WO2021215635A1 - 환경 인자 조절 장치 및 그 훈련 방법 - Google Patents

환경 인자 조절 장치 및 그 훈련 방법 Download PDF

Info

Publication number
WO2021215635A1
WO2021215635A1 PCT/KR2021/001512 KR2021001512W WO2021215635A1 WO 2021215635 A1 WO2021215635 A1 WO 2021215635A1 KR 2021001512 W KR2021001512 W KR 2021001512W WO 2021215635 A1 WO2021215635 A1 WO 2021215635A1
Authority
WO
WIPO (PCT)
Prior art keywords
computer
data
point
continuation
computer program
Prior art date
Application number
PCT/KR2021/001512
Other languages
English (en)
French (fr)
Inventor
김병찬
신종선
심상우
윤성호
Original Assignee
주식회사 마키나락스
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 마키나락스 filed Critical 주식회사 마키나락스
Priority to US17/238,105 priority Critical patent/US11156969B1/en
Priority to US17/477,423 priority patent/US11797859B2/en
Publication of WO2021215635A1 publication Critical patent/WO2021215635A1/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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Definitions

  • the present invention relates to an apparatus for controlling environmental factors using a computing device and a training method therefor, and more particularly, to a method of transforming learning data having a discontinuous shape into a continuous shape.
  • Such a conventional adjustment method has an advantage of being performed based on the expert knowledge of a human operator in a relevant field, but has a disadvantage in that real-time adjustment of a corresponding apparatus is impossible.
  • Patent Document 1 Republic of Korea Patent No. 10-1129723
  • Patent Document 2 US Patent No. 2012-0054131
  • Patent Document 3 US Patent Publication No. 2019/0250203
  • the present disclosure has been devised in response to the above-described background technology, and is intended to provide a training method of an environmental factor control apparatus automation model.
  • the computer program comprises instructions that, when executed on one or more processors of a computer device, cause the following steps to be performed for data processing, the steps comprising: at least one contiguous interval from each subset of raw data; recognizing; determining at least one continuation point based on a starting point and an ending point of each of the at least one continuous section; and based on the at least one sequencing point, generating the learning data set by generating the sequential learning data; may include.
  • the raw data subset may be in the form of a step function.
  • the continuation point may be determined based on a preset ratio of the length of the continuous section and the start point and the end point of the continuous section.
  • the preset ratio may be different depending on the type of the raw data.
  • continuation point may be two or more within the continuous section.
  • the continuation point may be determined based on a start point and an end point of each of the subsections for each of the two or more subsections dividing the continuous section.
  • the length of each of the two or more sub-sections may be different.
  • the generating of the continuous learning data may include: determining a plurality of points connecting between the one or more consecutive points through interpolation; may include.
  • the plurality of points may be determined by interpolation using a linear function or a multi-order function.
  • the interpolation method may be at least one of a linear interpolation method and a spline interpolation method.
  • using the training data set to train the environmental factor control automation model; evaluating the performance of the environmental factor control automation model; and determining whether to generate a new training data set by resetting the continuation point based on the performance evaluation result. may further include.
  • the performance may be measured based on a mean square error (MSE) for a validation data set.
  • MSE mean square error
  • the environmental factor control automation device includes a memory; and a processor; comprising, wherein the processor recognizes at least one continuous section from raw data, determines at least one continuation point based on a start point and an end point of each of the at least one continuous section, and the at least one Based on the sequencing points, a training data set can be generated by generating continuous training data.
  • the computer-readable recording medium storing the data structure is a computer-readable recording medium storing a data structure corresponding to a parameter of a neural network that is at least partially updated during a learning process, and the operation of the neural network is at least partially dependent on the parameter.
  • the learning process comprises: recognizing at least one continuous section from raw data; determining at least one continuation point based on a starting point and an ending point of each of the at least one continuous section; and based on the at least one continuation point, generating a training data set by generating continuous learning data.
  • the present disclosure may provide a training method of an environmental factor control device automation model.
  • FIG. 1 is a block diagram illustrating an exemplary computing device for performing a method for automating environmental factor adjustment according to the present disclosure.
  • FIG. 2 is a schematic diagram illustrating a network function for performing a method for automating environmental factor adjustment according to an embodiment of the present disclosure.
  • FIG. 3 shows an example of a recursive neural network, which is a form of a network function according to the present disclosure.
  • FIG. 4 is a flowchart illustrating an example of a method for a processor according to the present disclosure to generate an environmental factor adjustment automation model.
  • FIG. 5 shows an example of determining a continuation point by a processor according to the present disclosure.
  • 6A and 6B show examples of training data on which interpolation is performed by a processor according to the present disclosure.
  • FIG. 7 is a flowchart illustrating an example of a method for a processor according to the present disclosure to generate an environmental factor adjustment automation model.
  • FIG. 8 is a simplified, general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • a component can be, but is not limited to being, a process running on a processor, a processor, an object, a thread of execution, a program, and/or a computer.
  • an application running on a computing device and the computing device may be a component.
  • One or more components may reside within a processor and/or thread of execution.
  • a component may be localized within one computer.
  • a component may be distributed between two or more computers.
  • these components can execute from various computer readable media having various data structures stored therein.
  • Components may communicate via a network such as the Internet with another system, for example via a signal having one or more data packets (eg, data and/or signals from one component interacting with another component in a local system, distributed system, etc.) may communicate via local and/or remote processes depending on the data being transmitted).
  • a network such as the Internet with another system
  • one or more data packets eg, data and/or signals from one component interacting with another component in a local system, distributed system, etc.
  • FIG. 1 is a block diagram of a computing device for performing an automated method for adjusting environmental factors according to an embodiment of the present disclosure.
  • the configuration of the computing device 100 shown in FIG. 1 is only a simplified example.
  • the computing device 100 may include other components for performing the computing environment of the computing device 100 , and only some of the disclosed components may configure the computing device 100 .
  • the computing device 100 may include a processor 110 and a memory 120 .
  • the processor 110 may include one or more cores, and a central processing unit (CPU) of a computing device, a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU). unit) and the like, and may include a processor for data analysis and deep learning.
  • the processor 110 may read a computer program stored in the memory 120 to perform data processing for machine learning according to an embodiment of the present disclosure.
  • the processor 110 may perform an operation for learning the neural network.
  • the processor 110 for learning of the neural network such as processing input data for learning in deep learning (DL), extracting features from the input data, calculating an error, updating the weight of the neural network using backpropagation calculations can be performed.
  • DL deep learning
  • At least one of a CPU, a GPGPU, and a TPU of the processor 110 may process learning of a network function.
  • the CPU and the GPGPU can process learning of a network function and data classification using the network function together.
  • learning of a network function and data classification using the network function may be processed by using the processors of a plurality of computing devices together.
  • the computer program executed in the computing device according to an embodiment of the present disclosure may be a CPU, GPGPU, or TPU executable program.
  • the memory 120 may store any type of information generated or determined by the processor 110 and any type of information received by the network unit.
  • the memory 120 is a flash memory type, a hard disk type, a multimedia card micro type, or a card type memory (eg, SD or XD memory, etc.), Random Access Memory (RAM), Static Random Access Memory (SRAM), Read-Only Memory (ROM), Electrically Erasable Programmable Read-Only Memory (EEPROM), Programmable Read (PROM) -Only Memory), a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium.
  • RAM Random Access Memory
  • SRAM Static Random Access Memory
  • ROM Read-Only Memory
  • EEPROM Electrically Erasable Programmable Read-Only Memory
  • PROM Programmable Read
  • FIG. 2 is a schematic diagram illustrating a network function for performing a method for automating environmental factor adjustment according to an embodiment of the present disclosure.
  • a neural network may be composed of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network is configured by including at least one or more nodes. Nodes (or neurons) constituting the neural networks may be interconnected by one or more links.
  • one or more nodes connected through a link may relatively form a relationship between an input node and an output node.
  • the concepts of an input node and an output node are relative, and any node in an output node relationship with respect to one node may be in an input node relationship in a relationship with another node, and vice versa.
  • an input node-to-output node relationship may be created around a link.
  • One or more output nodes may be connected to one input node through a link, and vice versa.
  • the value of the output node may be determined based on data input to the input node.
  • a node interconnecting the input node and the output node may have a weight.
  • the weight may be variable, and may be changed by the user or algorithm in order for the neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node sets values input to input nodes connected to the output node and links corresponding to the respective input nodes. An output node value may be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and an output node relationship within the neural network.
  • the characteristics of the neural network may be determined according to the number of nodes and links in the neural network, the correlation between the nodes and the links, and the value of a weight assigned to each of the links. For example, when the same number of nodes and links exist and there are two neural networks having different weight values between the links, the two neural networks may be recognized as different from each other.
  • a neural network may include one or more nodes. Some of the nodes constituting the neural network may configure one layer based on distances from the initial input node. For example, a set of nodes having a distance n from the initial input node may constitute n layers. The distance from the initial input node may be defined by the minimum number of links that must be traversed to reach the corresponding node from the initial input node. However, the definition of such a layer is arbitrary for description, and the order of the layer in the neural network may be defined in a different way from the above. For example, a layer of nodes may be defined by a distance from the final output node.
  • the initial input node may refer to one or more nodes to which data is directly input without going through a link in a relationship with other nodes among nodes in the neural network.
  • it may mean nodes that other input nodes connected by a link do not have.
  • the final output node may refer to one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network.
  • the hidden node may mean nodes constituting the neural network other than the first input node and the last output node.
  • the neural network according to an embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as progresses from the input layer to the hidden layer.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be less than the number of nodes in the output layer, and the number of nodes decreases as the number of nodes progresses from the input layer to the hidden layer. have.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as the input layer progresses to the hidden layer.
  • the neural network according to another embodiment of the present disclosure may be a neural network in a combined form of the aforementioned neural networks.
  • a deep neural network may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer.
  • Deep neural networks can be used to identify the latent structures of data. In other words, it can identify the potential structure of photos, texts, videos, voices, and music (for example, what objects are in the photos, what the text and emotions are, what the texts and emotions are, etc.) .
  • Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, generative adversarial networks (GANs), and restricted Boltzmann machines (RBMs). boltzmann machine), a deep belief network (DBN), a Q network, a U network, a Siamese network, and the like.
  • CNNs convolutional neural networks
  • RNNs recurrent neural networks
  • GANs generative adversarial networks
  • RBMs restricted Boltzmann machines
  • the network function may include an auto-encoder.
  • the auto-encoder may be a kind of artificial neural network for outputting output data similar to input data.
  • the auto encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between the input/output layers.
  • the number of nodes in each layer may be reduced from the number of nodes of the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically with reduction from the bottleneck layer to the output layer (symmetrically with the input layer).
  • the bottleneck layer encoding
  • the dimensionality reduction layer and the dimension reconstruction layer are illustrated as being symmetrical in the example of FIG.
  • the present disclosure is not limited thereto, and the nodes of the dimension reduction layer and the dimension reconstruction layer may or may not be symmetrical.
  • the auto-encoder can perform non-linear dimensionality reduction.
  • the number of input layers and output layers may correspond to the number of sensors remaining after pre-processing of input data.
  • the number of nodes of the hidden layer included in the encoder may have a structure that decreases as the distance from the input layer increases.
  • the number of nodes in the bottleneck layer (the layer with the fewest nodes between the encoder and the decoder) is too small, a sufficient amount of information may not be conveyed, so a certain number or more (e.g., more than half of the input layer, etc.) ) may be maintained.
  • the neural network may be trained by at least one of supervised learning, unsupervised learning, and semi-supervised learning.
  • the training of the neural network is to minimize the error in the output.
  • iteratively inputs the training data to the neural network, calculates the output of the neural network and the target error for the training data, and calculates the error of the neural network from the output layer of the neural network to the input layer in the direction to reduce the error. It is a process of updating the weight of each node in the neural network by backpropagation in the direction.
  • teacher learning learning data in which the correct answer is labeled in each learning data is used (ie, labeled learning data), and in the case of comparative learning, the correct answer may not be labeled in each learning data.
  • the learning data in the case of teacher learning regarding data classification may be data in which categories are labeled in each of the learning data.
  • Labeled training data is input to the neural network, and an error can be calculated by comparing the output (category) of the neural network with the label of the training data.
  • an error may be calculated by comparing the input training data with the neural network output. The calculated error is back propagated in the reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back propagation.
  • a change amount of the connection weight of each node to be updated may be determined according to a learning rate.
