiment of the present invention includes a receptive block learner 331. It may be configured to include a reactive block learning unit 332.
  • the receptive block learning unit 331 may optimally compensate according to a correlation between an input element and an element previously defined at a position of a mission module within a time block composed of at least one unit time. You can learn unconditionally by calculating the value (Reward Comparison).
  • FIG. 26 is a diagram illustrating a learning concept of the receptive block learning unit 331 in the self learning module 300 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the receptive block learning unit 331 of the self-learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention may analyze or predict the current situation. Can be unconditional learning used in missions that determine future situations and provide indirect and moderate support for human decision making.
  • FIG. 27 is a diagram illustrating a learning process of the receptive block learning unit 331 in the self-learning module 300 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the receptive block learning unit 331 of the self-learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention is a time point at which the mission module is activated.
  • the reference time may be set, and the unit time and the time block may be set based on the reference time. That is, the time block starts from the reference time, and may be composed of a plurality of unit times as a product of a unit time and a time number.
  • the comparison compensation value may be calculated and stored for each unit time set in the time block.
  • the comparison compensation value is a predetermined compensation weight for each element including the number of data coming into the element connected to the position in the mission module, the number of data not coming in, and a special element every unit time. Can be calculated using a function.
  • the weight of the element connected to the predefined position and the weight of the special element may be defined differently from each other.
  • the block learning may be performed by selecting an optimal comparison compensation value capable of supporting intermediate decision making among the stored comparison compensation values.
  • the method of selecting the optimal comparison compensation value may be different according to the mission, the application, the compensation value selection strategy, and the like. For example, among the comparison compensation values, a median value, an average value, and a mode value may be selected as optimal comparison compensation values. In some embodiments, the compensation value based on Monte Carlo simulation may be selected as the optimal comparison compensation value. You can also choose.
  • the reactive block learning unit 332 calculates a reference compensation value and a comparative compensation value according to a correlation between the elements input during the unit time and the elements previously defined in the position of the mission module, and conditionally learns them. have.
  • FIG. 28 is a diagram illustrating a learning concept of the reactive block learning unit 332 in the self learning module 300 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
  • the reactive block learning unit 332 of the self-learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention may analyze or predict a current situation. Can be conditional learning used in missions to determine future situations and provide direct and immediate support for human behavior decisions.
  • the reactive block learning unit 332 of the self-learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention may identify a time point at which the mission module is activated.
  • the reference time may be set, the unit time may be set based on the reference time, and a reference reference value may be calculated within the set unit time.
  • the reference compensation value is calculated from the reference time in the first unit time, wherein the reference compensation value is the number of data coming into the element connected to the position in the mission module from the reference time to the unit time, the number of data not coming in, And a function of a predefined compensation weight for each element including the special element.
  • the comparison compensation value when the comparison compensation value calculated within the unit time is larger than the reference compensation value, the comparison compensation value may be changed to the reference compensation value and block learning may be performed. That is, the comparison compensation value may be calculated within the unit time starting from the end of the unit time at which the reference compensation value is calculated. In this case, the comparison compensation value may be calculated in consideration of an item used when calculating the reference compensation value.
  • the comparison compensation value and the reference compensation value may be compared to determine whether to learn. More specifically, when the comparison compensation value is larger than the reference compensation value, the comparison compensation value may be changed to the reference compensation value and block learning may be started. . If the comparison compensation value is less than or equal to the reference compensation value, the block learning is not started, and then the process of calculating the comparison compensation value for the next unit time and comparing it with the existing compensation value may be repeated.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Genetics & Genomics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명에서 제안하고 있는 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에 따르면, DNA 미션 및 DNA 모델을 입력받아 체인 학습 및 블록 학습을 수행함으로써, 체인 학습 및 블록 학습의 콤비네이션에 의해 DNA 모델을 학습시킬 수 있으며, 시간의 흐름과 상황의 변화에 따라 DNA 모델이 자가 학습을 통해 유연하게 변화할 수 있고, 이를 이용해 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있다.

