인공지능뉴스

프리야 돈티는 어린 시절 인도에서의 가족 여행을 통해 불평등과 기후 변화 문제에 대한 해결 의지를 강화하게 되었습니다. MIT 전기공학 및 컴퓨터 과학부의 실버맨 패밀리 경력 개발 교수로 재직 중인 그녀는 지속 가능한 에너지 시스템을 개발하기 위해 인공지능 및 머신러닝을 활용하고 있습니다. 그녀는 기후 변화와 불평등을 해결하는 혁신적인 접근법으로 주목받고 있으며, 그 과정에서 연구와 교육에 힘쓰고 있습니다. 기후 변화와 불평등 인식 프리야 돈티는 어린 시절 가족과 함께한 인도 여행을 통해 심각한 불평등 문제를 처음 직접 경험하게 되었습니다. 그녀는 매사추세츠의 고향에서 자라던 중, 세계의 다른 지역 사람들이 어떻게 살아가는지를 목격했고, 이는 그녀의 인생에 큰 영향을 미쳤습니다. 돈티는 인도에서의 경험을 바탕으로, 세계가 직면한 불평등 해결을 위해 자신의 학문과 연구를 헌신할 결심을 하게 되었습니다. 돈티는 고등학교 시절 생물학 교사에게서 기후 변화와 지속 가능성에 대한 교육을 받았습니다. 이 과정에서 기후 변화가 불평등을 악화시킬 것이라는 사실을 알게 되었고, 이는 그녀에게 큰 자극이 되었습니다. 그녀는 "기후 변화라는 중요한 이슈가 불평등을 더욱 심화시킨다는 것을 알아차리고, 이 문제를 해결하기 위해 노력하겠다는 결심을 하게 되었다"고 자신이 나아가고자 하는 방향을 설명합니다. 프리야는 하비 머드 대학교에 입학하면서 화학이나 재료 과학을 전공하여 차세대 태양광 패널을 개발하겠다고 계획했지만, 결국 컴퓨터 과학에 매료되어 이 분야로 방향을 선회하게 되었습니다. 그녀는 인공지능과 머신러닝이 재생 가능 에너지를 전력망에 통합하는 데 필수적이라고 주장하는 연구자들의 작업에 주목하게 되었고, 이는 그녀의 연구의 기초가 되었습니다. 전력망 최적화를 위한 머신러닝 기술 개발 돈티는 카네기 멜론 대학교에서 박사 과정을 진행하며, 컴퓨터 과학과 공공 정책을 결합한 독창적인 학위 과정을 설계했습니다. 그녀는 재생 가능 에너지를에 의존하는...

MIT의 엔지니어들이 고온 강도 알루미늄 합금을 3D 프린팅할 수 있는 기술을 개발했습니다. 이 혁신적인 합금은 전통적인 제조 방법보다 다섯 배 강하며, 높은 온도에서도 견딜 수 있는 특성을 가지고 있습니다. 연구팀은 기계 학습과 시뮬레이션을 통해 최적의 재료 조합을 찾아냈습니다. 기계 학습을 통한 합금 설계 혁신 MIT의 연구팀은 3D 프린팅이 가능한 강력한 알루미늄 합금을 개발하기 위해 기계 학습을 적극 활용했습니다. 전통적인 방식으로는 100만 가지 이상의 조합을 시뮬레이션해야 하는데, 연구팀은 단 40가지의 조합만으로도 이상적인 합금을 발견할 수 있었습니다. 이러한 과정은 과거의 방법에 비해 한층 효율적이었습니다. 고온에서도 견딜 수 있는 알루미늄 합금의 연구는 강도를 높이는 방식에서 시작되었습니다. 알루미늄의 강도는 그 미세구조에 크게 의존하는데, 미세구조가 작고 밀집된 입자로 구성될수록 강도가 증가합니다. 연구팀은 기계 학습을 통해 미세구조의 주요 요소를 파악하고, 최적의 비율을 조합하여 알루미늄 합금을 설계했습니다. 이로 인해 3D 프린팅에 적합한 강한 합금이 탄생하게 되었던 것입니다. 이처럼 기계 학습을 통한 연구는 합금 설계에서의 혁신적인 가능성을 열었습니다. 기계 학습은 재료 특성을 제어하는 여러 요소를 비선형적으로 분석할 수 있으며, 이는 재료 설계의 새로운 패러다임을 제시합니다. 특히, 실험실에서의 시뮬레이션은 한정된 자원으로 최대의 효율을 낼 수 있는 길을 제공합니다. 3D 프린팅의 장점을 활용한 합금 생산 새롭게 개발된 고온 강도 알루미늄 합금은 3D 프린팅 기술을 통해 생산됩니다. 3D 프린팅의 한 가지 주요 장점은 복잡한 구조의 형상을 쉽게 구현할 수 있다는 것입니다. 또한, 빠른 냉각 속도를 통해 소재의 강도를 높일 수 있는 독특한 특성을 가지고 있습니다. 연구팀은 레이저 증착 가루 압축(LBPF) 기술을 통해 이 합금을 제작했습니다. LBPF 방식은 층별로 파우더를 바닥에 놓고, 그 위에 레이저가 원하는...