  • the computation of the neural network on the input data and the backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently according to the number of repetitions of the learning cycle of the neural network. For example, in the early stage of training of a neural network, a high learning rate can be used to enable the neural network to quickly acquire a certain level of performance, thereby increasing efficiency, and using a low learning rate at the end of learning can increase accuracy.
  • the training data may be a subset of real data (that is, data to be processed using the trained neural network), and thus the error on the training data is reduced, but the error on the real data is reduced.
  • Overfitting is a phenomenon in which errors on actual data increase by over-learning on training data as described above. For example, a phenomenon in which a neural network that has learned a cat by showing a yellow cat does not recognize that it is a cat when it sees a cat other than yellow may be a type of overfitting. Overfitting can act as a cause of increasing errors in machine learning algorithms. In order to prevent such overfitting, various optimization methods can be used. In order to prevent overfitting, methods such as increasing training data, regularization, or dropout in which a part of nodes in the network are omitted in the process of learning, may be applied.
  • FIG 3 shows an example of a recurrent neural network in the form of an artificial neural network according to the present disclosure.
  • the network function may have a form of a recurrent neural network (RNN) as well as a form of a general artificial neural network.
  • RNN recurrent neural network
  • a cyclic neural network has a characteristic that connections between units have a cyclic structure. This structure allows the state to be stored inside the neural network to model time-varying dynamic features.
  • recurrent neural networks can process input in the form of sequences using internal memory. Therefore, the cyclic neural network can process data having time-varying characteristics, such as handwriting recognition and speech recognition.
  • the description of the above-mentioned data is merely an example, and the present disclosure is not limited thereto.
  • the input data according to the present disclosure is data input to a neural network, and in particular, when the neural network is a recurrent neural network, the input data may be data about an environmental factor.
  • Output data according to the present disclosure is a result of input data being derived through a network function, and may be a value of an environmental factor derived by the network function at a current time point.
  • the input data (X) may include temperature, humidity, oxygen concentration, and the like at the time.
  • the output data (Y) is the number of revolutions per minute (RPM) of the microorganism culture device at the current time, derived by the neural network. , may include an air flow (airflow) and the like.
  • the cyclic neural network may be trained to derive the value of the environmental factor over time from the data configured as above.
  • RNNs are generally suitable for modeling sequence/time series data. Accordingly, the output data Y may be related to an environmental factor to be adjusted according to time. This is only an example regarding the type of sequence/time series data, and the type of sequence/time series data is not limited thereto.
  • FIG. 4 is a flowchart illustrating an example of a method for a processor according to the present disclosure to generate an environmental factor adjustment automation model.
  • the environment may mean an environment in an experiment, process, storage, etc. that are continuously performed for a certain period of time. That is, in the above example, the environment may be a laboratory in which an experiment is performed, a medium, a closed space, a freezer storing arbitrary items, a furnace in a steel mill, and the like.
  • the environmental factors to be controlled of the apparatus and method according to the present disclosure may be the number of revolutions per minute of the experimental apparatus controlled based on the temperature, humidity, etc. of the experimental space, the amount of airflow in the experimental medium, and the like.
  • control target factor should not be limited thereto.
  • the processor 110 may recognize at least one continuous section from each of the raw data subsets included in the raw data set ( S100 ).
  • the raw data subset according to the present disclosure may be a set of raw data that is a vector having environmental factors and time as its elements.
  • the raw data subset may be time-dependent sequence data of an environmental factor.
  • the environmental control automation model according to the present disclosure may relate to an apparatus and method for regulating the number of revolutions per minute and the amount of air flow of an experimental apparatus in the process of culturing microorganisms.
  • the raw data subset may be a set including vectors representing the number of revolutions per minute over time of the plurality of culture apparatuses.
  • the raw data subset is ⁇ (2000rpm, 1s), (2000rpm, 2s), (2200rpm, 3s), ... ⁇ can be configured as
  • the raw data according to the present disclosure may be past data in which a control operation for the environmental factor has been performed for the environmental factor to be controlled.
  • the raw data may be data obtained by collecting records on environmental factors.
  • the adjustment operation is performed at an arbitrary time interval, and the value of the adjustment factor is constant between adjustment operations.
  • data included in the data subset may have a discontinuous form such as a step function on the coordinate space.
  • training data for a neural network such as a raw data subset can be serialized.
  • training neural networks reflecting time series information using discontinuous data according to a general technique
  • training of the neural network may not be performed smoothly.
  • training of the neural network can be performed more effectively when continuous training data is used as in the method according to the present disclosure.
  • the model trained with such continuous data can perform the adjustment of environmental factors according to changes in the surrounding environment in real time. Accordingly, it is possible to solve the problem that it is difficult for the operator of the conventional experimental apparatus to respond immediately to changes in the environment in the culture process, the production process, and the like. That is, even though the environment appears to be in a static state at first glance, since minute changes are continuously made in the environment, the method for controlling environmental factors according to the present disclosure can ensure optimal control.
  • the manipulation record is serialized by the environmental factor control automation model according to the present disclosure and the neural network is trained, it is possible to reflect the existing environmental factor control method and simultaneously respond to minute changes in the environment to be controlled in real time. Therefore, goals such as microbial culture process or efficiency of production process can be achieved.
  • the raw data is a two-dimensional vector whose elements are the value and time of one environmental factor.
  • the raw data is not limited thereto, and may be a vector having two or more types of environmental factors and time as its elements.
  • the raw data may be configured to include two or more environmental factors and time, such as (revolutions per minute, airflow, ..., time).
  • each of the raw data included in the raw data subset may represent the state of various environmental factors over time, the raw data and the raw data subset should not be interpreted as being limited to the above-described examples.
  • continuous of a plurality of data means that when the plurality of data are arranged in a coordinate space, points corresponding to the plurality of data can be connected in space without being disconnected.
  • the continuous section according to the present disclosure may mean a set of points in which each of the raw data is continuously expressed when the raw data subset is expressed as a graph.
  • the raw data may take the form of a step function.
  • the raw data subset when each of the raw data included in the raw data subset is displayed on the coordinate space, the raw data subset may take the form of a step function having a plurality of continuous sections. Also, when there are a plurality of consecutive intervals in the raw data subset, each of the consecutive intervals may be discontinuous with respect to each other.
  • the processor 110 may determine at least one continuous interval for each of the raw data subsets.
  • the processor 110 may determine a start point and an end point of the continuous section.
  • a starting point and an ending point may be defined for each of the above-described continuous sections. That is, the starting point and the ending point may refer to points determined as starting and ending continuous sections according to a preset rule.
  • a preset rule for determining the starting point and the ending point will be described below.
  • the processor 110 uses a point closest to the origin among points corresponding to the raw data included in the continuous section as a starting point and a farthest point as an end point can decide
  • the processor 110 in which the raw data includes time as one element may determine, for each of the consecutive sections, the point having the smallest time value as the starting point and the point having the largest time value as the ending point. .
  • the above-described method of determining the starting point and the ending point is exemplary, and the method of determining the starting point and the ending point is not limited thereto.
  • the processor 110 may determine at least one continuation point based on a start point and an end point of each of the at least one continuous section for each of the raw data subsets ( S200 ).
  • the processor 110 may determine a continuation point in order to connect the plurality of consecutive sections when there are a plurality of consecutive sections in the raw data subset.
  • the processor 110 may determine a point spaced apart by a certain distance from the start point of the continuous section as a continuation point for the start point and a point spaced apart from the end point by a certain distance as the second continuation point.
  • the processor 110 may calculate a distance corresponding to a preset ratio with respect to the length of the continuous section.
  • a preset ratio may be different depending on an environment to which the environmental factor control method and apparatus according to the present disclosure are applied, and the type of environmental factor. Even in one raw data, different ratios may be applied to different types of environmental factors.
  • the processor 110 determines a continuation point based on the distance by the preset ratio from the start point and the end point, and connects the plurality of continuation points to obtain continuous learning data.
  • the processor 110 may allow the continuation point to be spaced apart from the start point and the end point by a distance equal to the preset ratio in each of the axial directions on the coordinate space.
  • training data for a neural network such as a raw data subset can be serialized.
  • training neural networks reflecting time series information using discontinuous data according to a general technique
  • training of the neural network may not be performed smoothly.
  • training of the neural network can be performed more effectively when continuous training data is used as in the method according to the present disclosure.
  • the model trained with such continuous data can perform the adjustment of environmental factors according to changes in the surrounding environment in real time. Accordingly, it is possible to solve the problem that it is difficult for the operator of the conventional experimental apparatus to respond immediately to changes in the environment in the culture process, the production process, and the like. That is, even though the environment appears to be in a static state at first glance, since minute changes are continuously made in the environment, the method for controlling environmental factors according to the present disclosure can ensure optimal control.
  • the manipulation record is serialized by the environmental factor control automation model according to the present disclosure and the neural network is trained, it is possible to reflect the existing environmental factor control method and simultaneously respond to minute changes in the environment to be controlled in real time. Therefore, goals such as microbial culture process or efficiency of production process can be achieved.
  • the processor 110 may generate continuous learning data based on at least one continuation point for each of the raw data subsets (S300).
  • the processor 110 may generate continuous learning data by connecting a plurality of continuation points determined through step S200 .
  • connecting the plurality of continuation points may mean generating a plurality of points on a coordinate space connecting the two continuation points by applying an interpolation method between the two continuation points.
  • the processor 110 may generate an environment factor adjustment automation model using the generated continuous learning data (S400).
  • the processor 110 may generate continuous training data for each of the raw data subsets. Accordingly, a plurality of continuous training data may be generated for each of the raw data sets.
  • the processor 110 may generate the environmental factor control automation model by training the environmental factor control automation model using the generated continuous learning data.
  • FIG. 5 shows an example of determining a continuation point by a processor according to the present disclosure.
  • the continuous section according to the present disclosure may mean a set of points in which each of the raw data is continuously expressed when the raw data subset is expressed as a graph.
  • each of the consecutive intervals may be in a discontinuous relationship with respect to each other.
  • a plurality of consecutive sections W may appear when the raw data subset is expressed as a graph.
  • FIG. 5 illustrates a case in which the graphs have a step function form when raw data included in one raw data subset are expressed in two dimensions.
  • a plurality of continuous sections W may appear.
  • the plurality of continuous sections W may be discontinuous from each other. That is, one continuous section W may be discontinuous with respect to another continuous section W at its start point and end point.
  • the processor 110 may determine a plurality of continuation points to generate continuous learning data when a plurality of consecutive sections exist in the raw data subset.
  • the processor 110 may determine a first continuation interval (V) and a second continuation interval (H) for an arbitrary continuous section.
  • the processor 110 is spaced apart by a first continuation interval (V) in the time axis direction from the start point of the continuous section, and sets a point spaced apart by a second continuation interval (H) in the axial direction of the factor to be adjusted as a continuation point 200 .
  • V first continuation interval
  • H second continuation interval
  • the first continuation interval (V) and the second continuation interval (H) may be determined based on the length of the continuous interval (W).
  • the first continuation interval V and the second continuation interval H may be determined as a predetermined ratio of the length of the continuous interval W.
  • the first continuation interval (V) and the second continuation interval (H) may be the same or different.
  • the first continuation interval V and the second continuation interval H may be different from a continuation point corresponding to a start point of the continuous section and a continuation point corresponding to an end point of the continuous section.
  • the continuation interval may mean an interval determined with respect to one axis on a coordinate space in which raw data is expressed in order to determine a continuation point. As described above, the continuation interval may be determined using the distance of the continuous section W.
  • V, H may be hyper parameters of the environmental factor control automation model according to the present disclosure.
  • the continuation interval may exist as many as the number of dimensions of the vector in which the raw data is expressed. Therefore, the determination of the continuation point is not possible only in the two-dimensional space as shown in FIG. 5 .
  • the continuation point 200 according to the present disclosure may exceed two in one continuous section.
  • the processor 110 may divide one continuous interval into two or more subintervals to generate more than two continuation points.
  • the processor 110 may determine a start point and an end point for each of the sub-intervals, and determine a continuation point for each of the sub-intervals based on the length of the sub-interval and the start and end points of the sub-interval.
  • the lengths of the plurality of subsections dividing one continuous section may be different from each other.
  • the environment may mean an environment in an experiment, process, storage, etc. that are continuously performed for a certain period of time. That is, in the above example, the environment may be a laboratory in which an experiment is performed, a medium, a closed space, a freezer storing arbitrary items, a furnace in a steel mill, and the like.