Description

뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈
본 발명은 인공신경망 모델의 자가 학습 모듈에 관한 것으로서, 보다 구체적으로는 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에 관한 것이다.
주어진 상황이나 진행되는 상황을 이해하고 분석해서 의사결정을 내리는 인간의 두뇌 메커니즘을 기술적으로 구현하기 위한 연구는 꾸준히 이루어지고 있다. 특히, 인공지능 기술에 대한 관심이 높아지면서, 인공 신경망을 기반으로 한 딥 러닝(Deep Learning)을 통해서 AI 기술이 비약적으로 발전하고 있다.
또한, 소프트웨어 공학에서는, 더 나은 사용자 경험을 위하여 사용자와 기기의 상황을 파악하고 맞춤화 된 사용자 서비스를 제공하려는 자가 적응 기술에 대한 요구가 증가하고 있으며, 다양한 분야에 적용되고 있다.
그러나 이러한 딥 러닝 기반의 학습 기술이나 인공신경망과 소프트웨어 공학의 자가 적응 기술을 결합시킨 자가 적응 학습 관련 연구는 거의 진행된 바가 없는 실정이다.
특히, 상황에 따라 가변적으로 사고하고 문제를 해결하는 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있도록, 실제 현장에서 인공신경망 모델이 스스로 학습을 할 수 있는 기술에 대해서는 아직까지 개발된 바가 전혀 없는 실정이다.
한편, 본 발명과 관련된 선행기술로서, 공개특허 제10-2012-0057319호(발명의 명칭: 다양한 환경에 적용 및 스마트 환경 구성을 위한 자기 적응이 가능한 지능형 센서 미들웨어 구조, 공개일자: 2012년 06월 05일), 공개특허 제10-1999-0044063호(발명의 명칭: 정보 통신망을 이용한 자가 적응 관리 서비스 제공 방법, 공개일자: 2001년 05월 07일) 등이 개시된 바 있다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, DNA 미션 및 DNA 모델을 입력받아 체인 학습 및 블록 학습을 수행함으로써, 체인 학습 및 블록 학습의 콤비네이션에 의해 DNA 모델을 학습시킬 수 있으며, 시간의 흐름과 상황의 변화에 따라 DNA 모델이 자가 학습을 통해 유연하게 변화할 수 있고, 이를 이용해 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있는, 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은, 수용적 블록 학습부의 무조건적 학습과 반응적 블록 학습부의 조건적 학습을 포함함으로써, 의사 결정에 간접적이고 중도적인 지원을 제공하는 미션과 행동 결정에 직접적이고 즉각적인 지원을 제공하는 미션 모두에 대하여 DNA 모델이 자가 학습이 가능하도록 할 수 있는, 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈을 제공하는 것을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈은,
인공신경망 모델을 학습하는 학습 모듈로서,
요소(Elements)와 포지션(Positions)의 함수이며 적어도 하나 이상의 미션 모듈로 구성되는 DNA 미션, 및 DNA 미션을 이용해 구성된 인공신경망 모델인 DNA 모델을 입력받는 입력부;
상기 입력받은 DNA 미션의 활성화된 포지션과 다른 포지션을 상호 연결하는 체인에 대한 학습을 수행하는 체인 학습부; 및
상기 입력받은 DNA 미션을 구성하는 미션 모듈이 활성화되면, 활성화된 미션 모듈 내에서 학습을 수행하는 블록 학습부를 포함하며,
상기 체인 학습부 및 블록 학습부에 의해 각각 수행되는 체인 학습 및 블록 학습의 콤비네이션에 의해, 상기 DNA 모델이 학습되는 것을 그 구성상의 특징으로 한다.
바람직하게는,
상기 DNA 모델은, 적어도 하나 이상의 기능적 하위 모델의 합으로 구성되며,
상기 기능적 하위 모델이 상기 체인 학습 및 블록 학습의 콤비네이션에 의해 시간의 흐름에 따라 각각 변화하면서 학습되어, 학습된 DNA 모델을 생성할 수 있다.
바람직하게는, 상기 DNA 모델의 사전 훈련의 경우,
상기 체인 학습부는, 활성화된 포지션과 다른 포지션을 상호 연결하는 모든 체인에 대한 체인 학습을 수행할 수 있다.
바람직하게는, 사전 훈련된 상기 DNA 모델의 자가 학습의 경우,
상기 블록 학습부는, 시간의 흐름에 따라 입력되는 요소에 의해 활성화된 미션 모듈 내에서 상기 사전 훈련된 DNA 모델의 블록 학습을 자가 수행하며,
상기 체인 학습부는, 상기 블록 학습이 종료되면, 상기 미션 모듈 내의 포지션에 연결된 모든 상위 포지션에 대하여 체인 학습을 자가 수행할 수 있다.
바람직하게는, 상기 블록 학습부는,
적어도 하나 이상의 단위 시간으로 구성된 시간 블록 내에서, 입력된 요소와 상기 미션 모듈의 포지션에 사전에 정의된 요소와의 상호 관계에 따라 최적의 비교 보상값을 산출하여 무조건적으로 학습을 하는 수용적 블록 학습부; 및
단위 시간 동안 입력된 요소와 상기 미션 모듈의 포지션에 사전에 정의된 요소와의 상호 관계에 따라 기준 보상값 및 비교 보상값을 산출하고 조건적으로 학습을 하는 반응적 블록 학습부를 포함할 수 있다.
더욱 바람직하게는, 상기 수용적 블록 학습부는,
상기 미션 모듈이 활성화된 시점을 기준 시간으로 설정하고, 상기 기준 시간을 기점으로 단위 시간 및 시간 블록을 설정하며, 설정된 단위 시간마다 비교 보상값을 산출하여 저장하고, 상기 설정된 시간 블록이 종료되면 상기 저장된 비교 보상값 중에서 최적의 비교 보상값을 선정하여 블록 학습을 할 수 있다.
더욱 바람직하게는, 상기 반응적 블록 학습부는,
상기 미션 모듈이 활성화된 시점을 기준 시간으로 설정하고, 상기 기준 시간을 기점으로 단위 시간을 설정하며, 설정된 단위 시간 내에서 기준 보상값을 산출하고, 다음 단위 시간 내에서 산출한 비교 보상값이 상기 기준 보상값보다 크면 비교 보상값을 기준 보상값으로 변경하고 블록 학습을 할 수 있다.
본 발명에서 제안하고 있는 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에 따르면, DNA 미션 및 DNA 모델을 입력받아 체인 학습 및 블록 학습을 수행함으로써, 체인 학습 및 블록 학습의 콤비네이션에 의해 DNA 모델을 학습시킬 수 있으며, 시간의 흐름과 상황의 변화에 따라 DNA 모델이 자가 학습을 통해 유연하게 변화할 수 있고, 이를 이용해 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있다.
또한, 본 발명에 따르면, 수용적 블록 학습부의 무조건적 학습과 반응적 블록 학습부의 조건적 학습을 포함함으로써, 의사 결정에 간접적이고 중도적인 지원을 제공하는 미션과 행동 결정에 직접적이고 즉각적인 지원을 제공하는 미션 모두에 대하여 DNA 모델이 자가 학습이 가능하도록 할 수 있다.
도 1은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈을 포함하는 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼의 전체 구성을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 자가 조직 모듈에서 DNA 미션을 자가 조직하는 방법을 예를 들어 도시한 도면.
도 3은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 자가 구성 모듈에서 DNA 모델을 자가 구성하는 방법을 예를 들어 도시한 도면.
도 4는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈의 기본 구조를 도시한 도면.
도 5는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈의 심볼을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈의 구성을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈의 개념을 도식화한 도면.
도 8은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈에서, 블록체인 활성화부의 세부적인 구성을 도시한 도면.
도 9 및 도 10은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈에서, DNA 미션을 자가 조직하는 세부적인 과정을 예를 들어 도시한 도면.
도 11은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈의 기본 구조를 도시한 도면.
도 12는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈의 심볼을 도시한 도면.
도 13은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에 의해 구성되는 DNA 모델의 구조를 도시한 도면.
도 14는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈의 구성을 도시한 도면.
도 15는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에서, DNA 모델을 구성하는 기능적 하위 모델의 개수 구성을 예를 들어 도시한 도면.
도 16은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에서, 하위 모델 구성부의 세부적인 구성을 도시한 도면.
도 17은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에서, 레이어 결정부가 레이어 개수를 정하는 방법을 예를 들어 도시한 도면.
도 18은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에서, 노드 결정부가 노드 개수를 정하는 방법을 예를 들어 도시한 도면.
도 19는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈이 DNA 모델을 구성하는 과정을 예를 들어 도시한 도면.
도 20은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈의 기본 구조를 도시한 도면.
도 21은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈의 심볼을 도시한 도면.
도 22는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈의 구성을 도시한 도면.
도 23은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 체인 학습 및 블록 학습을 각각 도시한 도면.
도 24는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 훈련된 DNA 모델의 자가 학습 과정을 예를 들어 도시한 도면.
도 25는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 블록 학습부의 세부적인 구성을 도시한 도면.
도 26은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 수용적 블록 학습부의 학습 개념을 도시한 도면.
도 27은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 수용적 블록 학습부의 학습 과정을 예를 들어 도시한 도면.
도 28은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 반응적 블록 학습부의 학습 개념을 도시한 도면.
도 29는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 반응적 블록 학습부의 학습 과정을 예를 들어 도시한 도면.
<부호의 설명>
10: 전처리기 11: 텍스트 변환 모듈
12: 정보 추출 모듈 13: 요소 도출 모듈
20: 자가 적응 학습 엔진 30: 이펙터
31: 이해 및 스케줄링 모듈 32: 판단 및 예측 모듈
33: 추천 및 조치 모듈 100: 자가 조직 모듈
110: 블록체인 비교부 120: 블록체인 활성화부
121: 포지션 활성화부 122: 체인 생성부
123: 블록 구축부 124: 미션 모듈 활성화부
125: 미션 조직부 130: 포지션 식별부
200: 자가 구성 모듈 210, 310: 입력부
220: 하위 모델 구성부 221: 레이어 결정부
222: 노드 결정부 223: 은닉층 구성부
230: DNA 모델 구성부
300: 본 발명의 일실시예에 따른 자가 학습 모듈
320: 체인 학습부 330: 블록 학습부
331: 수용적 블록 학습부 332: 반응적 블록 학습부
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
본 발명은, 인간의 두뇌 메커니즘을 효과적으로 구현하기 위하여, 인간 뇌의 뉴런에서 이루어지는 판단이나 생각 등이 시작 뉴런과 그 시작 뉴런을 중심으로 한 주변 뉴런 사이에서 뉴런과 뉴런 간의 연결에 의해 이루어진다는 가정을 기반으로 할 수 있다. 활성화 된 뉴런을 포함하는 일정 부분을 블록, 뉴런과 뉴런 간의 연결을 체인으로 보고, 블록과 체인의 조합 즉, 뉴로블록체인 콤비네이션을 통해 인간의 두뇌에서 미션을 자가 조직하고 모델을 자가 구성하여 해결하는 과정을 구현할 수 있다.