태양의 에너지를 지구에서 안전하게 활용하기 위한 연구가 토카막 기계에서 이루어지고 있습니다. MIT의 연구자들은 플라즈마의 안정성을 예측하는 새로운 모델을 개발하여, 플라즈마를 안전하게 감속하는 방법을 제시했습니다. 이 연구는 향후 청정하고 무한한 융합 에너지원으로서 토카막의 가능성을 높이는 데 중요한 역할을 할 것입니다. 플라즈마의 동역학 이해하기 연구팀은 토카막에서 플라즈마의 동적 거동을 이해하기 위해 기존의 물리 기반 모델과 머신러닝 기법을 통합했습니다. 이 접근법은 플라즈마의 초기 조건에 따라 그 행동을 예측하는 데 매우 유용합니다. 연구는 스위스의 TCV 토카막으로부터 수집된 플라즈마 데이터를 기반으로 진행되었습니다. 기존의 단순한 머신러닝 모델이 아니라, 물리 법칙에 기반한 시뮬레이션과 결합한 덕분에 적은 양의 데이터로도 높은 정확도를 이끌어낼 수 있었습니다. 적은 수의 데이터를 통해 훈련된 새로운 모델은 플라즈마의 진화를 예측하는데 효과적이며, 플라즈마 안정성을 유지하는 데 필수적인 정보를 제공합니다. 이러한 플라즈마 동역학에 대한 깊은 이해는 향후 대규모 융합 발전소 운영의 안전성과 신뢰성을 크게 높일 수 있게 해줄 것입니다. 또한, 실험적 토카막의 자료들은 새로운 기술 개발에 큰 기여를 할 것으로 기대됩니다. 안정성 확보를 위한 새로운 알고리즘 연구팀은 토카막의 플라즈마 안정성을 유지하기 위해 예측 모델의 결과를 바탕으로 한 알고리즘을 개발했습니다. 이 알고리즘은 플라즈마의 감속을 자동으로 조절할 수 있는 경로를 생성합니다. 폴링 과정을 진행하면서, 이 경로는 안정성과 안전성을 최대한 높이는 방향으로 조정됩니다. 또한, 이 알고리즘은 여러 번의 TCV 실험에서 성능을 테스트하여, 이전의 방법들에 비해 빠르고 안정적인 감속을 제공했습니다. 그 결과, 이 새로운 접근법을 사용하면 감속 중에 발생할 수 있는 단전을 최소화하고, 내부 구조 피해를 막을 수 있다는 것이 확인되었습니다. 플라즈마의 감속이 더 이상 위험 요소가 아...