  • control target factor to be controlled of the apparatus and method according to the present disclosure may be the number of revolutions per minute of the experimental device controlled based on the temperature, humidity, etc. of the experimental space, freezer, furnace, etc. or the amount of air flow in the freezer, furnace, etc. have.
  • control target factor should not be limited thereto.
  • 6A and 6B show examples of training data on which interpolation is performed by a processor according to the present disclosure.
  • Interpolation or interpolation is a method of constructing a new data point within an isolated point of a known data point.
  • the processor 110 may generate data points connecting the determined continuation points using an interpolation method.
  • Linear interpolation is a method of calculating linearly according to a straight line distance in order to estimate a value located between the end points when the values are given.
  • spline interpolation may refer to a method of obtaining a smooth function using low-order polynomial fragments by dividing an entire section into subsections.
  • the interpolation method is used as in the method according to the present disclosure, continuous training data can be generated using a small amount of computation. Accordingly, the total amount of computation for training the neural network according to the present disclosure can be reduced.
  • the processor 110 may determine a continuation point in order to connect the plurality of consecutive sections when there are a plurality of consecutive sections in the raw data subset.
  • the processor 110 may determine a first continuation interval (V) and a second continuation interval (H) for an arbitrary continuous section.
  • the processor 110 is spaced apart by a first continuation interval (V) in the time axis direction from the start point of the continuous section, and sets a point spaced apart by a second continuation interval (H) in the axial direction of the factor to be adjusted as a continuation point 200 .
  • V first continuation interval
  • H second continuation interval
  • the first continuation interval (V) and the second continuation interval (H) may be determined based on the length of the continuous interval (W).
  • the first continuation interval V and the second continuation interval H may be determined as a predetermined ratio of the length of the continuous interval W.
  • the first continuation interval (V) and the second continuation interval (H) may be the same or different.
  • the first continuation interval V and the second continuation interval H may be different from a continuation point corresponding to a start point of the continuous section and a continuation point corresponding to an end point of the continuous section.
  • the processor 110 may connect the determined continuation points 200 .
  • the processor 110 may connect a plurality of continuation points using linear interpolation. That is, the processor 110 may generate points connecting a plurality of continuation points through linear interpolation.
  • the processor may connect a plurality of continuation points in a curved form, as shown in FIG. 6B .
  • the processor 110 may connect the plurality of continuation points with polynomials of second order or higher using spline interpolation. Through this, it is possible to generate continuous learning data in the form of a curve.
  • FIG. 7 is a flowchart illustrating an example of a method for a processor according to the present disclosure to generate an environmental factor adjustment automation model.
  • the processor 110 may learn the environmental factor control automation model using the continuous learning data ( S410 ).
  • the environmental factor control automation model may be trained to receive a vector representing an environmental factor and output an appropriate value of the factor to be controlled.
  • the processor 110 receives raw data on environmental factors up to the previous time point of the automated environmental factor control model, and the target to be adjusted at the current time point It can be used to determine the value of a factor.
  • RNN recurrent artificial neural network
  • the environmental factor control device is for the environmental factor control of the microorganism culture device.
  • the processor 110 receives the sequence of input data (X) of the microorganism culturing apparatus from the first time point to the time (T-1), and a cyclic artificial neural network to determine the output data of the microorganism culture apparatus at the time T can be trained
  • the environmental factor to be adjusted here may be the number of revolutions per minute of the experimental apparatus, and thus the output data may also indicate the number of revolutions per minute of the experimental apparatus.
  • the output data should not be limited thereto.
  • the processor 110 may evaluate the performance of the learned environmental factor adjustment automation model (S420).
  • the processor 110 may evaluate prediction performance for the verification data set and the test data set using the environment factor control model trained as described above.
  • the verification data set may include a verification data subset including a plurality of verification data
  • the test data set may include a test data subset including a plurality of test data
  • the verification data and test data provided to evaluate the prediction performance may be data serialized by the method shown in FIGS. 3 to 6 .
  • the processor 110 may change the adjustment factor over time through the environmental factor adjustment automation model according to the present disclosure for the verification data set and the test data set.
  • the processor 110 may evaluate the performance of the environmental factor control automation model by comparing the values of the environmental factors over time generated through the model with the values of the control factors included in the verification data set and the test data set.
  • the processor 110 may evaluate the performance of the environmental factor adjustment automation model based on the Mean Square Error (MSE) value for the verification data set.
  • MSE Mean Square Error
  • the processor 110 may generate a plurality of consecutive training data having different sequencing intervals. In this case, the processor 110 may determine the continuation interval used to generate the continuous learning data having the lowest MSE value as a hyper parameter of the environmental factor control automation model according to the present disclosure.
  • the processor 110 may determine whether the performance evaluation result satisfies the performance criterion, and when the performance evaluation result satisfies the performance criterion (S430, Yes), the learning of the environmental factor adjustment automation model may be terminated (S450) .
  • the processor 110 may reset the continuation point to generate new learning data ( S440 ).
  • the processor 110 may evaluate the performance of the environmental factor control automation model by recognizing whether the MSE value of the selected continuous learning data is less than or equal to a preset criterion.
  • the processor 110 may terminate the learning of the environmental factor adjustment automation model.
  • the processor 110 may reset the continuation point. In order to reset the sequencing point, the processor 110 may determine a new continuation interval that has not been used previously.
  • FIG. 8 is a simplified, general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types.
  • methods of the present disclosure are suitable for single-processor or multiprocessor computer systems, minicomputers, mainframe computers as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, etc. (each of which is It will be appreciated that other computer system configurations may be implemented, including those that may operate in connection with one or more associated devices.
  • the described embodiments of the present disclosure may also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network.
  • program modules may be located in both local and remote memory storage devices.
  • Computers typically include a variety of computer-readable media. Any medium accessible by a computer can be a computer-readable medium, and such computer-readable media includes volatile and nonvolatile media, transitory and non-transitory media, removable and non-transitory media. including removable media.
  • computer-readable media may include computer-readable storage media and computer-readable transmission media.
  • Computer-readable storage media includes volatile and non-volatile media, transitory and non-transitory media, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. includes media.
  • a computer-readable storage medium may be RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device, or other magnetic storage device. device, or any other medium that can be accessed by a computer and used to store the desired information.
  • Computer readable transmission media typically embodies computer readable instructions, data structures, program modules or other data, etc. in a modulated data signal such as a carrier wave or other transport mechanism, and Includes any information delivery medium.
  • modulated data signal means a signal in which one or more of the characteristics of the signal is set or changed so as to encode information in the signal.
  • computer-readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer-readable transmission media.
  • An example environment 1100 implementing various aspects of the disclosure is shown including a computer 1102 , the computer 1102 including a processing unit 1104 , a system memory 1106 , and a system bus 1108 . do.
  • the system bus 1108 couples system components, including but not limited to system memory 1106 , to the processing device 1104 .
  • the processing device 1104 may be any of a variety of commercially available processors. Dual processor and other multiprocessor architectures may also be used as processing unit 1104 .
  • the system bus 1108 may be any of several types of bus structures that may further be interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures.
  • System memory 1106 includes read only memory (ROM) 1110 and random access memory (RAM) 1112 .
  • ROM read only memory
  • RAM random access memory
  • a basic input/output system (BIOS) is stored in non-volatile memory 1110, such as ROM, EPROM, EEPROM, etc., which is the basic input/output system (BIOS) that helps transfer information between components within computer 1102, such as during startup. contains routines.
  • BIOS basic input/output system
  • RAM 1112 may also include high-speed RAM, such as static RAM, for caching data.
  • the computer 1102 may also be configured with an internal hard disk drive (HDD) 1114 (eg, EIDE, SATA) - this internal hard disk drive 1114 may also be configured for external use within a suitable chassis (not shown).
  • HDD hard disk drive
  • FDD magnetic floppy disk drive
  • optical disk drive 1120 eg, a CD-ROM
  • the hard disk drive 1114 , the magnetic disk drive 1116 , and the optical disk drive 1120 are connected to the system bus 1108 by the hard disk drive interface 1124 , the magnetic disk drive interface 1126 , and the optical drive interface 1128 , respectively.
  • the interface 1124 for external drive implementation includes at least one or both of Universal Serial Bus (USB) and IEEE 1394 interface technologies.
  • drives and their associated computer-readable media provide non-volatile storage of data, data structures, computer-executable instructions, and the like.
  • drives and media correspond to storing any data in a suitable digital format.
  • computer readable media refers to HDDs, removable magnetic disks, and removable optical media such as CDs or DVDs, those skilled in the art will use zip drives, magnetic cassettes, flash memory cards, cartridges, etc. It will be appreciated that other tangible computer-readable media such as etc. may also be used in the exemplary operating environment and any such media may include computer-executable instructions for performing the methods of the present disclosure.
  • a number of program modules may be stored in the drive and RAM 1112 , including an operating system 1130 , one or more application programs 1132 , other program modules 1134 , and program data 1136 . All or portions of the operating system, applications, modules, and/or data may also be cached in RAM 1112 . It will be appreciated that the present disclosure may be implemented in various commercially available operating systems or combinations of operating systems.
  • a user may enter commands and information into the computer 1102 via one or more wired/wireless input devices, for example, a pointing device such as a keyboard 1138 and a mouse 1140 .
  • Other input devices may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like.
  • these and other input devices are often connected to the processing unit 1104 through an input device interface 1142 that is connected to the system bus 1108, parallel ports, IEEE 1394 serial ports, game ports, USB ports, IR interfaces, It may be connected by other interfaces, etc.
  • a monitor 1144 or other type of display device is also coupled to the system bus 1108 via an interface, such as a video adapter 1146 .
  • the computer typically includes other peripheral output devices (not shown), such as speakers, printers, and the like.
  • Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148 via wired and/or wireless communications.
  • Remote computer(s) 1148 may be workstations, computing device computers, routers, personal computers, portable computers, microprocessor-based entertainment devices, peer devices, or other common network nodes, and are typically connected to computer 1102 . Although it includes many or all of the components described for it, only memory storage device 1150 is shown for simplicity.
  • the logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, eg, a wide area network (WAN) 1154 .
  • LAN and WAN networking environments are common in offices and companies, and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to a worldwide computer network, for example, the Internet.
  • the computer 1102 When used in a LAN networking environment, the computer 1102 is connected to the local network 1152 through a wired and/or wireless communication network interface or adapter 1156 .
  • Adapter 1156 may facilitate wired or wireless communication to LAN 1152 , which also includes a wireless access point installed therein for communicating with wireless adapter 1156 .
  • the computer 1102 When used in a WAN networking environment, the computer 1102 may include a modem 1158, be connected to a communication computing device on the WAN 1154, or establish communications over the WAN 1154, such as over the Internet. have other means.
  • a modem 1158 which may be internal or external and a wired or wireless device, is coupled to the system bus 1108 via a serial port interface 1142 .
  • program modules described for computer 1102 may be stored in remote memory/storage device 1150 . It will be appreciated that the network connections shown are exemplary and other means of establishing a communication link between the computers may be used.
  • Computer 1102 may be associated with any wireless device or object that is deployed and operates in wireless communication, for example, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communications satellites, wireless detectable tags. It operates to communicate with any device or place, and phone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, the communication may be a predefined structure as in a conventional network or may simply be an ad hoc communication between at least two devices.
  • PDAs portable data assistants
  • communications satellites for example, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communications satellites, wireless detectable tags. It operates to communicate with any device or place, and phone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, the communication may be a predefined structure as in a conventional network or may simply be an ad hoc communication between at least two devices.
  • Wi-Fi Wireless Fidelity
  • Wi-Fi is a wireless technology such as cell phones that allows these devices, eg, computers, to transmit and receive data indoors and outdoors, ie anywhere within range of a base station.
  • Wi-Fi networks use a radio technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections.
  • Wi-Fi can be used to connect computers to each other, to the Internet, and to wired networks (using IEEE 802.3 or Ethernet).
  • Wi-Fi networks can operate in unlicensed 2.4 and 5 GHz radio bands, for example at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band). .
  • the various embodiments presented herein may be implemented as methods, apparatus, or articles of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device.
  • computer-readable storage media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash drives. memory devices (eg, EEPROMs, cards, sticks, key drives, etc.).
  • various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
  • the present invention relates to an apparatus for controlling environmental factors using a computing device and a training method therefor, and more particularly, to a method of transforming learning data having a discontinuous shape into a continuous shape.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Sustainable Development (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Biochemistry (AREA)
  • Genetics & Genomics (AREA)
  • Analytical Chemistry (AREA)
  • Machine Translation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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