본 발명에서는, 이와 같은 뉴로블록체인 콤비네이션을 이용하여, 딥 러닝 기반의 자가 적응 학습을 통한 인공지능 플랫폼을 구현하여 이를 활용할 수 있다. 즉, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공지능 플랫폼은, 인간의 옆에서 인간과 더불어 지내면서(로봇이나 차량 등 스스로 움직일 수 있는 형태) 또는 인간 곁에서(인간 몸에 부착하거나 가지고 다닐 수 있는 물건 등의 형태) 인간의 생활이나 행동이나 사고를 모방하거나 학습하는 것, 또한 인간에게 주어지거나 맡겨진 임무 등을 수행하면서 주어진 상황이나 행동 등을 실시간으로 학습하는 것, 이렇게 해서 인간이 수행해야 될 임무(미션)를 인간의 옆에서 실시간으로 지속적으로 보조하거나 지원하는 분야 등에 효과적으로 활용될 수 있다.
보다 구체적으로는, 비닐하우스에서의 농작물 재배, 가두리 양식장에서의 어류 양식, 학교에서의 학생 교육 등과 같이 기간이 일정 정도 지나야 효과가 발휘되는 분야, 심해나 우주 탐사, 산불 방지, 조류독감이나 구제역 방지, 군의 전투 등과 같이 상황이 불확실하거나 부정확한 분야, 통신망이나 네트워크상에서 상주하면서 사이버 공격이나 침해 발생 시 분석 및 학습하고 이를 기반으로 향후 발생 가능한 사이버 공격이나 침해를 예방하고 대응하는 분야 등에 적용이 가능하다.
본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈을 포함하는 인공지능 플랫폼은, 기존의 인공지능과 같이 특정 목적을 위해 개발된 알고리즘과 그 특정 목적과 관련된 빅데이터를 이용해 인간에 의해 사전에 연구실 등에서만 학습한 후 현장이나 실전에 투입시키는 방식이 아닌, 빅데이터가 없어도 가능할 정도의 간단한 사전 학습을 시킨 후 현장에 투입하여, 보조(지원)해야 될 인간의 옆에서 같이 임무를 수행하면서 지속적으로 실시간으로 학습할 수 있다.
도 1은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈을 포함하는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼의 전체 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼은, 전처리기(10), 자가 적응 학습 엔진(20) 및 이펙터(30)를 포함하여 구성될 수 있다.
즉, 본 발명에서는, 구조화된 데이터 및 비구조화된 데이터를 전처리기(10)에서 처리하여 요소를 도출하고, 자가 적응 학습 엔진(20)에서 요소를 이용해 자가 적응 학습을 할 수 있으며, 학습 결과를 이용하는 이펙터(30)를 포함하여, 상황 이해 및 스케줄링, 의사결정 및 예측, 추천 및 상황 조치 등을 할 수 있는 시스템을 모듈식으로 제공할 수 있고, 다양한 상황에 맞는 시스템을 맞춤식으로 제공할 수 있다.
이하에서는, 도 1을 참조하여, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼을 구성하는 각 구성요소에 대하여 상세히 설명하도록 한다.
전처리기(10)는, 입력 데이터를 처리하여 요소(Elements)를 도출할 수 있다. 즉, 전처리기(10)는 구조화된 데이터 및 비구조화된 데이터를 포함하는 입력 데이터로부터 추후 상세히 설명할 자가 적응 학습 엔진(20)의 입력 정보인 요소를 도출할 수 있다. 전처리기(10)는, 텍스트 변환 모듈(11), 정보 추출 모듈(12) 및 요소 도출 모듈(13)을 포함하여 구성될 수 있다.
텍스트 변환 모듈(11)은, 입력 데이터 중 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환할 수 있다(Text Conversion). 특히, 텍스트 변환 모듈(11)은, 이미지, 영상, 음성을 포함하는 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환할 수 있다.
정보 추출 모듈(12)은, 텍스트 변환 모듈(11)에서 변환된 텍스트 데이터로부터, 미션 수행을 위해 필요한 정보를 추출할 수 있다(Information Extraction). 또한, 정보 추출 모듈(12)은, 텍스트 변환 모듈(11)에서의 변환 대상이 아닌, 텍스트 형태의 입력 데이터로부터도 필요한 정보를 추출할 수 있다.
요소 도출 모듈(13)은, 추출된 정보로부터 자가 적응 학습 엔진(20)에 입력될 요소를 식별하여 도출할 수 있다(Element Identification & Elicitation).
자가 적응 학습 엔진(20)은, 전처리기(10)에서 도출된 요소를 이용하여 DNA 미션(DNA Mission)을 자가 조직하고, 자가 조직된 DNA 미션을 이용하여 딥 러닝 기반의 인공신경망 DNA 모델(DNA Model)을 자가 구성하며, 자가 구성된 DNA 모델을 학습시킬 수 있다. 본 발명은, 자가 적응 기술과 딥 러닝 기반의 학습 기술을 결합하여, DNA 미션을 자가 조직하고 DNA 모델을 자가 구성하는 자가 적응 학습 엔진(20)을 포함함으로써, 상황을 이해해서 스스로 미션을 파악하고 모델을 만들어 상황을 해결하는 인간 두뇌 메커니즘을 효과적으로 구현할 수 있다. 도 1에 도시된 바와 같이, 자가 적응 학습 엔진(20)은, 자가 조직 모듈(100), 자가 구성 모듈(200) 및 자가 학습 모듈(300)을 포함하여 구성될 수 있다.
자가 조직 모듈(100)은, 전처리기(10)에서 도출된 요소를 이용하여 DNA 미션을 자가 조직할 수 있다(Self-Organization of DNA Mission). 보다 구체적으로는, 자가 조직 모듈(100)은, 시간의 흐름에 따라 입력되는 요소와 미리 정의된 조직의 미션 내 요소를 비교 및 평가하여, 시간의 흐름에 따라 변화하는 DNA 미션을 스스로 조직해서 생성할 수 있다. 여기에서, 미션은 미리 정의된 조직의 미션이고, DNA 미션은 본 발명의 자가 조직 모듈(100)이 자가 조직하는 미션으로 서로 상이하다.
한편, 자가 조직 모듈(100)이 조직하는 DNA 미션은, 조직의 블록(Blocks of Organization)과 체인(Chains)의 콤비네이션일 수 있다. 즉, 자가 조직 모듈(100)은, 뉴로블록체인 콤비네이션(Block Chain Combination) 기술을 이용하여, 조직의 블록과 체인을 조합하여 DNA 미션을 조직할 수 있다. 또한, 실시예에 따라서는, DNA 미션은, 체인(Chains)의 콤비네이션으로 구성되는 특수 DNA 미션(Special DNA Mission)을 포함할 수 있다.
또한, DNA 미션은, 미션 모듈의 합으로 구성될 수 있으며, 미션 모듈은 전처리기(10)로부터 전달받은 요소와 조직 구성원의 포지션(Positions of Organization)의 함수일 수 있다. 이때, 조직 구성원의 포지션은 미리 정해질 수 있다.
본 발명에서는, 구현된 인공지능 플랫폼이 인간의 임무(미션)를 지원하도록 하기 위하여, 인간이 속해있는 조직(학교, 가정, 정부, 기관, 기업, 전투부대 등), 조직 내에서 미션을 수행하는 구성원, 및 그 구성원이 속해있거나 위치해있는 구성원의 포지션(위치 또는 직위)을 고려할 수 있다. 이러한 조직은 보통 계층형 트리 구조의 형태를 띠고 있으며, 계층형 트리 구조에서는 노드와 노드 간 연결(즉, 조직 구성원의 포지션과 포지션 간 연결(체인))이 되어 있고, 이를 조직 전체로 확장해보면 일정 트리 구조(블록)로 구성된 그룹(조직 내 부서)간의 연결 즉, 체인으로 볼 수 있다.
따라서, 자가 조직 모듈(100)에서 뉴로블록체인 콤비네이션 기술을 이용할 때, 체인이란 조직 구성원의 포지션과 포지션 간 연결 그리고 일정한 조직 구성원을 가진 조직 내 그룹들 간 연결이고, 조직의 블록이란 일정한 조직 구성원의 포지션과 포지션이 서로 연결되어 모여 있는 그룹으로 하나의 조직이 하나의 블록으로 구성되거나 또는 하나의 조직이 여러 개의 블록으로 구성될 수 있다.
예를 들어, 학교가 조직(Organization)이고, 학교 내 인원들(교장, 교감, 교사, 학생 등)이 조직의 구성원이 되고, 교장, 교사, 학생 등은 조직 구성원의 포지션(위치나 직위)이 될 수 있다. 그리고, 학교라는 조직의 교장, 교감, 교사 등에게 주어진 미션은 학생들을 가르치는 것이고, 학생들에게 주어진 미션은 배우는 것일 수 있다. 이와 같이 가르치거나 배우는 미션은 교장, 교감, 교사, 학생들이 연결되는 체인으로 구성될 수 있다.
또한, 위와 같은 예에서, 학교에 교장실, 교무실 및 3개의 학급이 있고, 이들 각각이 미션의 수행을 위해 서로 다른 하위 임무를 가지고 구성되어 있다면, 이 조직의 블록은 5개가 될 수 있다. 다만, 학교를 하나의 임무를 수행하는 조직으로만 간주한다면 1개의 블록으로만 구성될 수도 있다.
한편, 위와 같이 5개의 블록으로 구성된 조직에서는 각 블록이 서로 연결되어 있는 체인이 만들어질 수 있다. 즉, 교장실의 교장과 교무실의 각 과목별 교사, 3개 학급의 반장이 서로 연결되는 체인을 가질 수 있다.
도 2는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 자가 조직 모듈(100)에서 DNA 미션을 자가 조직하는 방법을 예를 들어 도시한 도면이다. 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 엔진(20)의 자가 조직 모듈(100)는, 도 2에 도시된 바와 같은 조직의 블록(Block i, Block j, Block k 등)과 체인(Chain l, Chain m, Chain n 등)을 조합하여 DNA 미션을 구성할 수 있다. 구성된 DNA 미션은 요소와 조직 구성원의 포지션의 함수인 미션 모듈의 합으로 표현될 수 있다.
또한, DNA 미션은, 체인(Chains)의 콤비네이션으로 구성되는 특수 DNA 미션(Special DNA Mission)을 포함할 수 있다. 즉, 실시예에 따라서는, 조직의 블록 없이 체인들만의 조합으로 DNA 미션을 구성할 수도 있다.
본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 세부적인 구성에 대해서는 추후 도 4 내지 도 10을 참조하여 상세히 설명하도록 한다.
자가 구성 모듈(200)은, 자가 조직된 DNA 미션을 이용하여, 딥 러닝 기반의 인공신경망 DNA 모델을 자가 구성할 수 있다(Self-Composition of DNA Model). 즉, 자가 구성 모듈(200)은, 자가 조직 모듈(100)로부터 DNA 미션을 전달받아, 딥 러닝 기반으로 학습할 수 있는 인공신경망 DNA 모델을 스스로 구성해서 만들 수 있다. 자가 구성 모듈(200)에 의해 자가 구성되는 DNA 모델은, 시간의 흐름에 따라 입력되는 요소에 의해 자가 조직된 DNA 미션을 이용해 구성되기 때문에, 입력 데이터에 따라 유연하게 변화하는 모델일 수 있다.
DNA 모델은, 기능 블록(Blocks of Function)과 체인(Chains)의 콤비네이션일 수 있다. 즉, 자가 구성 모듈(200)은, 뉴로블록체인 콤비네이션(Block Chain Combination) 기술을 이용하여, 기능의 블록과 체인을 조합하여 DNA 모델을 조직할 수 있다.
또한, 자가 구성 모듈(200)은, 기능적 하위 모델(Functional Submodel)의 합으로 구성되는 DNA 모델을 자가 구성하며, 하위 모델은 전처리기(10)로부터 전달받은 요소와 사고 시퀀스(Sequences of Thought)의 함수일 수 있다.
여기에서, 기능 블록은, 인간 뇌의 상황 판단 방식을 모방하여 인공신경망 모델에서 학습이 가능하도록 사고의 시퀀스라는 개념이 포함된 상황에 대한 기능별 집합으로서, DNA 미션에서의 하나의 조직의 블록은 DNA 모델에서 하나의 기능 블록으로 구성될 수 있다. 단순한 상황은 인간이 한 번의 생각만으로도 판단이 가능하겠지만, 복잡한 상황은 한 번의 생각이 아니라 여러 번의 생각 즉, 사고의 시퀀스에 의해 판단이 가능하다는 가정을 할 수 있다. 미션을 해결하기 위한 모델을 구성하는 과정에서는, 이와 같은 사고의 시퀀스 개념을 이용하여, 복잡한 상황을 기능별로 구분하고 판단을 위해 그룹화하는 방식으로 기능 블록과 체인을 조합하여 DNA 모델을 자가 조직할 수 있다.
전술한 바와 같은 학교의 예에서, 교장실, 교무실, 및 3개의 학급이 서로 다른 하위 임무를 가지고 있으면 조직의 블록은 5개가 되는데, 학교의 최종 목표인 가르치고 배우는 미션의 수행을 위해 5개의 조직의 블록이 각각의 기능별로 하위 임무를 맡고 여기에 사고의 시퀀스라는 개념을 넣어 5개의 기능 블록으로 변환될 수 있다.
도 3은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 자가 구성 모듈(200)에서 DNA 모델을 자가 구성하는 방법을 예를 들어 도시한 도면이다. 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 엔진(20)의 자가 구성 모듈(200)은, 도 3에 도시된 바와 같은, 기능 블록(Block)과 체인(Chain)들을 뉴로블록체인 콤비네이션 기술을 통해 조합하여 기능적 하위 모델(Functional Submodel i, Functional Submodel j, Functional Submodel k, Functional Submodel m, Functional Submodel n 등)을 구성하고, 기능적 하위 모델의 합으로 DNA 모델을 구성할 수 있다.