염증성 장 질환을 앓고 있는 환자들에게 항생제는 순양면의 검과 같습니다. 용해하는 광범위한 약물이 장의 염증을 완화하기 위해 처방되지만, 유익한 미생물까지 죽일 수 있어, 경우에 따라 증상을 더 악화시킬 수 있습니다. MIT의 컴퓨터 과학 및 인공지능 연구소와 맥마스터 대학교 연구진은 염증성 장질환 악화를 유발하는 특정 박테리아를 억제하면서 미생물군은 최대한 보호하는 신규 화합물 '엔테롤로린'을 발견했습니다. 정밀 항생제 개발의 중요성 정밀 항생제 개발은 알맞은 약물 치료를 통한 환자의 삶의 질 향상을 위해 필수적입니다. 현재 통상적으로 사용되는 광범위 항생제는 유해균을 죽이는 동시에 유익균까지 죽일 수 있어, 환자에게 더 큰 문제를 일으킬 수 있습니다. 그러나 최근 연구에서 발견된 엔테롤로린은 정밀 항생제의 가능성을 보여줍니다. 이 약물은 장내 염증과 연결된 특정 박테리아, 즉 Escherichia coli 에 목표를 두고 있으며, 나머지 미생물 군집은 유지합니다. 엔테롤로린은 실험 모델에서 기존의 항생제인 반코마이신과 비교했을 때, 염증을 더 빨리 완화하고 건강한 미생물군을 유지하는 데 도움이 되었던 것으로 밝혀졌습니다. 이는 정밀 항생제가 환자에게 사용될 수 있는 잠재력을 보여주며, 장내 인플레인메이션과 같은 질병에 대한 새로운 접근법을 제시합니다. 저자들은 엔테롤로린의 기작, 즉 이 물질이 박테리아 내부에서 어떤 방식으로 작동하는지를 규명하는 과정에서 어려움이 있었습니다. 그러나 최신 AI 기술을 활용하여 이를 한층 빠르고 정교하게 분석할 수 있었습니다. 이처럼 항생제 개발에서의 정밀성이 얼마나 중요한지를 알 수 있는 요소입니다. 인공지능의 역할 연구팀은 엔테롤로린의 작용 메커니즘을 규명하기 위해 'DiffDock'이라는 인공지능 모델을 사용했습니다. 전통적인 실험 방법으로는 박테리아의 반응을 분석하는 데 수년이 걸리지만, AI를 통해 이 시간을 크게 단축시킬 수 있었습니다. DiffDock은 작은 분...

MIT 기업가 정신 센터는 새로운 임원인 아나 박시(Ana Bakshi)를 발표했습니다. 박시는 왕립 킹스 대학교와 옥스퍼드 대학교에서 기업가 교육 센터를 성공적으로 이끌어온 경력을 가지고 있습니다. 그녀는 MIT에서 인공지능과 기업가 정신 교육의 새로운 장을 열 것이라는 기대를 모으고 있습니다. 아나 박시, 기업가 정신의 새로운 방향을 제시하다 아나 박시는 MIT 기업가 정신 센터의 새로운 운영 책임자로 선임되며, 그녀의 풍부한 경험과 전문성을 통해 MIT의 기업가 정신 교육을 한 단계 높이는 데 기여할 것입니다. 박시는 왕립 킹스 대학교와 옥스퍼드 대학교에서 성공적으로 기업가 정신 센터를 설립한 경험을 지니고 있으며, 이로써 MIT가 기업가 정신 분야에서 차별화된 위치를 확보할 수 있도록 이끌고자 합니다. 박시는 "MIT는 현재 인공지능과 혁신 기술을 활용해 기업가 정신 교육을 혁신할 수 있는 최적의 장소"라며، "세계적으로 더 많은 우수한 기업가를 배출하는 데 힘쓰겠다"고 포부를 밝혔습니다. AI와 같은 최신 기술의 도입은 창의적 문제 해결 및 혁신을 촉진할 것이며, MIT의 학생들과 교수진이 혁신적인 솔루션을 찾을 수 있도록 지원하는 중요한 기회가 될 것입니다. 또한 박시는 경제 회복 및 사회적 변화에 기여하는 기업을 지도하며, 기업가 정신의 다양한 분야와 산업을 아우르는 교육 프로그램을 개발할 예정입니다. 그녀의 리더십 아래, MIT 기업가 정신 센터는 변화하는 환경에 발맞추어 교육의 질을 높이며 혁신 주도를 더욱 강화할 것입니다. 혁신 중심으로 변화하는 교육의 필요성 현재의 세계는 변화의 속도가 일상적으로 빨라지고 있으며, 인공지능(AI)은 그 속도를 더욱 가속화하고 있습니다. 이러한 배경 속에서 기업가 정신 교육의 질을 높이는 작업은 결코 늦출 수 없는 과제가 되었습니다. 박시는 이러한 변화에 대응하기 위해 교육 방식을 혁신하거나 보완하는 작업을 선도할 것입니다. MIT는 전통적으로 기업...