Description

환경 인자 조절 장치 및 그 훈련 방법
본 발명은 컴퓨팅 장치를 이용한 환경 인자 조절 장치 및 그 훈련 방법에 관한 것으로, 보다 구체적으로 불연속적인 형태를 가진 학습 데이터를 연속적인 형태로 변형하는 방법에 관한 것이다.
일반적으로 미생물 배양 장치 등 24시간 모니터링 및 환경 인자 조절이 필요한 장치에 있어서, 종래 인간 조작자에 의한 원격 조절이 수행되어왔다.
이러한 종래의 조정 방식은 인간 조작자의 해당 분야에 관한 전문 지식에 기초하여 수행된다는 장점이 있으나, 해당 장치에 대한 실시간 조정이 불가능하다는 단점이 있다.
따라서, 인간 조작자의 조작 패턴에 기초하여 적절한 실시간 환경 인자 조절을 수행할 수 있는 장치 및 그러한 장치를 이용한 조절 방법에 대한 수요가 당업계에 존재한다.
본 발명의 선행기술문헌은 하기와 같다.
(특허문헌 1) 대한민국 등록 특허 10-1129723호
(특허문헌 2) 미국 등록 특허 2012-0054131호
(특허문헌 3) 미국 특허 공개공보 2019/0250203호
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 환경 인자 조절 장치 자동화 모델의 훈련 방법을 제공하고자 한다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 단계들을 수행하게 하는 명령들을 포함하며, 상기 단계들은:　원시 데이터(raw　data) 서브세트 각각으로부터 적어도 하나의 연속 구간을 인식하는 단계;　상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하는 단계; 및　상기 적어도 하나의 연속화 지점에 기초하여,　연속화 된　학습 데이터를 생성함으로써 학습 데이터 세트를 생성하는 단계;를　포함할 수 있다.
또한, 상기 원시 데이터 서브세트는 계단 함수(step function)의 형태일 수 있다.
또한, 상기 연속화 지점은, 상기 연속 구간의 길이의 기 설정된 비율과 상기 연속 구간의 시작 지점 및 종료 지점에 기초하여 결정될 수 있다.
또한, 상기 기 설정된 비율은, 상기 원시 데이터의 유형에 따라 상이할 수 있다.
또한, 상기 연속화 지점은, 상기 연속 구간 내에서 2개 이상일 수 있다.
또한, 상기 연속화 지점은, 상기 연속 구간을 분할하는 둘 이상의 소구간 각각에 대해, 상기 소구간 각각의 시작 지점 및 종료 지점에 기초하여 결정될 수 있다.
또한, 상기 둘 이상의 소구간 각각의 길이는 상이할 수 있다.
또한, 상기 연속화된 학습 데이터를 생성하는 단계는, 상기 적어도 하나의 연속화 지점들 사이를 연결하는 복수의 지점들을 보간법을 통해 결정하는 단계; 를 포함할 수 있다.
또한, 상기 복수의 지점들은 일차함수 또는 다차함수로 보간되어 결정될 수 있다.
또한, 상기 보간법은, 선형 보간법(linear interpolation) 또는 스플라인 보간법(spline interpolation) 중 적어도 하나일 수 있다.
또한, 상기 학습 데이터 세트를 이용하여 환경 인자 조절 자동화 모델을 학습시키는 단계; 상기 환경 인자 조절 자동화 모델의 성능을 평가하는 단계; 및 상기 성능 평가 결과에 기초하여, 상기 연속화 지점을 재설정하여 새로운 학습 데이터 세트를 생성할 지 여부를 결정하는 단계; 를 더 포함할 수 있다.
또한, 상기 성능은 검증 데이터 세트(Validation data set)에 대한 MSE(Mean Square Error)에 기초하여 측정될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 환경 인자 조절 자동화 장치가 개시된다. 상기 환경 인자 조절 자동화 장치는 메모리; 및 프로세서; 를 포함하고, 상기 프로세서는, 원시 데이터로부터 적어도 하나의 연속 구간을 인식하고, 상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하고, 상기 적어도 하나의 연속화 지점에 기초하여, 연속화 된 학습 데이터를 생성함으로써 학습 데이터 세트를 생성할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 데이터 구조가 저장된 컴퓨터 판독가능한 기록매체가 개시된다. 상기 데이터 구조가 저장된 컴퓨터 판독가능한 기록매체는, 학습 과정에서 적어도 일부가 업데이트 되는 뉴럴 네트워크의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 뉴럴 네트워크의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 학습 과정은: 원시 데이터(raw　data)로부터 적어도 하나의 연속 구간을 인식하는 단계;　상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하는 단계; 및　상기 적어도 하나의 연속화 지점에 기초하여,　연속화 된　학습 데이터를 생성함으로써 학습 데이터 세트를 생성하는 단계;를 포함할 수 있다.
본 개시는 환경 인자 조절 장치 자동화 모델의 훈련 방법을 제공할 수 있다.
도 1은 본 개시에 따른 환경 인자 조절 자동화 방법을 수행하기 위한 예시적인 컴퓨팅 장치를 도시한 블록도이다.
도 2는 본 개시의 일 실시예에 따라 환경 인자 조절 자동화 방법을 수행하기 위한 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시에 따른 네트워크 함수의 일 형태인 순환 뉴럴 네트워크의 일례를 도시한다.
도 4는 본 개시에 따른 프로세서가 환경 인자 조절 자동화 모델을 생성하는 방법의 일례를 도시한 순서도이다.
도 5는 본 개시에 따른 프로세서가 연속화 지점을 결정하는 것의 일례를 도시한다.
도 6a 및 도 6b는 본 개시에 따른 프로세서에 의해 보간법이 수행된 학습 데이터의 일례를 도시한다.
도 7은 본 개시에 따른 프로세서가 환경 인자 조절 자동화 모델을 생성하는 방법의 일례를 도시한 순서도이다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1은 본 개시의 일 실시예에 따른 환경 인자 조절 자동화 방법을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110) 및 메모리(120)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
도 2는 본 개시의 일 실시예에 따라 환경 인자 조절 자동화 방법을 수행하기 위한 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들이 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
도 3은 본 개시에 따른 인공 신경망의 형태인 순환 뉴럴 네트워크의 일례를 도시한다.
도 3에서 도시되는 바와 같이, 본 개시에 있어서 네트워크 함수는, 일반적인 인공 신경망의 형태뿐만 아니라, 순환 뉴럴 네트워크(RNN, Recurrent Neural Network) 형태를 가질 수 있다. 순환 뉴럴 네트워크는 유닛 간의 연결이　순환적 구조를 갖는 특징을 갖고 있다. 이러한 구조는 시변적 동적 특징을 모델링 할 수 있도록 신경망 내부에 상태를 저장할 수 있게 해준다.　전방 전달 신경망과 달리, 순환 뉴럴 네트워크는 내부의　메모리를 이용해 시퀀스　형태의 입력을 처리할 수 있다. 따라서 순환 뉴럴 네트워크는 필기체 인식이나　음성 인식과 같이 시변적 특징을 가지는 데이터를 처리할 수 있다. 전술한 데이터의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시에 따른 입력 데이터는 뉴럴 네트워크에 입력되는 데이터로서, 특히 신경망이 순환 뉴럴 네트워크인 경우 입력 데이터는 환경 인자에 대한 데이터일 수 있다.
본 개시에 따른 출력 데이터는 입력 데이터가 네트워크 함수를 거쳐 도출된 결과로서, 현재 시점에서 네트워크 함수가 도출한 환경 인자의 값일 수 있다.
예를 들어, 본 개시에 따른 환경 인자 조절 방법이 미생물 배양 장치에 관한 것일 경우, 입력 데이터(X)는 당해 시점의 온도, 습도, 산소 농도 등을 포함할 수 있다. 또한, 예를 들어, 본 개시에 따른 환경 인자 조절 방법이 미생물 배양 장치에 관한 것일 경우, 출력 데이터(Y)는 뉴럴 네트워크에 의해 도출된, 현재 시점에서의 미생물 배양 장치의 분당 회전수(RPM), 공기 주입량(airflow) 등을 포함할 수 있다.