본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 구성 모듈(200)의 세부적인 구성에 대해서는 추후 도 11 내지 도 19를 참조하여 상세히 설명하도록 한다.
자가 학습 모듈(300)은, 자가 구성된 DNA 모델을 자가 학습할 수 있다(Self-Learning of DNA Model). 즉, 자가 학습 모듈(300)은, 자가 구성 모듈(200)에서 구성된 DNA 모델을 학습시키는 구성으로서, 인공 신경망 기술을 통해 학습을 할 수 있으며, 학습 결과를 이펙터(30)에 전달할 수 있다.
본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 학습 모듈(300)의 세부적인 구성에 대해서는 추후 도 20 내지 도 29를 참조하여 상세히 설명하도록 한다.
이펙터(30)는, 자가 적응 학습 엔진(20)의 학습 결과를 이용하여 소프트웨어를 생성할 수 있다. 도 1에 도시된 바와 같이, 이펙터(30)는 이해 및 스케줄링 모듈(31), 판단 및 예측 모듈(32), 추천 및 조치 모듈(33)을 포함하여 구성될 수 있다.
이해 및 스케줄링 모듈(31)은, 주어진 상황을 이해하거나 의도를 파악하고, 상황 이해 또는 의도 파악 결과를 이용해 의사결정권자에게 스케줄링을 제공할 수 있다(Understanding & Scheduling).
판단 및 예측 모듈(32)은, 주어진 상황에 대한 판단 및 분석 결과를 제공하고, 발생 가능한 상황을 예측하여 제공할 수 있다(Decision & Prediction).
추천 및 조치 모듈(33)은, 분석 결과 및 예측 결과를 이용하여, 주어진 상황에 대한 의사결정을 추천하고 이에 따른 조치를 제공할 수 있다(Recommendation & Action). 이를 위해, 추천 및 조치 모듈(33)은, 판단 및 예측 모듈(32)로부터 분석 결과 및 예측 결과를 전달받을 수 있다.
도 4는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 기본 구조를 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)은, 2개의 입력과 1개의 출력으로 구성되며, 뉴로블록체인 콤비네이션 기술을 이용할 수 있다.
즉, 본 발명의 자가 조직 모듈(100)은, 미리 정의된 조직 미션과 입력 데이터에서 추출된 요소를 입력으로 하고, 블록과 체인의 콤비네이션을 이용해 자가 조직한 DNA 미션을 출력으로 할 수 있다. 따라서, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에 따르면, 다양한 데이터를 이용해 스스로 미션을 파악하여 DNA 미션을 조직할 수 있고, 이를 이용해 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있다.
도 5는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 심볼을 도시한 도면이다. 도 5에서, 파란색 사각형은 요소, 주황색 원은 포지션, 별은 특수 요소, 녹색 사각형은 미션 모듈, 하늘색 사각형은 DNA 미션을 각각 나타내며, 미션 모듈 내의 사각형은 블록을, 원은 체인을 각각 나타낸다.
도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에서는, 하단의 화살표 방향으로 시간이 진행됨에 따라 뉴로블록체인의 활성화 조건이 충족되면, 우측 말단의 녹색 사각형인 미션 모듈과 하늘색 사각형인 DNA 미션이 만들어질 수 있다. 따라서 시간의 흐름에 따라 요소와 조직 구성원의 포지션의 함수, 블록과 체인의 콤비네이션에 따라 미션 모듈과 DNA 미션이 스스로 조직될 수 있다.
도 6은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 구성을 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)은, 블록체인 비교부(110), 블록체인 활성화부(120) 및 포지션 식별부(130)를 포함하여 구성될 수 있다.
도 7은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 개념을 도식화한 도면이다. 이하에서는, 도 6 및 도 7을 참조하여 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)을 구성하는 각 구성요소에 대하여 상세히 설명하도록 한다.
블록체인 비교부(110)는, 요소(Elements)와 조직 구성원의 포지션(Positions of Organization)의 함수로 미리 정의된 조직 미션과, 입력 데이터에서 추출된 요소를 이용해 자가 조직 중인 DNA 미션을 상호 비교할 수 있다. 보다 구체적으로는, 블록체인 비교부(110)는, 입력 데이터에서 추출된 요소(Elements)와 조직 미션을 구성하는 조직 구성원의 포지션(Positions of Organization)의 요소를 상호 비교할 수 있다.
여기에서, 조직 미션은 관리자, 조직 등에 의해 미리 정의된 임무일 수 있으며, DNA 미션은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)이 자가 조직한 임무일 수 있다. DNA 미션은 미션 모듈의 합이며, 미션 모듈은 요소와 조직 구성원의 포지션의 함수일 수 있다. 또한, DNA 미션은, 블록과 체인의 콤비네이션으로 구성될 수 있다. 실시예에 따라서는, 특정 조직에 속하지 않는 포지션의 연결로만 구성된 특수 DNA 미션(Special DNA Mission)도 있을 수 있다.
블록체인 활성화부(120)는, 블록체인 비교부(110)의 비교 결과를 이용하여, 입력 데이터에서 추출된 요소를 이용해 체인 및 블록을 구성하며, 구성된 블록과 체인의 콤비네이션인 미션 모듈 및 미션 모듈의 합인 DNA 미션을 조직하고 활성화할 수 있다.
즉, 블록체인 활성화부(120)가 포지션의 활성화 조건이 충족되면 해당 포지션을 활성화 시킬 수 있고, 미션 모듈이나 DNA 미션의 활성화 조건이 충족되면 해당 미션 모듈 또는 DNA 미션을 활성화시킬 수 있다. 입력 데이터에서 추출된 요소는 시간이 지남에 따라 단일 요소 또는 복수의 요소가 순차적으로 또는 무작위로 입력되므로, 미리 정의되어 있는 포지션과 미션 모듈의 활성화 조건에 따라 가변적으로 활성화될 수 있다.
블록체인 활성화부(120)의 세부적인 구성에 대해서는, 추후 도 8을 참조하여 상세히 설명하도록 한다.
포지션 식별부(130)는, 입력 데이터에서 추출된 요소 중에서 조직 미션에 포함된 요소와 대응되지 않는 특수 요소(Special Element)와 연결되는 포지션을 식별할 수 있다. 즉, 입력 데이터에서 추출된 요소가 미리 정의되어 있는 포지션의 요소와 대응되지 않는 경우에는, 포지션 식별부(130)가 그 요소가 속하게 될 미션 모듈 및 포지션을 결정하고, 블록체인 활성화부(120)가 결정된 미션 모듈 및 포지션에 대한 특수 요소의 형태로 체인을 형성할 수 있다. 따라서 DNA 미션은 상황의 변화에 따라 포지션, 미션 모듈 및 미션이 스스로 조직되는, 신축성 있는 유연한 구조를 가질 수 있다.
도 8은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에서, 블록체인 활성화부(120)의 세부적인 구성을 도시한 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 블록체인 활성화부(120)는, 포지션 활성화부(121), 체인 생성부(122), 블록 구축부(123), 미션 모듈 활성화부(124) 및 미션 조직부(125)를 포함하여 구성될 수 있다.
도 9 및 도 10은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에서, DNA 미션을 자가 조직하는 세부적인 과정을 예를 들어 도시한 도면이다. 이하에서는, 도 8 내지 도 10을 참조하여, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에서, 블록체인 활성화부(120)의 각 구성요소가 블록체인 비교부(110) 및 포지션 식별부(130)와 상호작용을 하면서 DNA 미션을 자가 조직하는 과정을 상세히 설명하도록 한다.
포지션 활성화부(121)는, 블록체인 비교부(110)의 비교 결과를 이용하여 입력 데이터에서 추출된 요소 즉, 전처리부(10)에서 전달받은 요소와 매칭되는 포지션을 연결시키고, 활성화 조건을 만족하는 포지션을 활성화할 수 있다. 블록체인 비교부(110)가, 도 9의 왼쪽 두 번째 하단 박스의 “1단계”와 같이, 첫 번째 박스에 도시된 바와 같은 미리 정의된 조직 미션(“Predefined Mission”)과의 비교를 통해, 입력 데이터에서 추출된 요소를 포지션에 연결할 수 있다.
또한, 포지션 활성화부(121)는, 입력 데이터에서 추출된 요소가 시간의 흐름에 따라 입력됨에 따라, 포지션의 활성화 조건의 만족 여부를 판단할 수 있다. 여기에서, 활성화 조건은, 포지션에 따라 서로 상이할 수 있으며, 포지션에 연결되는 요소의 수일 수 있다. 예를 들어, 포지션 A의 활성화 조건은 5개 이상의 요소가 연결되는 것일 수 있다.
한편, 포지션 활성화부(121)는, 포지션 식별부(130)에서 식별된 포지션에 특수 요소를 연결할 수 있다. 즉, 도 9에 도시된 “4단계”에서 특수 요소(Special Elements)가 특정 포지션에 연결되는 것과 같이, 미리 정의된 조직 미션에는 없는 특수 요소가 연결될 수 있다.
체인 생성부(122)는, 포지션 활성화부(121)에 의해 활성화 된 포지션과 연결되어 있는 포지션을 연속적으로 연결시켜, 복수의 포지션을 상호 연결하는 체인을 생성할 수 있다. 즉, 도 9에 도시된 “2단계”와 같이, 체인 생성부(122)는, 미리 정의된 조직 미션에서 정의되어 있는 포지션들을 찾아서, 입력 데이터에서 추출된 요소가 연결된 4개의 포지션과 연결되어 있는 포지션들을 연속적으로 연결하여 체인을 구성할 수 있다. 이와 같은 체인 생성부(122)를 통해, 미리 정의된 조직 미션의 모든 포지션들을 연결하는 체인이 자동으로 형성될 수 있다.
블록 구축부(123)는, 체인 생성부(122)에서 생성된 체인을 구성하는 포지션을 포함하는 블록을 구축할 수 있다. 즉, 도 9에 도시된 “3단계”와 같이, 블록 구축부(123)가 체인의 포지션을 포함하는 블록을 자동으로 구축할 수 있다. 이와 같이 구축되는 블록과 체인의 콤비네이션이 미션 모듈이 될 수 있다.
한편, 입력 데이터에서 추출된 요소들이 시간의 흐름에 따라 추가적으로 입력되며, 도 9에 도시된 “4단계”와 같이, 입력되는 특수 요소를 포함하는 여러 요소들이 포지션에 연결될 수 있다.
미션 모듈 활성화부(124)는, 구축된 블록에 포함된 포지션에 대하여, 조직 미션에 따라 정해진 조건이 충족되면, 미션 모듈을 활성화할 수 있다. 보다 구체적으로는, 미션 모듈 활성화부(124)는, 블록에 포함된 포지션에 대하여, 조직 미션에 따라, 해당 포지션에 연결된 요소와 대응되는 입력 데이터에서 추출된 요소가 모두 연결되면 미션 모듈을 활성화할 수 있다.
즉, 도 9에 도시된 “4단계”와 같이, 미리 정해진 조직 미션과의 비교를 통해, 블록 내의 포지션들이 포함하고 있는 요소가 모두 연결되면, 녹색으로 미션 모듈이 활성화될 수 있다. 또한, 도 10에 도시된 “5단계” 및 “6단계”와 같이, 입력 데이터에서 추출된 요소들이 지속적으로 입력되면서, 블록 내의 포지션에 연결된 요소들이 연결되어 채워지게 되며, 미리 정해진 조직 미션에 정의된 미션 모듈이 구축될 수 있다. 경우에 따라, 특수 요소가 해당 포지션에 연결될 수도 있다.
미션 조직부(125)는, 조직 미션의 미션 모듈에 대응하는 모든 미션 모듈이 활성화되면, DNA 미션을 조직할 수 있다. 즉, 시간의 흐름에 따라 미리 정해진 조직 미션의 모든 미션 모듈이 구축되어 완성되면, DNA 미션이 조직될 수 있다. 즉, 도 10에 도시된 “7단계”와 같이, 모든 미션 모듈이 녹색으로 활성화되면 DNA 미션이 조직될 수 있다.
이와 같이, DNA 미션은 미리 정해진 조직 미션과 유사한 형태로 조직될 수 있다. 그러나 상황의 변화에 따라 정의되어 있는 요소가 입력되지 않을 수 있고, 특수 요소와 같이 미리 정의되어 있지 않은 요소가 입력될 수도 있기 때문에, 자가 조직된 DNA 미션의 구조는 조직 미션과 상이할 수 있다. 따라서 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)은, 시간의 흐름이나 상황 변화에 따라 가변적으로 변하는 구조의 DNA 미션을 자가 조직할 수 있다.