최근 MIT 링컨 연구소 슈퍼컴퓨터 센터(LLSC)에 도입된 TX-Generative AI Next(TX-GAIN) 컴퓨팅 시스템은 미국 대학에서 가장 강력한 AI 슈퍼컴퓨터로 자리매김하였습니다. 이 시스템은 TOP500의 최신 랭킹에도 포함되며, 링컨 연구소와 MIT 전역의 연구 개발을 지원하는 데 큰 역할을 할 것입니다. TX-GAIN은 생성적 AI, 물리적 시뮬레이션 및 데이터 분석 등 다양한 연구 영역에서 중요한 진전을 이끌 전망입니다. TX-GAIN: 미국 대학 최강의 AI 슈퍼컴퓨터 TX-GAIN은 가장 최신의 AI 슈퍼컴퓨터로서, 단순한 데이터 분석을 넘어서는 뛰어난 기능을 다룹니다. 이 시스템은 600개 이상의 NVIDIA 그래픽 프로세싱 유닛(GPU) 가속기를 탑재하고 있으며, 이는 AI 작업에 최적화된 설계로 조합되어 있습니다. TX-GAIN의 피크 성능은 무려 2 AI 엑사플롭스에 이르며, 이는 매초 2경 초당 부동 소수점 계산이 가능하다는 것을 의미합니다. 이러한 능력 덕분에 TX-GAIN은 링컨 연구소의 여러 분야에서 큰 폭의 연구 지원을 제공하고 있습니다. 예를 들어, TX-GAIN은 항공기 충돌 방지 시스템을 개발하기 위해 수십억 개의 항공기 조우를 시뮬레이션하는 데 사용되었습니다. 또한, 자율 내비게이션 모델을 훈련시키기 위해 복잡한 작업을 지원하기에도 적합합니다. 뿐만 아니라 TX-GAIN은 생명공학 및 방어 분야에서도 혁신적인 기여를 하고 있습니다. 연구팀은 이 시스템을 통해 더 큰 단백질과 그 상호작용을 모델링할 수 있는 새로운 기회를 얻게 되었습니다. 이러한 기능은 생물 방어의 단백질 특성화 작업에 있어서 게임 체인저가 될 것입니다. Generative AI의 혁신과 연구 지원 TX-GAIN은 생성적 AI 분야의 개발에 특히 초점을 맞추고 있습니다. 기존 AI가 데이터를 분류하는 것에 중점을 두었다면, 생성적 AI는 새로운 결과물을 창출하는 데 중점을 둡니다. 링컨 연구소의 연구자들은 이 기술을 활용하여 레...

최근 MIT의 연구에 따르면, 생성 인공지능의 탄소 발자국 문제는 점점 더 심각해지고 있으며, 이를 해결하기 위한 다양한 노력이 이어지고 있습니다. 데이터 센터에서의 전력 소비는 앞으로 2030년까지 두 배 이상 증가할 것으로 전망되며, 이는 지구의 탄소 배출량에 큰 영향을 미칠 것입니다. 이 글에서는 생성 인공지능의 탄소 발자국을 줄이기 위한 전략을 중심으로 다양한 대안과 기술적 개선 방안을 살펴보겠습니다. 효율적인 알고리즘을 통한 탄소 배출 감소 연구자들은 생성 인공지능의 운영 탄소를 줄이기 위한 여러 방법들이 존재한다고 강조합니다. 예를 들어, 데이터 센터에서 GPU의 전력 소비를 줄이는 방법이 있습니다. 이러한 방법은 간단히 GPU의 성능을 줄이는 방식으로, AI 모델의 성능에 거의 영향을 미치지 않으면서도 전력 소비를 세분화하여 최소화할 수 있습니다. 이와 같은 단순한 조정만으로도 인공지능 모델의 훈련에 필요한 에너지를 크게 줄일 수 있습니다. 또한, AI 알고리즘의 정밀도를 낮추는 방법도 효과적입니다. 일반적으로, 고성능의 GPU를 여러 대 연결하여 복잡한 문제를 해결하는 데 사용되지만, 특정 AI 작업에 최적화된 저전력 프로세서를 사용하는 것으로 비슷한 성능을 낼 수 있습니다. 이러한 접근 방식은 에너지 효율성을 높이고, 결과적으로 탄소 배출량을 줄이는 데 기여할 수 있습니다. 연구자들은 AI 모델을 훈련하는 데 사용되는 전력 중 절반 정도가 마지막 몇 퍼센트의 정확도를 높이기 위해 소비된다는 점을 강조하고 있습니다. 때론 70%의 정확도로도 충분한 경우가 많기 때문에, 조기 훈련 종료를 통해 에너지를 절약할 수 있습니다. 이런 식으로도 많은 에너지를 절약할 수 있으며, 기술적으로도 효과적인 결과를 가져올 수 있습니다. 데이터 센터 설계 혁신 데이터 센터의 설계와 운영에 있어서 혁신도 탄소 발자국을 줄이는 중요한 전략입니다. 현재 진행 중인 연구들은 데이터 센터 건설 시 사용되는 철강과 콘크리트를 대체할 수 있는 더 지속 ...