다만 상술한 입력 데이터와 출력 데이터는 예시적인 것일 뿐이므로, 입력 데이터 및 출력 데이터의 유형은 이에 한정되지 아니한다.
본 개시에 따른 환경 인자 조절 방법은 위와 같이 구성된 데이터를 순환 뉴럴 네트워크는 시간에 따른 환경 인자의 값을 도출해내도록 훈련될 수 있다.
RNN의 경우에는 일반적으로 시퀀스/시계열 데이터의 모델링에 적합하다. 따라서, 출력 데이터(Y)는 시간에 따른 조절 대상인 환경 인자와 관련될 수 있다. 이는 시퀀스/시계열 데이터의 형태에 관한 일례에 불과하며, 시퀀스/시계열 데이터의 유형은 이에 한정되지 않는다.
상술한 내용은 입력 데이터 및 출력 데이터의 형태에 관한 예시에 불과하므로, 입력 데이터 및 출력 데이터는 상술한 예시에 한정되지 않는다.
도 4는 본 개시에 따른 프로세서가 환경 인자 조절 자동화 모델을 생성하는 방법의 일례를 도시한 순서도이다.
본 개시에 있어서 환경은, 일정 기간 동안 지속적으로 수행되는 실험, 공정, 보관 등에서의 환경을 의미할 수 있다. 즉, 상기 예에서 환경은 실험이 이루어지는 실험실, 배지, 밀폐 공간, 임의의 물품들을 보관하고 있는 냉동고, 제철 공장에서의 용광로 등일 수 있다.
이 때, 본 개시에 따른 장치 및 방법의 조절 대상이 되는 환경 인자는 실험 공간의 온도, 습도 등에 기초해 조절되는 실험 장치의 분당 회전수, 실험 배지 내의 공기 흐름량(airflow) 등일 수 있다.
상술한 환경 인자의 종류는 본 개시에 따른 장치 및 방법의 조절 대상에 대한 이해를 돕기 위한 예시일 뿐이므로, 조절 대상 인자의 유형은 이에 한정되지 않아야 할 것이다.
도 4을 참조하면, 프로세서(110)는 원시 데이터 세트에 포함된 원시 데이터 서브세트 각각으로부터 적어도 하나의 연속 구간을 인식할 수 있다(S100).
본 개시에 따른 원시 데이터 서브세트는 환경 인자와 시간을 그 요소로 하는 벡터인 원시 데이터들의 집합일 수 있다.
특히, 원시 데이터 서브세트는 환경 인자의 시간에 따른 시퀀스 데이터일 수 있다.
일례로, 본 개시에 따른 환경 조절 자동화 모델은 미생물 배양 과정에서의 실험 장치의 분당 회전수 및 공기 흐름량 조절을 위한 장치 및 방법에 관한 것일 수 있다. 이 경우, 원시 데이터 서브세트는 다수의 배양 장치의 시간에 따른 분당 회전수를 표현하는 벡터들을 포함하는 집합일 수 있다.
예를 들어, 원시 데이터 서브세트는 {(2000rpm, 1초), (2000rpm, 2초), (2200rpm, 3초), …} 와 같이 구성될 수 있다.
본 개시에 따른 원시 데이터는 조절 대상이 되는 환경 인자에 대해, 환경 인자에 대한 조절 작업을 수행해온 과거 데이터일 수 있다. 예를 들어, 원시 데이터는 환경 인자에 대한 기록을 수집한 데이터 일 수 있다. 이러한 조절 작업은 임의의 시간 간격을 두고 진행되며, 조절 작업 사이에는 조절 인자의 값은 일정하다. 앞서 설명한 바와 같이 원시 데이터 서브세트를 좌표 공간 상에서 그래프 형태로 표현할 경우, 상기 데이터 서브세트에 포함된 데이터들은 상기 좌표 공간 상에서 계단 함수(step function)와 같이 불연속적인 형태를 띌 수 있다.
본 발명에 따른 환경 인자 조절 자동화 방법에 따르면 원시 데이터 서브세트와 같은 뉴럴 네트워크를 위한 훈련 데이터들이 연속화 될 수 있다. 일반적인 기술에 따라 불연속적인 데이터를 이용하여 시계열 정보를 반영하는 뉴럴 네트워크들을 훈련시키는 경우에는 뉴럴 네트워크의 훈련이 원활하게 이루어지지 않을 수 있다. 반면, 본 개시에 따른 방법과 같이 연속화된 훈련 데이터를 이용하면 뉴럴 네트워크의 훈련이 더 효과적으로 수행될 수 있다.
나아가, 이러한 연속 데이터로 훈련된 모델은 주변 환경 변화에 따른 환경 인자의 조절을 실시간으로 수행할 수 있다. 따라서, 종래 실험 장치 등의 조작 관리자가 배양 과정, 생산 공정 등에 있어 환경의 변화에 대해 즉각적인 대응을 하기 어렵다는 문제를 해결할 수 있다. 즉, 일견 정적 상태에 있는 환경으로 보일지라도 해당 환경 내에서는 미세한 변화가 지속적으로 이루어지고 있기 때문에, 본 개시에 따른 환경 인자 조절 방법은 최적의 조절을 담보할 수 있다.
본 개시에 따른 환경 인자 조절 자동화 모델에 의하여 조작 기록을 연속화하고 이를 뉴럴 네트워크에 학습시키면, 기존의 환경 인자 조절 방식을 반영하면서 동시에 조절 대상 환경 내부의 미세한 변화에 실시간으로 대응할 수 있다. 따라서 미생물 배양 공정이나, 생산 공정의 효율화와 같은 목표가 이루어질 수 있다.
설명의 편의를 위해 원시 데이터가 하나의 환경 인자의 값과 시간을 그 요소로 하는 2차원 벡터인 것으로 설명하였다. 그러나 원시 데이터는 이에 한정되지 아니하며, 2개 이상의 유형의 환경 인자와 시간을 그 요소로 하는 벡터일 수 있다. 가령, 원시 데이터는 (분당 회전수, Airflow, …, 시간)과 같이 2개 이상의 환경 인자 및 시간을 포함하도록 구성될 수 있다.
따라서, 원시 데이터 서브 세트에 포함된 원시 데이터 각각이 시간에 따른 다양한 환경 인자의 상태를 표현할 수 있으므로, 원시 데이터 및 원시 데이터 서브세트가 상술한 예시에 한정되어 해석되지 않아야 할 것이다.
본 개시에 있어 복수의 데이터들이 “연속”하다는 것은 상기 복수의 데이터들을 좌표 공간 상에 나열했을 때, 복수의 데이터에 대응되는 점들이 단절됨 없이 공간 상에서 연결될 수 있는 것을 의미한다.
따라서, 하나의 연속 구간에 나타난 원시 데이터들은 좌표 공간 상에 나열되었을 때, 모든 점들이 단절됨 없이 공간 상에서 연결될 수 있다.
본 개시에 따른 연속 구간은, 원시 데이터 서브세트를 그래프로 표현했을 때 원시 데이터 각각이 연속적으로 표현되는 점들의 집합을 의미할 수 있다.
본 개시에 따른 원시 데이터의 일례로, 원시 데이터가 계단 함수의 형태를 띌 수 있다. 이 경우, 원시 데이터 서브세트에 포함된 원시 데이터 각각을 좌표 공간 상에 표시했을 때, 원시 데이터 서브세트는 복수의 연속 구간을 갖는 계단 함수의 형태를 띌 수 있다. 또한, 원시 데이터 서브세트에 복수의 연속 구간이 존재할 경우, 연속 구간 각각은 서로에 대해 불연속적일 수 있다.
따라서, 본 개시에 따른 프로세서(110)는, 원시 데이터 서브세트 각각에 대하여 적어도 하나의 연속 구간을 결정할 수 있다.
나아가, 프로세서(110)는 연속 구간의 시작 지점과 종료 지점을 결정할 수 있다.
본 개시에 있어서 시작 지점 및 종료 지점은 상술한 연속 구간 각각에 대해 정의될 수 있다. 즉 시작 지점 및 종료 지점은 기 설정된 규칙에 의해 연속 구간이 시작되고 종료되는 것으로 결정된 점을 의미할 수 있다. 시작 지점 및 종료 지점을 결정하기 위한 기 설정된 규칙은 이하 설명한다.
일례로, 원시 데이터 서브세트에 포함된 연속 구간 각각에 대하여, 프로세서(110)는 연속 구간에 포함된 원시 데이터에 대응되는 점들 중 원점에서 가장 가까운 점을 시작 지점으로, 가장 먼 지점을 종료 지점으로 결정할 수 있다.
또는, 원시 데이터가 시간을 일 요소로 포함할 프로세서(110)는 상기 연속 구간 각각에 대해, 가장 적은 시간 값을 갖는 점을 시작 지점으로, 가장 큰 시간 값을 갖는 점을 종료 지점으로 결정할 수 있다.
상술한 시작 지점 및 종료 지점의 결정 방법은 예시적이며, 시작 지점 및 종료 지점의 결정 방법은 이에 한정되지 않는다.
프로세서(110)는 원시 데이터 서브세트 각각에 대해 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정할 수 있다(S200).
본 개시에 따른 프로세서(110)는, 원시 데이터 서브세트에 복수의 연속 구간이 존재할 경우에 복수의 연속 구간을 연결하기 위하여 연속화 지점을 결정할 수 있다.
일례로, 프로세서(110)는 연속 구간의 시작 지점으로부터 일정 거리만큼 이격된 지점을 시작 지점에 대한 연속화 지점으로 및 종료 지점으로부터 일정 거리만큼 이격된 지점을 제 2 연속화 지점으로 결정할 수 있다.
이하 연속화 지점을 결정하기 위한 방법의 일례를 설명한다.
구체적으로, 프로세서(110)는 상기 연속 구간의 길이에 대하여 기 설정된 비율만큼의 거리를 연산할 수 있다. 이러한 기 설정된 비율은 본 개시에 따른 환경 인자 조절 방법 및 장치가 적용되는 환경, 환경 인자의 유형에 따라 상이할 수 있다. 하나의 원시 데이터에 있어서도 다른 종류에 환경 인자에 대해서는 상이한 비율이 적용될 수 있다.