도 11은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 기본 구조를 도시한 도면이다. 도 11에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)은, 각각 1개의 입력 및 출력으로 구성되며, 뉴로블록체인 콤비네이션 기술을 이용할 수 있다.
즉, 본 발명은, 미리 정의된 조직 미션과 입력 데이터에서 추출된 요소를 이용하여 뉴로블록체인 콤비네이션을 통해 조직된 DNA 미션을 입력으로 하고, 기능적 하위 모델로 구성된 인공신경망 DNA 모델을 출력으로 할 수 있다. 따라서, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에 따르면, 시간의 흐름과 상황의 변화에 따라 가변적으로 변하는 DNA 미션을 이용해, 가변적으로 변하는 인공신경망 DNA 모델을 스스로 구성할 수 있고, 이를 통해 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있다.
도 12는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 심볼을 도시한 도면이다. 도 12에서, 파란색 사각형은 요소, 주황색 원은 노드, 별은 특수 요소, 회색 사각형은 은닉층(Hidden Layer), 노란색 사각형은 기능적 하위 모델(Functional Submodel), 노란색 사각형의 우측 말단에 위치한 사각형은 각 기능적 하위 모델의 출력을 각각 나타낸다.
도 12에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서는, 시간의 흐름에 따라 뉴로블록체인 콤비네이션 기술을 기반으로 요소와 사고의 시퀀스의 함수로 인공신경망 DNA 모델이 스스로 구성되어 만들어질 수 있다. 보다 구체적으로는, 도 12의 하단의 화살표 방향으로 시간이 진행됨에 따라 기능적 하위 모델이 구성되며, 각 기능적 하위 모델이 완성되어 동작되면 그 결과로 우측 말단과 같이 출력이 만들어질 수 있다.
도 13은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에 의해 구성되는 DNA 모델의 구조를 도시한 도면이다. 도 13에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에 의해 자가 구성되는 DNA 모델은, 적어도 하나 이상의 기능적 하위 모델(Functional Submodel)로 구성되는 다층 구조의 인공신경망 모델일 수 있다.
도 13에 도시된 바와 같이, 기능적 하위 모델은, 입력층(Input Layer), 은닉층(Hidden Layer), 및 출력층(Output Layer)을 포함하는 3계층 구조로 구성될 수 있다. 입력층은 요소로 구성되고, 출력층은 최종 결과값을 갖는다. 은닉층은 사고 시퀀스(Sequences of Thought)와 매칭되는 적어도 하나 이상의 레이어(Layer), 적어도 하나 이상의 노드(Node), 및 특수 요소(Special Elements)로 구성될 수 있다. 여기에서 특수 요소는, 사전 정의된 요소는 아니지만 상황의 변화에 따라 새로운 입력으로 사용되는 요소를 의미할 수 있다. 이와 같은 기능적 하위 모델에서는, 입력되는 DNA 미션의 구조가 시간에 따라 변화함에 따라 은닉층의 구성이 변화될 수 있다.
도 14는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 구성을 도시한 도면이다. 도 14에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)은, 입력부(210), 하위 모델 구성부(220) 및 DNA 모델 구성부(230)를 포함하여 구성될 수 있다.
입력부(210)는, 시간에 따라 변화하는 DNA 미션을 입력받을 수 있다. 여기에서, DNA 미션은 적어도 하나 이상의 미션 모듈(Mission Module)의 합으로 구성될 수 있으며, DNA 미션을 구성하는 미션 모듈은 데이터에서 추출된 요소(Elements)와 조직 구성원의 포지션(Positions of Organization)의 함수일 수 있다. 또한, 미션 모듈은 뉴로블록체인 콤비네이션 기술을 통해 체인 및 블록의 콤비네이션으로 구성될 수 있다.
본 발명에서는, 입력부(210)가 시간의 흐름에 따른 상황 변화에 따라 구조가 변하는 DNA 미션을 입력받고, 이를 하위 모델 구성부(220) 및 DNA 모델 구성부(230)에서 입력 정보로 사용할 수 있다. 따라서, 시간의 흐름에 따른 상황 변화에 맞추어 스스로 은닉층이 변화되는 유연한 구조를 갖는 DNA 모델을 구성할 수 있다.
하위 모델 구성부(220)는, DNA 미션을 구성하는 미션 모듈에 대응하여, 요소(Elements)와 사고 시퀀스(Sequences of Thought)의 함수인 기능적 하위 모델(Functional Submodel)을 자가 구성할 수 있다. 여기에서, 기능적 하위 모델은, 기능 블록(Blocks of Function)과 체인(Chains)의 콤비네이션일 수 있다.
도 15는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, DNA 모델을 구성하는 기능적 하위 모델의 개수 구성을 예를 들어 도시한 도면이다. 도 15의 (a)에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서 하위 모델 구성부(220)는, 기본적으로 DNA 미션 내의 하나의 미션 모듈을 하나의 기능적 하위 모델로 구성할 수 있다. 또한, 실시예에 따라서는, 도 15의 (b)에 도시된 바와 같이, DNA 미션 내의 둘 이상의 미션 모듈을 합하여 하나의 기능적 하위 모델로 구성할 수도 있다.
하위 모델 구성부(220)의 세부적인 구성에 대해서는, 추후 도 16을 참조하여 상세히 설명하도록 한다.
DNA 모델 구성부(230)는, 하위 모델 구성부(220)에서 구성된 적어도 하나 이상의 기능적 하위 모델의 합인 인공신경망 DNA 모델을 자가 구성할 수 있다. 즉, 본 발명에 의해 구성되는 DNA 모델은, 기능적 하위 모델의 합으로 구성될 수 있다. DNA 미션이 하나의 미션 모듈만 가지는 경우, 하나의 기능적 하위 모델만을 갖는 DNA 모델이 구성될 수도 있다.
도 16은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 하위 모델 구성부(220)의 세부적인 구성을 도시한 도면이다. 도 16에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 하위 모델 구성부(220)는, 레이어 결정부(221), 노드 결정부(222) 및 은닉층 구성부(223)를 포함하여 구성될 수 있다.
레이어 결정부(221)는, 미션 모듈의 포지션을 이용해 레이어의 개수를 결정할 수 있다. 이하에서는, 도 17을 참조하여 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 하위 모델 구성부(220)의 레이어 결정부(221)에 대하여 상세히 설명하도록 한다.
도 17은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 레이어 결정부(221)가 레이어 개수를 정하는 방법을 예를 들어 도시한 도면이다.
도 17의 (a)에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 레이어 결정부(221)는, 미션 모듈의 동일 레벨에 있는 포지션에 동일한 레이어 수를 할당하며(“규칙 5-1”), 포지션의 레벨이 높아짐에 따라 레이어 수를 추가 할당할 수 있다(“규칙 5-2”). 즉, DNA 미션 내의 미션 모듈의 어떤 레벨보다 한 단계 상위 레벨에 있는 포지션은 +1 만큼의 레이어 수를 가지며, 계속해서 최종 레벨의 포지션에 도달할 때까지 동일한 방법으로 레이어의 수가 증가할 수 있다. 도 17의 (a)에서, 미션 모듈의 포지션은 2개의 레벨에 있으므로, 총 2개의 레이어가 할당될 수 있다.
또한, 도 17의 (b) 및 (c)에 도시된 바와 같이, 레이어 결정부(221)는, 미션 모듈의 포지션 중, 한계값(T, Threshold Value)을 초과하는 개수의 요소가 연결된 포지션에는, 한계값에 대한 초과된 요소의 개수의 비 만큼 레이어 수를 추가 할당할 수 있다(“규칙 5-3”). 즉, 각 레벨의 포지션에 연결된 요소의 개수가 사전에 미리 정해진 한계값 이하이면 +1 만큼의 레이어를 가지며, 한계값을 초과하면 추가된 요소의 개수가 한계값의 배수대로 +1 만큼씩 레이어의 수를 추가할 수 있다. 단, 동일 레벨에서 가질 수 있는 최대 레이어의 개수는 해당 레벨에서 최대의 레이어 개수를 가지고 있는 포지션의 레이어 개수로 한정할 수 있다.
예를 들어, 도 17의 (b)에서, 미션 모듈의 첫 번째 레벨의 포지션 중 하나에 한계값인 5개를 초과하여 총 7개의 요소가 연결되었으므로, 해당 포지션에는 +1 만큼의 레이어가 추가되어, 첫 번째 레벨의 포지션에는 2개의 레이어가 할당되고, 두 번째 레벨의 포지션에는 1개의 레이어가 할당될 수 있다.
한편, 도 17의 (d)에 도시된 바와 같이, 레이어 결정부(221)는, 특수 요소가 입력된 경우에는, 특수 요소가 입력된 포지션에 레이어 수를 추가 할당할 수 있다(“규칙 5-4”). 즉, 특수 요소를 입력으로 받는 해당 포지션에 대해 +1 만큼의 레이어를 증가시킬 수 있다. 만약, 해당 포지션에 입력되는 특수 요소가 둘 이상이면 전술한 “규칙 5-3”을 적용할 수 있다. 이때, 요소 및 특수 요소를 합하여 한계값을 초과하는지 판단할 수 있다.
마지막으로, 레이어 결정부(221)는, 도 17의 (a) 내지 (d)에서 제시된 모든 경우의 레이어 수를 합해서 은닉층의 총 레이어 개수를 결정할 수 있다.
예를 들어, 도 17의 (d)에서, 한계값을 넘는 요소가 연결된 포지션은 없으므로, 각 레벨당 하나의 레이어가 할당되나, 세 번째 레벨의 포지션에 특수 요소가 연결되어 있으므로 해당 포지션에 하나의 레이어가 추가되어, 해당 기능적 하위 모델에는 총 4개의 레이어가 할당될 수 있다.
노드 결정부(222)는, 미션 모듈의 포지션을 이용해 각 레이어의 노드의 개수를 결정할 수 있다. 이하에서는, 도 18을 참조하여 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 하위 모델 구성부(220)의 노드 결정부(222)에 대하여 상세히 설명하도록 한다.
도 18은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 노드 결정부(222)가 노드 개수를 정하는 방법을 예를 들어 도시한 도면이다.
도 18의 (a) 및 (b)에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 노드 결정부(222)는, 미션 모듈의 각 레벨의 포지션의 수와 은닉층의 각 레이어의 노드의 개수를 동일하게 결정하되(“규칙 6-1”), 둘 이상의 레이어가 할당된 레벨에 대해서는 한 단계 상위 레이어로 올라갈 때마다 노드의 개수를 감소시킬 수 있다(“규칙 6-2”). 즉, 미션 모듈의 해당 레벨의 레이어 수가 둘 이상인 경우, 레이어가 한 단계 상위 레이어로 올라갈 때마다 노드의 개수를 하나씩 감소시키며, 최종 레이어에 도달할 때까지 동일한 방법으로 노드의 개수를 줄일 수 있다.
예를 들어, 도 18의 (b)에서, 미션 모듈의 첫 번째 레벨의 포지션에 한계값을 넘는 개수의 요소가 연결되어 있으므로, 첫 번째 레벨에는 2개의 레이어, 두 번째 레벨에는 1개의 레이어가 각각 할당된다. 미션 모듈의 첫 번째 레벨의 2개의 포지션은 기능적 하위 모델의 첫 번째 레이어의 2개의 노드로 결정되고, 두 번째 레이어에는 노드를 하나 감소시켜 1개의 노드가 배치될 수 있다. 세 번째 레이어에는 미션 모듈의 두 번째 레벨의 1개의 포지션과 동일한 1개의 노드가 배치될 수 있다.
또한, 도 18의 (c)에 도시된 바와 같이, 노드 결정부(222)는, 특수 요소에 의해 추가 할당된 레이어의 노드 수는 해당 레벨의 노드 수를 유지할 수 있다(“규칙 6-3”).
은닉층 구성부(223)는, DNA 미션의 포지션이 활성화되면, 미션 모듈의 포지션들의 관계를 고려하여, 레이어 결정부(221) 및 노드 결정부(222)를 이용해 은닉층을 구성할 수 있다. 즉, 은닉층 구성부(223)는, DNA 미션의 포지션이 활성화 조건을 만족하여 활성화되자마자, 미션 모듈의 기반이 되는 블록 내 포지션들의 관계를 고려하여 체인과 블록의 콤비네이션으로 은닉층을 구성하기 시작할 수 있다. 따라서, 시간의 흐름 및 상황의 변화에 따라 DNA 미션의 구조가 변화되는 한, DNA 모델의 은닉측도 이와 연동하여 계속 변화할 수 있다.
도 19는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)이 DNA 모델을 구성하는 과정을 예를 들어 도시한 도면이다. 도 19에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)은, 입력부(210)를 통해 DNA 미션이 입력됨에 따라, 하위 모델 구성부(220)가 레이어 및 노드의 수를 결정하고 은닉층을 구성하며, DNA 모델 구성부(230)가 기능적 하위 모델들을 연결하여 DNA 모델을 구성할 수 있다. 입력되는 DNA 미션이 시간의 흐름에 따라 변화하므로, 자가 구성되는 DNA 모델도 시간의 흐름에 따라 변화하는 유연한 구조를 가질 수 있다.
도 20은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 기본 구조를 도시한 도면이다. 도 20에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)은, DNA 미션 및 DNA 모델을 포함하는 2개의 입력과, 학습된 DNA 모델의 1개의 출력으로 구성될 수 있으며, 뉴로블록체인 콤비네이션 기술을 이용할 수 있다.
즉, 본 발명은, DNA 미션 및 DNA 모델을 입력받아 체인 학습 및 블록 학습을 수행함으로써, 체인 학습 및 블록 학습의 콤비네이션에 의해 DNA 모델을 학습시켜, 학습된 DNA 모델을 출력할 수 있다. 실제 현장에서 체인 학습 및 블록 학습의 콤비네이션에 의해 DNA 모델이 스스로 학습하게 되므로, 시간의 흐름과 상황의 변화에 따라 DNA 모델이 자가 학습을 통해 유연하게 변화할 수 있고, 이를 이용해 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있다.
도 21은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 심볼을 도시한 도면이다. 도 21에서, 파란색 사각형은 요소(Elements), 주황색 원은 포지션(Position) 또는 노드, 별은 특수 요소(Special Elements), 회색 사각형은 은닉층(Hidden Layer), 노란색 사각형은 기능적 하위 모델(Functional Submodel), 노란색 사각형의 우측 말단에 위치한 사각형은 각 기능적 하위 모델의 출력을 각각 나타낸다.
본 발명에서 DNA 모델은 적어도 하나 이상의 기능적 하위 모델의 합으로 구성되며, 기능적 하위 모델이 체인 학습 및 블록 학습의 콤비네이션에 의해 시간의 흐름에 따라 각각 변화하면서 학습되어, 학습된 DNA 모델을 생성할 수 있다. 도 21에서는, 톱니바퀴 모양을 이용해 각각의 하위 모델이 시간의 흐름에 따라 유연하게 변하면서 학습되고 있음을 나타내었다. 하단의 화살표 방향과 같이 시간이 진행됨에 따라 각 기능적 하위 모델이 학습되면, 도 21의 우측 말단과 같이 학습된 결과(output)가 만들어질 수 있다.
도 22는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 구성을 도시한 도면이다. 도 22에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)은, 입력부(310), 체인 학습부(320) 및 블록 학습부(330)를 포함하여 구성될 수 있다.
입력부(310)는, 요소(Elements)와 포지션(Positions)의 함수이며 적어도 하나 이상의 미션 모듈로 구성되는 DNA 미션, 및 DNA 미션을 이용해 구성된 인공신경망 모델인 DNA 모델을 입력받을 수 있다. 여기에서, DNA 미션은 적어도 하나 이상의 미션 모듈(Mission Module)의 합으로 구성될 수 있으며, DNA 미션을 구성하는 미션 모듈은 데이터에서 추출된 요소(Elements)와 조직 구성원의 포지션(Positions of Organization)의 함수일 수 있다. 또한, 미션 모듈은 뉴로블록체인 콤비네이션 기술을 이용해 체인 및 블록의 콤비네이션으로 구성될 수 있다.
도 23은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 체인 학습 및 블록 학습을 각각 도시한 도면이다. 이하에서는, 도 23을 참고하여 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)을 구성하는, 체인 학습부(320) 및 블록 학습부(330)에 대해 상세히 설명하도록 한다.
체인 학습부(320)는, 입력받은 DNA 미션의 활성화된 포지션과 다른 포지션을 상호 연결하는 체인에 대한 학습을 수행할 수 있다. 데이터에서 추출된 요소가 입력됨에 따라 미리 정해진 개수의 요소가 포지션에 연결되는 등으로 활성화 조건이 만족되면, DNA 미션에 포함된 해당 포지션이 활성화될 수 있다. 체인 학습부(320)는 도 23의 (a)에 도시된 바와 같이, 활성화된 포지션과 포지션을 연결하는 체인을 학습할 수 있으며, 이와 같이 포지션과 포지션 간에 이루어지는 학습을 체인 학습이라 할 수 있다.
블록 학습부(330)는, 입력받은 DNA 미션을 구성하는 미션 모듈이 활성화되면, 활성화된 미션 모듈 내에서 학습을 수행할 수 있다. 데이터에서 추출된 요소가 입력됨에 따라 블록 내의 모든 포지션에 사전에 정해진 요소가 모두 연결되는 등으로 활성화 조건이 만족되면, 미션 모듈이 활성화될 수 있다. 블록 학습부(330)는 도 23의 (b)에 도시된 바와 같이, 활성화된 미션 모듈 내에서 학습을 할 수 있으며, 이와 같이 미션 모듈 내에서 이루어지는 학습을 블록 학습이라 할 수 있다.
한편, 체인 학습부(320) 및 블록 학습부(330)에 의해 각각 수행되는 체인 학습 및 블록 학습의 콤비네이션에 의해, DNA 모델이 학습될 수 있다. 이하에서는, 학습 시기에 따른 DNA 모델의 학습 방법에 대해 상세히 설명하도록 한다.
먼저, DNA 모델의 사전 훈련의 경우, 체인 학습부(320)는 활성화된 포지션과 다른 포지션을 상호 연결하는 모든 체인에 대한 체인 학습을 수행할 수 있다. 즉, 사전 훈련을 위해 DNA 모델을 학습시키는 경우에는, 미리 정의된 학습 지수를 이용하여 활성화된 포지션과 포지션 간 연결된 모든 체인에 대해 체인 학습을 수행할 수 있다. 이때에는, 블록 학습을 수행하지 않을 수 있다.
사전 훈련된 DNA 모델의 자가 학습의 경우, 블록 학습부(330)는 시간의 흐름에 따라 입력되는 요소에 의해 활성화된 미션 모듈 내에서 사전 훈련된 DNA 모델의 블록 학습을 자가 수행하며, 블록 학습이 종료되면, 체인 학습부(320)는 미션 모듈 내의 포지션에 연결된 모든 상위 포지션에 대하여 체인 학습을 자가 수행할 수 있다.
도 24는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 훈련된 DNA 모델의 자가 학습 과정을 예를 들어 도시한 도면이다. 도 24에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)은, 훈련된 DNA 모델이 실제 현장에 적응하면서 스스로 학습하는 경우에, 블록 학습이 먼저 수행되고 이어서 체인 학습이 수행될 수 있다.
즉, 시간의 흐름에 따른 상황 변화에 따라 입력되는 요소가 미션 모듈을 활성화시키고, 미리 정의된 자가 학습 조건이 충족되면, 활성화된 미션 모듈이 블록 학습부(330)에 의해 스스로 블록 학습을 수행할 수 있다. 블록 학습이 종료되면, 바로 이어서 체인 학습부(320)에 의해 해당 미션 모듈 내의 포지션에 연속적으로 연결된 모든 상위 포지션에 대한 체인 학습을 스스로 수행할 수 있다. 이와 같이, 체인 학습과 블록 학습의 콤비네이션에 의해 DNA 모델을 학습시킬 수 있다.
한편, 블록 학습부(330)는, 훈련된 DNA 모델이 실제 현장에 적응하면서 스스로 학습을 하는 경우에 블록 학습을 수행하게 되는데, 주어진 미션, 미션 모듈 내의 포지션에 사전에 정의된 요소와 시간의 흐름에 따라 입력되는 요소와의 관계를 고려하여 두 종류의 블록 학습을 수행할 수 있다. 이하에서는, 도 25을 참조하여 블록 학습부(330)의 세부적인 구성에 대해 상세히 설명하도록 한다.
도 25는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 블록 학습부(330)의 세부적인 구성을 도시한 도면이다. 도 25에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 블록 학습부(330)는, 수용적 블록 학습부(331) 및 반응적 블록 학습부(332)를 포함하여 구성될 수 있다.
수용적 블록 학습부(331)는, 적어도 하나 이상의 단위 시간으로 구성된 시간 블록(Time Block) 내에서, 입력된 요소와 미션 모듈의 포지션에 사전에 정의된 요소와의 상호 관계에 따라 최적의 비교 보상값(Reward Comparison)을 산출하여 무조건적으로 학습을 할 수 있다.
도 26은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 수용적 블록 학습부(331)의 학습 개념을 도시한 도면이다. 도 26에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 수용적 블록 학습부(331)는, 현 상황의 분석이나 예측 등을 통해 미래 상황을 판단해서 인간의 의사 결정에 간접적이고 중도적인 지원을 제공하는 미션에 사용되는 무조건적(Unconditional) 학습일 수 있다.
도 27은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 수용적 블록 학습부(331)의 학습 과정을 예를 들어 도시한 도면이다. 도 27에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 수용적 블록 학습부(331)는, 미션 모듈이 활성화된 시점을 기준 시간으로 설정하고, 기준 시간을 기점으로 단위 시간 및 시간 블록을 설정할 수 있다. 즉, 시간 블록은 기준 시간부터 시작되며, 단위 시간과 시간 횟수(time number)의 곱으로서, 복수의 단위 시간으로 구성될 수 있다.
기준 시간부터 시작하여 시간 블록 내에서, 설정된 매 단위 시간마다 비교 보상값을 산출하여 저장할 수 있다. 여기에서, 비교 보상값은, 매 단위 시간에 미션 모듈 내 포지션에 연결되어 있는 요소로 들어오는 데이터의 횟수, 들어오지 않는 데이터의 횟수, 및 특수 요소를 포함하는 각각의 요소에 대해 미리 정의된 보상 가중치의 함수를 이용해 계산될 수 있다. 이때, 미리 정의된 보상 가중치와 관련하여, 사전에 정의된 포지션에 연결되어 있는 요소의 가중치와 특수 요소의 가중치는 서로 상이하게 정의될 수 있다.
설정된 시간 블록이 종료되면 저장된 비교 보상값 중에서 중도적 의사결정을 지원할 수 있는 최적의 비교 보상값을 선정하여 블록 학습을 할 수 있다. 여기에서, 최적의 비교 보상값을 선정하는 방법은, 미션 및 애플리케이션, 보상값 선정 전략 등에 따라 상이할 수 있다. 예를 들어, 비교 보상값들 중에서 중앙값, 평균값, 최빈값 등을 최적의 비교 보상값으로 선정할 수 있고, 실시예에 따라서는 몬테카를로 시뮬레이션(Monte Carlo simulation) 기반의 보상값을 최적의 비교 보상값으로 선정할 수도 있다.
반응적 블록 학습부(332)는, 단위 시간 동안 입력된 요소와 미션 모듈의 포지션에 사전에 정의된 요소와의 상호 관계에 따라 기준 보상값 및 비교 보상값을 산출하고 조건적으로 학습을 할 수 있다.
도 28은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 반응적 블록 학습부(332)의 학습 개념을 도시한 도면이다. 도 28에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 반응적 블록 학습부(332)는, 현 상황의 분석이나 예측 등을 통해 미래 상황을 판단해서 인간의 행동 결정에 직접적이고 즉각적인 지원을 제공하는 미션에 사용되는 조건적(Conditional) 학습일 수 있다.
도 29는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 반응적 블록 학습부(332)의 학습 과정을 예를 들어 도시한 도면이다. 도 29에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 반응적 블록 학습부(332)는, 미션 모듈이 활성화된 시점을 기준 시간으로 설정하고, 기준 시간을 기점으로 단위 시간을 설정하며, 설정된 단위 시간 내에서 기준 보상값(Reward Reference)을 산출할 수 있다. 즉, 기준 시간으로부터 첫 번째 단위 시간에서 기준 보상값을 산출하는데, 이때 기준 보상값은, 기준 시간부터 단위 시간까지 미션 모듈 내의 포지션에 연결되어 있는 요소로 들어오는 데이터의 횟수, 들어오지 않는 데이터의 횟수, 및 특수 요소를 포함하는 각각의 요소에 대해 미리 정의된 보상 가중치의 함수를 이용해 계산될 수 있다.
그 다음 단위 시간 내에서 산출한 비교 보상값이 기준 보상값보다 크면 비교 보상값을 기준 보상값으로 변경하고 블록 학습을 할 수 있다. 즉, 기준 보상값이 계산된 단위 시간이 끝난 시점부터 시작하는 단위 시간 내에서 비교 보상값을 계산할 수 있으며, 이때 비교 보상값은 기준 보상값의 계산 시 사용하는 항목을 고려하여 계산할 수 있다. 산출된 비교 보상값과 기준 보상값을 비교하여 학습 여부를 결정할 수 있는데, 보다 구체적으로는 비교 보상값이 기준 보상값보다 큰 경우에는 비교 보상값을 기준 보상값으로 변경하고 블록 학습을 시작할 수 있다. 비교 보상값이 기준 보상값보다 작거나 같은 경우에는 블록 학습을 시작하지 않으며, 그 다음 단위 시간에 대해 비교 보상값을 계산한 후 기존 보상값과 비교하는 과정을 반복해서 수행할 수 있다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.