프로세서(110)는, 복수의 연속 구간 각각에 대해, 그 시작 지점과 종료 지점으로부터 상기 기 설정된 비율만큼의 거리에 기초하여 연속화 지점을 결정하고, 복수의 연속화 지점들을 연결함으로써, 연속화된 학습데이터를 생성할 수 있다.
연속화 지점을 결정할 때, 프로세서(110)는 좌표 공간 상의 축 방향 각각에 대하여 연속화 지점이 시작 지점 및 종료 지점으로부터 상기 기 설정된 비율만큼의 거리만큼 이격되도록 할 수 있다.
연속화 지점을 결정하는 방법에 대한 구체적인 내용은 도 5에서 자세히 설명한다.
본 발명에 따른 환경 인자 조절 자동화 방법에 따르면 원시 데이터 서브세트와 같은 뉴럴 네트워크를 위한 훈련 데이터들이 연속화 될 수 있다. 일반적인 기술에 따라 불연속적인 데이터를 이용하여 시계열 정보를 반영하는 뉴럴 네트워크들을 훈련시키는 경우에는 뉴럴 네트워크의 훈련이 원활하게 이루어지지 않을 수 있다. 반면, 본 개시에 따른 방법과 같이 연속화된 훈련 데이터를 이용하면 뉴럴 네트워크의 훈련이 더 효과적으로 수행될 수 있다.
나아가, 이러한 연속 데이터로 훈련된 모델은 주변 환경 변화에 따른 환경 인자의 조절을 실시간으로 수행할 수 있다. 따라서, 종래 실험 장치 등의 조작 관리자가 배양 과정, 생산 공정 등에 있어 환경의 변화에 대해 즉각적인 대응을 하기 어렵다는 문제를 해결할 수 있다. 즉, 일견 정적 상태에 있는 환경으로 보일지라도 해당 환경 내에서는 미세한 변화가 지속적으로 이루어지고 있기 때문에, 본 개시에 따른 환경 인자 조절 방법은 최적의 조절을 담보할 수 있다.
본 개시에 따른 환경 인자 조절 자동화 모델에 의하여 조작 기록을 연속화하고 이를 뉴럴 네트워크에 학습시키면, 기존의 환경 인자 조절 방식을 반영하면서 동시에 조절 대상 환경 내부의 미세한 변화에 실시간으로 대응할 수 있다. 따라서 미생물 배양 공정이나, 생산 공정의 효율화와 같은 목표가 이루어질 수 있다.
프로세서(110)는 원시 데이터 서브세트 각각에 대해 적어도 하나의 연속화 지점에 기초하여 연속화된 학습데이터를 생성할 수 있다(S300).
프로세서(110)는 단계(S200)를 통해 결정된 복수의 연속화 지점을 연결함으로써 연속화된 학습 데이터를 생성해낼 수 있다.
여기서, 복수의 연속화 지점을 연결한다는 것은 두 연속화 지점 사이에 보간법을 적용하여, 두 연속화 지점을 연결하는 복수의 좌표 공간 상의 점들을 생성하는 것을 의미할 수 있다.
보간법에 관한 구체적인 내용은 이하 도 6a 및 도 6b에서 후술한다.
보간법을 통해 두 연속화 지점을 연결하는 것은 연속화된 학습 데이터를 생성하는 방법에 관한 예시에 불과하며, 연속화된 학습 데이터를 생성하는 방법은 이에 한정되지 않는다.
프로세서(110)는 생성된 연속화 된 학습 데이터를 이용하여 환경 인자 조절 자동화 모델을 생성할 수 있다(S400).
프로세서(110)는 원시 데이터 서브세트 각각에 대해 연속화된 학습 데이터를 생성할 수 있다. 따라서, 원시 데이터 세트 각각에 대해 복수 개의 연속화된 학습 데이터가 생성될 수 있다.
프로세서(110)는, 생성된 연속화된 학습 데이터를 이용하여 환경 인자 조절 자동화 모델을 훈련시킴으로써 환경 인자 조절 자동화 모델을 생성할 수 있다.
이에 관한 구체적인 내용은 도 7에서 후술한다.
도 5는 본 개시에 따른 프로세서가 연속화 지점을 결정하는 것의 일례를 도시한다.
본 개시에 따른 연속 구간은, 원시 데이터 서브세트를 그래프로 표현했을 때 원시 데이터 각각이 연속적으로 표현되는 점들의 집합을 의미할 수 있다.
즉, 원시 데이터 서브세트에 포함된 원시 데이터 각각을 좌표 공간 상에 표시했을 때, 연속한 점들은 연속 구간을 형성한다. 원시 데이터 서브세트에 복수의 연속 구간이 존재할 경우, 연속 구간 각각은 서로에 대해 불연속적인 관계에 있을 수 있다.
도 5에 도시된 바와 같이, 원시 데이터 서브세트를 그래프로 표현하면 복수의 연속 구간(W)이 나타날 수 있다.
도 5는 하나의 원시 데이터 서브세트에 포함된 원시 데이터들을 2차원 상에 표현했을 때, 그 그래프들이 계단 함수(step function) 형태를 갖는 경우를 나타낸다. 도 5에 도시된 바와 같이 이 경우 복수의 연속 구간(W)들이 나타날 수 있다. 복수의 연속 구간(W)들은 서로 불연속적일 수 있다. 즉, 하나의 연속 구간(W)은 그 시작 지점 및 종료 지점에서 다른 연속 구간(W)에 대해 불연속적일 수 있다.
본 개시에 따른 프로세서(110)는, 원시 데이터 서브세트에 복수의 연속 구간이 존재할 경우에 연속화된 학습 데이터를 생성해내기 위해 복수의 연속화 지점을 결정할 수 있다.
이하 설명의 편의를 위해 2차원 상에서 원시 데이터 서브세트가 표현될 수 있는 경우, 프로세서(110)가 연속화 지점을 결정하는 방법의 일례를 설명한다.
도 5를 참조하면, 프로세서(110)는 임의의 연속 구간에 대해, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)을 결정할 수 있다. 프로세서(110)는 연속 구간의 시작 지점으로부터 시간 축 방향으로 제 1 연속화 간격(V)만큼 이격되고, 조절 대상 인자 축 방향으로 제 2 연속화 간격(H)만큼 이격된 지점을 연속화 지점(200)으로 결정할 수 있다.
이 때, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)은 연속 구간(W)의 길이에 기초하여 결정될 수 있다. 예를 들어, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)은 연속 구간(W)의 길이의 일정 비율로 결정될 수 있다. 또, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)은 같거나 다를 수 있다. 또한, 연속 구간의 시작 지점에 대응되는 연속화 지점과 연속 구간의 종료 지점에 대응되는 연속화 지점에 대해 제 1 연속화 간격(V)과 제 2 연속화 간격(H)은 상이할 수 있다.
설명의 편의를 위해 원시 데이터가 2차원 벡터인 경우(조절 대상 인자가 1개인 경우)를 기준으로 설명하였으나, 원시 데이터가 2차원을 초과하는 벡터인 경우라도 상술한 바와 같이 연속화 지점을 결정하는 것이 가능하다. 따라서 연속화 지점의 결정 방법은 상술한 내용에 한정되어서는 안된다.
본 개시에 따른 연속화 간격은 연속화 지점을 결정하기 위해, 원시 데이터가 표현되는 좌표 공간 상의 일 방향 축에 대해 결정되는 간격을 의미할 수 있다. 상술한 바와 같이 연속화 간격은 연속 구간(W)의 거리를 이용하여 결정될 수 있다.
이러한 연속화 간격(V, H)는 본 개시에 따른 환경 인자 조절 자동화 모델의 하이퍼 파라미터(hyper parameter)일 수 있다.
연속화 간격은 원시 데이터가 표현되는 벡터의 차원의 개수만큼 존재할 수 있다. 따라서, 연속화 지점의 결정이 도 5에 도시된 바와 같은 2차원 공간에서만 가능한 것은 아니다.
본 개시에 따른 연속화 지점(200)은, 하나의 연속 구간 내에서 2개를 초과할 수 있다.
구체적으로, 프로세서(110)는 2개를 초과하는 연속화 지점을 생성하기 위해 하나의 연속 구간을 둘 이상의 소구간으로 분할할 수 있다.
프로세서(110)는 상기 소구간 각각에 대해 시작 지점 및 종료 지점을 결정하고, 소구간의 길이, 소구간의 시작 지점 및 종료 지점에 기초하여 소구간 각각에 대해 연속화 지점을 결정할 수 있다.
이 때, 하나의 연속 구간을 분할하는 복수의 소구간의 길이는 서로 상이할 수 있다.
연속 구간을 복수의 소구간으로 분할하면 더 많은 연속화 지점을 생성할 수 있다. 따라서, 더 다양한 형태의 학습 데이터를 생성해낼 수 있다. 이를 통하여 본 개시에 따른 환경 조절 자동화 모델의 학습이 더 효율적으로 이루어질 수 있다.
본 개시에 있어서 환경은, 일정 기간 동안 지속적으로 수행되는 실험, 공정, 보관 등에서의 환경을 의미할 수 있다. 즉, 상기 예에서 환경은 실험이 이루어지는 실험실, 배지, 밀폐 공간, 임의의 물품들을 보관하고 있는 냉동고, 제철 공장에서의 용광로 등일 수 있다.
이 때, 본 개시에 따른 장치 및 방법의 조절 대상이 되는 조절 대상 인자는 실험 공간, 냉동고, 용광로 등의 온도, 습도 등에 기초하여 조절되는 실험 장치 분당 회전수나 또는 냉동고, 용광로 등의 공기 흐름량일 수 있다.
상술한 내용은 본 개시에 따른 장치 및 방법의 조절 대상에 대한 이해를 돕기 위한 예시일 뿐이므로, 조절 대상 인자의 유형은 이에 한정되지 않아야 할 것이다.