Claims (7)

  1. 인공신경망 모델을 학습하는 학습 모듈로서,
    요소(Elements)와 포지션(Positions)의 함수이며 적어도 하나 이상의 미션 모듈로 구성되는 DNA 미션, 및 DNA 미션을 이용해 구성된 인공신경망 모델인 DNA 모델을 입력받는 입력부(310);
    상기 입력받은 DNA 미션의 활성화된 포지션과 다른 포지션을 상호 연결하는 체인에 대한 학습을 수행하는 체인 학습부(320); 및
    상기 입력받은 DNA 미션을 구성하는 미션 모듈이 활성화되면, 활성화된 미션 모듈 내에서 학습을 수행하는 블록 학습부(330)를 포함하며,
    상기 체인 학습부(320) 및 블록 학습부(330)에 의해 각각 수행되는 체인 학습 및 블록 학습의 콤비네이션에 의해, 상기 DNA 모델이 학습되는 것을 특징으로 하는, 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300).
  2. 제1항에 있어서,
    상기 DNA 모델은, 적어도 하나 이상의 기능적 하위 모델의 합으로 구성되며,
    상기 기능적 하위 모델이 상기 체인 학습 및 블록 학습의 콤비네이션에 의해 시간의 흐름에 따라 각각 변화하면서 학습되어, 학습된 DNA 모델을 생성하는 것을 특징으로 하는, 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300).
  3. 제1항에 있어서, 상기 DNA 모델의 사전 훈련의 경우,
    상기 체인 학습부(320)는, 활성화된 포지션과 다른 포지션을 상호 연결하는 모든 체인에 대한 체인 학습을 수행하는 것을 특징으로 하는, 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300).
  4. 제1항에 있어서, 사전 훈련된 상기 DNA 모델의 자가 학습의 경우,
    상기 블록 학습부(330)는, 시간의 흐름에 따라 입력되는 요소에 의해 활성화된 미션 모듈 내에서 상기 사전 훈련된 DNA 모델의 블록 학습을 자가 수행하며,
    상기 체인 학습부(320)는, 상기 블록 학습이 종료되면, 상기 미션 모듈 내의 포지션에 연결된 모든 상위 포지션에 대하여 체인 학습을 자가 수행하는 것을 특징으로 하는, 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300).
  5. 제1항에 있어서, 상기 블록 학습부(330)는,
    적어도 하나 이상의 단위 시간으로 구성된 시간 블록 내에서, 입력된 요소와 상기 미션 모듈의 포지션에 사전에 정의된 요소와의 상호 관계에 따라 최적의 비교 보상값을 산출하여 무조건적으로 학습을 하는 수용적 블록 학습부(331); 및
    단위 시간 동안 입력된 요소와 상기 미션 모듈의 포지션에 사전에 정의된 요소와의 상호 관계에 따라 기준 보상값 및 비교 보상값을 산출하고 조건적으로 학습을 하는 반응적 블록 학습부(332)를 포함하는 것을 특징으로 하는, 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300).
  6. 제5항에 있어서, 상기 수용적 블록 학습부(331)는,
    상기 미션 모듈이 활성화된 시점을 기준 시간으로 설정하고, 상기 기준 시간을 기점으로 단위 시간 및 시간 블록을 설정하며, 설정된 단위 시간마다 비교 보상값을 산출하여 저장하고, 상기 설정된 시간 블록이 종료되면 상기 저장된 비교 보상값 중에서 최적의 비교 보상값을 선정하여 블록 학습을 하는 것을 특징으로 하는, 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300).
  7. 제5항에 있어서, 상기 반응적 블록 학습부(332)는,
    상기 미션 모듈이 활성화된 시점을 기준 시간으로 설정하고, 상기 기준 시간을 기점으로 단위 시간을 설정하며, 설정된 단위 시간 내에서 기준 보상값을 산출하고, 다음 단위 시간 내에서 산출한 비교 보상값이 상기 기준 보상값보다 크면 비교 보상값을 기준 보상값으로 변경하고 블록 학습을 하는 것을 특징으로 하는, 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300).
PCT/KR2017/004619 2017-04-18 2017-04-28 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈 WO2018194206A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170050015A KR101774844B1 (ko) 2017-04-18 2017-04-18 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈
KR10-2017-0050015 2017-04-18

Publications (1)

Publication Number Publication Date
WO2018194206A1 true WO2018194206A1 (ko) 2018-10-25

Family

ID=60033393

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/004619 WO2018194206A1 (ko) 2017-04-18 2017-04-28 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈

Country Status (2)

Country Link
KR (1) KR101774844B1 (ko)
WO (1) WO2018194206A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491266A (zh) * 2018-03-09 2018-09-04 联想(北京)有限公司 基于区块链的数据处理方法、装置及电子设备

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101856002B1 (ko) * 2017-09-06 2018-05-09 주식회사 더디엔에이시스템 인공두뇌 작동 방법
DE102017219282A1 (de) * 2017-10-26 2019-05-02 Albert-Ludwigs-Universität Freiburg Verfahren und Vorrichtung zum automatischen Erzeugen eines künstlichen neuronalen Netzes
CN109214641B (zh) * 2018-07-05 2021-11-23 广州链基智能科技有限公司 一种基于区块链的企业部门资源数字化控制方法和系统
CN109190769B (zh) * 2018-08-21 2021-12-24 深圳点宽网络科技有限公司 一种基于区块链的人工智能训练方法
KR102191773B1 (ko) * 2018-08-31 2020-12-16 한국전자통신연구원 레고형 딥러닝 학습엔진 생성 장치 및 방법
CN109493216B (zh) * 2018-09-30 2021-02-09 北京小米移动软件有限公司 模型训练方法、装置、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060076839A (ko) * 2004-12-29 2006-07-05 학교법인 대양학원 상황인식 서비스를 제공하는 장치 및 방법
JP2008041085A (ja) * 2006-07-14 2008-02-21 Pacific Technos Corp 環境に対して自律的に適応する自律適応型システム
KR20140112839A (ko) * 2013-03-14 2014-09-24 삼성전자주식회사 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법
US20150254554A1 (en) * 2014-03-04 2015-09-10 Nec Corporation Information processing device and learning method
KR20160063965A (ko) * 2014-11-27 2016-06-07 삼성전자주식회사 뉴럴 네트워크 구조 확장 방법, 디멘션 리덕션 방법, 및 그 방법을 이용한 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060076839A (ko) * 2004-12-29 2006-07-05 학교법인 대양학원 상황인식 서비스를 제공하는 장치 및 방법
JP2008041085A (ja) * 2006-07-14 2008-02-21 Pacific Technos Corp 環境に対して自律的に適応する自律適応型システム
KR20140112839A (ko) * 2013-03-14 2014-09-24 삼성전자주식회사 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법
US20150254554A1 (en) * 2014-03-04 2015-09-10 Nec Corporation Information processing device and learning method
KR20160063965A (ko) * 2014-11-27 2016-06-07 삼성전자주식회사 뉴럴 네트워크 구조 확장 방법, 디멘션 리덕션 방법, 및 그 방법을 이용한 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491266A (zh) * 2018-03-09 2018-09-04 联想(北京)有限公司 基于区块链的数据处理方法、装置及电子设备
CN108491266B (zh) * 2018-03-09 2021-11-16 联想(北京)有限公司 基于区块链的数据处理方法、装置及电子设备

Also Published As

Publication number Publication date
KR101774844B1 (ko) 2017-09-19

Similar Documents

Publication Publication Date Title
WO2018194206A1 (ko) 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈
WO2020190112A1 (en) Method, apparatus, device and medium for generating captioning information of multimedia data
WO2020122294A1 (ko) 세탁기
WO2013115431A1 (ko) 신경망 컴퓨팅 장치 및 시스템과 그 방법
WO2020213758A1 (ko) 음성으로 상호작용하는 인공 지능 장치 및 그 방법
WO2020230933A1 (ko) 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
WO2021029457A1 (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
WO2012153947A9 (ko) Led 구동 장치 및 이를 이용한 led 구동 방법
WO2022010255A1 (ko) 기계학습모델을 이용하여 면접영상에 대한 자동화된 평가를 위한 심층질문을 도출하는 방법, 시스템 및 컴퓨터-판독가능 매체
WO2021006405A1 (ko) 인공지능 서버
WO2020184748A1 (ko) 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2022164299A1 (en) Framework for causal learning of neural networks
WO2023080276A1 (ko) 쿼리 기반 데이터베이스 연동 딥러닝 분산 시스템 및 그 방법
WO2020184747A1 (ko) 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2020246753A1 (en) Electronic apparatus for object recognition and control method thereof
WO2020138564A1 (ko) 전자 장치
WO2020085653A1 (ko) 교사-학생 랜덤 펀을 이용한 다수의 보행자 추적 방법 및 시스템
WO2021040419A1 (en) Electronic apparatus for applying personalized artificial intelligence model to another model
WO2022164108A1 (ko) 네트워크를 통한 기업 진단 서비스 제공 방법 및 이에 사용되는 관리 서버
WO2022265127A1 (ko) 인공 지능 학습 기반의 사용자 이탈율 예측 및 사용자 지식 추적 시스템 및 그것의 동작 방법
WO2020222338A1 (ko) 화상 정보를 제공하는 인공 지능 장치 및 그 방법
WO2020017827A1 (ko) 전자 장치, 및 전자 장치의 제어 방법
WO2023106723A1 (ko) 영상 융합을 위한 신경 프로세싱 유닛 및 인공신경망 시스템
WO2020080685A1 (ko) 단일 영상과 심층 네트워크를 이용한 놀이 블록 깊이 맵 생성 방법 및 시스템
WO2021066504A1 (ko) 심층 신경망 구조 학습 및 경량화 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17906285

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 06.02.2020)

122 Ep: pct application non-entry in european phase

Ref document number: 17906285

Country of ref document: EP

Kind code of ref document: A1