도 6a 및 도 6b는 본 개시에 따른 프로세서에 의해 보간법이 수행된 학습 데이터의 일례를 도시한다.
보간법 또는　내삽법(interpolation)은 알려진 데이터 지점의　고립점　내에서 새로운 데이터 지점을 구성하는 방식이다.
공학과　과학에서 수많은 데이터 지점이 있을 수 있으며 이는　표집,　실험을 통해 얻을 수 있는데, 이를 통해　독립 변수의 제한된 수의 값들을 위한 함수값을 표현한다.
따라서 본 개시에 있어서, 프로세서(110)는 보간법을 이용해 결정된 연속화 지점들을 연결하는 데이터 지점들을 생성해낼 수 있다.
선형 보간법(linear interpolation)은 끝점의 값이 주어졌을 때 그 사이에 위치한 값을 추정하기 위하여 직선 거리에 따라 선형적으로 계산하는 방법이다.
본 개시에 있어서 스플라인 보간법(spline interpolation)은 전체 구간을 소구간별로 나눠, 저 차수의 다항식 조각들로, 매끄러운 함수를 구하는 방법을 의미할 수 있다.
본 개시에 따른 방법과 같이 보간법을 이용하면, 적은 연산량을 이용하여 연속화된 훈련 데이터를 생성해낼 수 있다. 따라서, 본 개시에 따른 뉴럴 네트워크를 훈련시키기 위한 전체 연산량이 감소될 수 있다.
본 개시에 따른 프로세서(110)는, 원시 데이터 서브세트에 복수의 연속 구간이 존재할 경우에 복수의 연속 구간을 연결하기 위하여 연속화 지점을 결정할 수 있다.
이하 설명의 편의를 위해 2차원 상에서 원시 데이터 서브세트가 표현될 수 있는 경우, 프로세서(110)가 연속화 지점을 결정하는 방법의 일례를 설명한다.
도 5를 참조하면, 프로세서(110)는 임의의 연속 구간에 대해, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)을 결정할 수 있다. 프로세서(110)는 연속 구간의 시작 지점으로부터 시간 축 방향으로 제 1 연속화 간격(V)만큼 이격되고, 조절 대상 인자 축 방향으로 제 2 연속화 간격(H)만큼 이격된 지점을 연속화 지점(200)으로 결정할 수 있다.
이 때, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)은 연속 구간(W)의 길이에 기초하여 결정될 수 있다. 예를 들어, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)은 연속 구간(W)의 길이의 일정 비율로 결정될 수 있다. 또, 제 1 연속화 간격(V) 및 제 2 연속화 간격(H)은 같거나 다를 수 있다. 또한, 연속 구간의 시작 지점에 대응되는 연속화 지점과 연속 구간의 종료 지점에 대응되는 연속화 지점에 대해 제 1 연속화 간격(V)과 제 2 연속화 간격(H)은 상이할 수 있다.
설명의 편의를 위해 원시 데이터가 2차원 벡터인 경우(조절 대상 인자가 1개인 경우)를 기준으로 설명하였으나, 원시 데이터가 2차원을 초과하는 벡터인 경우라도 상술한 바와 같이 연속화 지점을 결정하는 것이 가능하다. 따라서 연속화 지점의 결정 방법은 상술한 내용에 한정되어서는 안된다.
도 6a 및 도 6b에 도시되는 바와 같이, 프로세서(110)는 결정된 연속화 지점(200)들을 연결할 수 있다.
일례로, 프로세서(110)는 선형 보간법을 이용해 복수의 연속화 지점들을 연결할 수 있다. 즉, 프로세서(110)는 복수의 연속화 지점들을 연결하는 지점들을 선형 보간법을 통해 생성해낼 수 있다.
또 다른 일례로, 프로세서는 도 6b에서 도시되는 바와 같이, 복수의 연속화 지점들을 곡선 형태로 연결할 수 있다. 이 경우에, 프로세서(110)는 스플라인 보간법을 이용해 복수의 연속화 지점을 2차 이상의 다항식들로 연결할 수 있다. 이를 통해, 곡선 형태의 연속화된 학습 데이터를 생성해낼 수 있다.
연속화 지점들을 선형 보간 외에도 다양한 방법으로 보간하여 학습 데이터를 생성함으로써 더 다양한 형태의 학습 데이터를 생성해낼 수 있다. 이를 통하여 본 개시에 따른 환경 조절 자동화 모델의 학습이 더 효율적으로 이루어질 수 있다.
도 7은 본 개시에 따른 프로세서가 환경 인자 조절 자동화 모델을 생성하는 방법의 일례를 도시한 순서도이다.
도 7을 참조하면, 프로세서(110)는 연속화 된 학습 데이터를 이용하여 환경 인자 조절 자동화 모델을 학습시킬 수 있다(S410).
본 개시에 따른 환경 인자 조절 자동화 모델은 환경 요소를 표현한 벡터를 입력 받아, 조절 대상 인자의 적절한 수치를 출력하도록 학습될 수 있다. 특히, 환경 인자 조절 자동화 모델이 순환 인공 신경망(RNN)을 이용할 경우, 프로세서(110)는 상기 환경 인자 조절 자동화 모델이 이전 시점까지의 환경 인자에 대한 원시 데이터를 입력 받아, 현재 시점에서의 조절 대상 인자의 수치를 결정하도록 할 수 있다.
예를 들어, 본 개시에 따른 환경 인자 조절 장치가 미생물 배양 장치의 환경 인자 조절을 위한 것이라고 가정하자. 이 경우, 프로세서(110)는 제 1 시점에서 (T-1) 시점 까지의 미생물 배양 장치의 입력 데이터(X)의 시퀀스를 입력 받아, T 시점에서 미생물 배양 장치의 출력 데이터를 결정하도록 순환 인공 신경망을 훈련시킬 수 있다. 상술한 바와 같이, 여기서 조절의 대상이 되는 환경 인자는 실험 장치의 분당 회전수일 수 있고, 따라서 상기 출력 데이터도 실험 장치의 분당 회전수를 나타낼 수 있다. 다만 이는 예시에 불과하므로, 출력 데이터는 이에 한정되지 않아야 할 것이다.
프로세서(110)는 학습된 환경 인자 조절 자동화 모델의 성능을 평가할 수 있다(S420).
프로세서(110)는 상술한 바에 의하여 훈련된 환경 인자 조절 모델을 이용하여 검증 데이터 세트 및 테스트 데이터 세트에 대한 예측 성능을 평가할 수 있다.
구체적으로, 검증 데이터 세트는 복수의 검증 데이터를 포함하는 검증 데이터 서브세트를, 테스트 데이터 세트는 복수의 테스트 데이터를 포함하는 테스트 데이터 서브세트를 포함할 수 있다.
예측 성능을 평가하기 위해 제공되는 검증 데이터 및 테스트 데이터는 도 3 내지 도 6에서 제시한 방법에 의하여 연속화 된 데이터일 수 있다.
이 때, 프로세서(110)는 검증 데이터 세트 및 테스트 데이터 세트에 대해 본 개시에 따른 환경 인자 조절 자동화 모델을 통해 시간에 따라 조절 인자를 변화시킬 수 있다.
프로세서(110)는 모델을 통해 생성된 시간에 따른 환경 인자들의 값과, 검증 데이터 세트 및 테스트 데이터 세트에 포함된 조절 인자 들의 값을 비교함으로써 환경 인자 조절 자동화 모델의 성능을 평가할 수 있다.
일례로, 프로세서(110)는 검증 데이터 세트에 대한 MSE(Mean Square Error) 값을 기준으로 환경 인자 조절 자동화 모델의 성능을 평가할 수 있다.
프로세서(110)는 상이한 연속화 간격을 갖는 복수의 연속화 된 학습 데이터를 생성할 수 있다. 이 경우, 프로세서(110)는 가장 낮은 MSE 값을 가지는 연속화 된 학습 데이터를 생성하는 데 사용된 연속화 간격을 본 개시에 따른 환경 인자 조절 자동화 모델의 하이퍼 파라미터로 결정할 수 있다.
프로세서(110)는 성능 평가 결과가 성능 기준을 만족하는지 여부를 결정하여, 상기 성능 평가 결과가 성능 기준을 만족할 경우(S430, Yes), 환경 인자 조절 자동화 모델의 학습을 종결할 수 있다(S450).
프로세서(110)는 성능 평가 결과가 성능 기준을 만족하지 못할 경우, 연속화 지점을 재설정하여 새로운 학습 데이터를 생성할 수 있다(S440).
프로세서(110)는 선택된 연속화 된 학습 데이터의 MSE 값이 기 설정된 기준 이하인지 여부를 인식함으로써 환경 인자 조절 자동화 모델의 성능을 평가할 수 있다.
상기 MSE 값이 기 설정된 기준 이하일 경우 프로세서(110)는 환경 인자 조절 자동화 모델의 학습을 종결할 수 있다.
프로세서(110)는 성능 평가 결과가 성능 기준을 만족하지 못할 경우, 연속화 지점을 재설정할 수 있다. 연속화 지점을 재설정하기 위해, 프로세서(110)는 기존에 사용되지 않은 새로운 연속화 간격을 결정할 수 있다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
상기와 같이 발명의 실시를 위한 최선의 형태에서 관련 내용을 기술하였다.
본 발명은 컴퓨팅 장치를 이용한 환경 인자 조절 장치 및 그 훈련 방법에 관한 것으로, 보다 구체적으로 불연속적인 형태를 가진 학습 데이터를 연속적인 형태로 변형하는 방법에 관한 것이다.

Claims (14)

  1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 처리를 위한 이하의 단계들을 수행하게 하는 명령들을 포함하며, 상기 단계들은:　
    원시 데이터(raw　data) 서브세트 각각으로부터 적어도 하나의 연속 구간을 인식하는 단계;　
    상기 원시 데이터 서브세트 각각에 대해 상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하는 단계; 및　
    상기 적어도 하나의 연속화 지점에 기초하여,　연속화 된　학습 데이터를 생성함으로써 학습 데이터를 생성하는 단계;　
    를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.　
  2. 제 1 항에 있어서,　
    상기 원시 데이터 서브세트는 계단 함수(step function)의 형태인,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  3. 제 1 항에 있어서,
    상기 연속화 지점은,
    상기 연속 구간의 길이의 기 설정된 비율과 상기 연속 구간의 시작 지점 및 종료 지점에 기초하여 결정되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  4. 제 3 항에 있어서,
    상기 기 설정된 비율은,
    상기 원시 데이터의 유형에 따라 상이한,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  5. 제 3 항에 있어서,
    상기 연속화 지점은,
    상기 연속 구간 내에서 2개를 초과하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  6. 제 5 항에 있어서,
    상기 연속화 지점은,
    상기 연속 구간을 분할하는 둘 이상의 소구간 각각에 대해, 상기 소구간 각각의 시작 지점 및 종료 지점에 기초하여 결정되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  7. 제 6 항에 있어서,
    상기 둘 이상의 소구간 각각의 길이는 상이한,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  8. 제 1 항에 있어서,
    상기 연속화된 학습 데이터를 생성하는 단계는,
    상기 적어도 하나의 연속화 지점들 사이를 연결하는 복수의 지점들을 보간법을 통해 결정하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  9. 제 8 항에 있어서,
    상기 복수의 지점들은 일차함수 또는 다차함수로 보간되어 결정되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  10. 제 9 항에 있어서,
    상기 보간법은,
    선형 보간법(linear interpolation) 또는 스플라인 보간법(spline interpolation) 중 적어도 하나인,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  11. 제 1 항에 있어서,
    상기 학습 데이터 세트를 이용하여 환경 인자 조절 자동화 모델을 학습시키는 단계;
    상기 환경 인자 조절 자동화 모델의 성능을 평가하는 단계; 및
    상기 성능 평가 결과에 기초하여, 상기 연속화 지점을 재설정하여 새로운 학습 데이터 세트를 생성할 지 여부를 결정하는 단계;
    를 더 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  12. 제 11 항에 있어서,
    상기 성능은 검증 데이터 세트(Validation data set)에 대한 MSE(Mean Square Error)에 기초하여 측정되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  13. 메모리; 및
    프로세서;
    를 포함하고,
    상기 프로세서는,
    원시 데이터(raw　data) 서브세트 각각으로부터 적어도 하나의 연속 구간을 인식하고,
    상기 원시 데이터 서브세트 각각에 대해 상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하고,
    상기 적어도 하나의 연속화 지점에 기초하여, 연속화 된 학습 데이터를 생성함으로써 학습 데이터 세트를 생성하는,
    환경 인자 조절 자동화 장치.
  14. 학습 과정에서 적어도 일부가 업데이트 되는 뉴럴 네트워크의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 뉴럴 네트워크의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 학습 과정은:
    원시 데이터(raw　data) 서브세트 각각으로부터 적어도 하나의 연속 구간을 인식하는 단계;　
    상기 원시 데이터 서브세트 각각에 대해 상기 적어도 하나의 연속 구간 각각의 시작 지점 및 종료 지점에 기초하여, 적어도 하나의 연속화 지점을 결정하는 단계; 및　
    상기 적어도 하나의 연속화 지점에 기초하여,　연속화 된　학습 데이터를 생성함으로써 학습 데이터 세트를 생성하는 단계;　
    를 포함하는,
    데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체.
PCT/KR2021/001512 2020-04-24 2021-02-05 환경 인자 조절 장치 및 그 훈련 방법 WO2021215635A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/238,105 US11156969B1 (en) 2020-04-24 2021-04-22 Environment factor control device and training method thereof
US17/477,423 US11797859B2 (en) 2020-04-24 2021-09-16 Environment factor control device and training method thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0049902 2020-04-24
KR1020200049902A KR102472920B1 (ko) 2020-04-24 2020-04-24 환경 인자 조절 장치 및 그 훈련 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/238,105 Continuation US11156969B1 (en) 2020-04-24 2021-04-22 Environment factor control device and training method thereof

Publications (1)

Publication Number Publication Date
WO2021215635A1 true WO2021215635A1 (ko) 2021-10-28

Family

ID=78269444

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/001512 WO2021215635A1 (ko) 2020-04-24 2021-02-05 환경 인자 조절 장치 및 그 훈련 방법

Country Status (2)

Country Link
KR (2) KR102472920B1 (ko)
WO (1) WO2021215635A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090078501A (ko) * 2008-01-15 2009-07-20 부산대학교 산학협력단 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치
KR101864286B1 (ko) * 2017-11-10 2018-07-04 주식회사 한컴엠디에스 머신 러닝 알고리즘을 이용하는 방법 및 장치
JP6574527B2 (ja) * 2016-09-06 2019-09-11 日本電信電話株式会社 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム
KR20190134308A (ko) * 2018-05-25 2019-12-04 서강대학교산학협력단 합성곱 신경망을 활용한 데이터 확장방법 및 장치
US20190377984A1 (en) * 2018-06-06 2019-12-12 DataRobot, Inc. Detecting suitability of machine learning models for datasets

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6771733B2 (en) * 2001-08-16 2004-08-03 University Of Central Florida Method of reconstructing images for spiral and non-spiral computer tomography
KR101129723B1 (ko) 2010-04-12 2012-05-11 상명대학교 산학협력단 이미지의 구분적 가중 보간법 및 이를 적용하는 장치
KR101740390B1 (ko) 2010-11-19 2017-05-29 삼성디스플레이 주식회사 표시 패널의 구동 방법, 이를 수행하기 위한 표시 장치
KR101997580B1 (ko) * 2015-01-08 2019-07-08 비앤에프테크놀로지 주식회사 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
US20190250203A1 (en) 2018-02-13 2019-08-15 Ali Ridha Ali Locating Short-Circuit Faults Through Utilizing Operating Times of Coordinated Numerical Directional Overcurrent Relays
KR102072836B1 (ko) * 2019-07-02 2020-02-03 비앤에프테크놀로지 주식회사 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090078501A (ko) * 2008-01-15 2009-07-20 부산대학교 산학협력단 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치
JP6574527B2 (ja) * 2016-09-06 2019-09-11 日本電信電話株式会社 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム
KR101864286B1 (ko) * 2017-11-10 2018-07-04 주식회사 한컴엠디에스 머신 러닝 알고리즘을 이용하는 방법 및 장치
KR20190134308A (ko) * 2018-05-25 2019-12-04 서강대학교산학협력단 합성곱 신경망을 활용한 데이터 확장방법 및 장치
US20190377984A1 (en) * 2018-06-06 2019-12-12 DataRobot, Inc. Detecting suitability of machine learning models for datasets

Also Published As

Publication number Publication date
KR102472920B1 (ko) 2022-12-01
KR20220165688A (ko) 2022-12-15
KR20210131604A (ko) 2021-11-03

Similar Documents

Publication Publication Date Title
WO2019164251A1 (en) Method of performing learning of deep neural network and apparatus thereof
WO2022045425A1 (ko) 역강화학습 기반 배달 수단 탐지 장치 및 방법
JP2017215898A (ja) 機械学習システム
WO2020005049A1 (ko) 인공 신경망의 학습 방법
EP3915063A1 (en) Multi-model structures for classification and intent determination
WO2021261825A1 (ko) 기계 학습 기반 기상 자료 생성 장치 및 방법
WO2021006596A1 (ko) 기계학습 모델에 기반한 필수 유전자 식별 방법 및 분석장치
WO2022250439A1 (ko) 스트리밍 데이터 기반 영상 편집점 추천 방법, 서버 및 컴퓨터프로그램
KR20210119944A (ko) 신경망을 학습시키는 방법
WO2022265292A1 (ko) 비정상 데이터 검출 방법 및 장치
WO2020130260A1 (en) Mobile terminal and method of operating the same
WO2022255632A1 (ko) Ux-bit를 이용한 자동 디자인 생성 인공신경망 장치 및 방법
WO2021215635A1 (ko) 환경 인자 조절 장치 및 그 훈련 방법
WO2021118050A1 (ko) 하이라이트 영상 자동 편집을 위한 컴퓨터 프로그램
WO2021182723A1 (ko) 인간의 지능을 인공 지능으로 이식하기 위한 정밀 행동 프로파일링을 위한 전자 장치 및 그의 동작 방법
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
WO2024058465A1 (ko) 연합 학습을 위한 지역 신경망 모델 학습 방법
WO2021251691A1 (ko) 앵커-프리 rpn 기반의 물체 검출 방법
KR102267458B1 (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
WO2018124464A1 (ko) 전자 장치 및 전자 장치의 검색 서비스 제공 방법
WO2023085852A1 (ko) 통계 기반 정규화를 시행하는 딥 뉴럴 네트워크 학습 장치 및 그 방법
WO2019198900A1 (en) Electronic apparatus and control method thereof
WO2022139479A1 (ko) 발생될 다음 이벤트를 예측하는 방법 및 디바이스
US11797859B2 (en) Environment factor control device and training method thereof
WO2020013494A1 (ko) 어노말리 디텍션

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: 21792244

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21792244

Country of ref document: EP

Kind code of ref document: A1