MIT 연구진이 다채로운 정보를 통합하여 실험을 최적화하고 재료를 개발할 수 있는 새로운 시스템, CRESt를 발표했습니다. 이 시스템은 과거의 실험 결과, 문헌, 이미지 분석 등 다양한 데이터를 활용해 새로운 재료를 발견하는 데 도움을 줍니다. CRESt는 자동화된 로봇 장비를 통해 대량의 재료 실험을 진행하고, 결과를 바탕으로 지속적으로 최적화된 재료 레시피를 제안합니다. AI 기반 실험 최적화의 필요성 인류가 직면한 다양한 문제 중 하나는 혁신적인 재료를 발견하는 일이지만, 이는 시간과 비용이 많이 드는 과정입니다. 전통적인 재료 과학 실험은 연구자가 신중하게 워크플로우를 설계하고 새로운 재료를 생산한 뒤, 이를 테스트하고 분석하여 어떤 점을 개선할 수 있는지 파악하는 데 의존합니다. 이러한 과정을 통해 얻은 결과들은 성능 향상을 위해 필수적입니다. 그러나 이러한 실험이 가진 한계점은 비효율성과 높은 비용에 있습니다. MIT 연구진은 이 문제를 해결하기 위해 기계 학습 기반의 적극적 학습(active learning) 전략을 도입하여 과거 실험 데이터의 효율적인 사용을 통해 새로운 재료를 탐색할 수 있는 기회를 제공합니다. 이러한 전략은 베이즈 최적화(Bayesian Optimization, BO)와 결합하여 재료 개발을 가속화하고 있습니다. CRESt 시스템은 단순히 실험을 반복하는 것이 아니라, 문헌에서의 이해를 바탕으로 실험 설계에서 생기는 다양한 변수를 고려합니다. 이전 문헌에서의 경험이나 동료들의 피드백이 실험 데이터와 결합되면서 효과적이고 새로운 실험 디자인이 수립됩니다. 이러한 통합적 접근은 인간 연구자와 로봇 시스템 간의 협력을 통해 더욱 다양한 경로로 실험을 최적화할 수 있도록 합니다. CRESt 시스템의 혁신적인 기능들 CRESt는 다양한 로봇 장비와 고도로 자동화된 시스템을 활용하여 실험 전 과정을 효율적으로 처리합니다. 이 시스템은 액체 처리 로봇, 카보타몰 슈크 시스템을 사용하여 재료를 신속하게 합성하고, 자동...

MIT 연구자들은 생물의학 이미지를 더욱 효율적으로 세분화(세그멘테이션)할 수 있는 인공지능 기반 시스템을 개발하였습니다. 이 시스템은 연구자가 이미지를 클릭하고 스크리블을 통해 쉽게 세분화할 수 있게 하여, 수작업으로 시간을 많이 소모하는 과정을 대폭 단축시킵니다. 최종적으로 이러한 혁신은 새로운 치료 방법을 연구하고 임상 시험 비용을 줄이는 데 기여할 것으로 기대됩니다. AI 기반 이미지 세분화의 필요성 의료 이미지 세분화는 임상 연구에서 필수적인 첫 번째 단계로 자리잡고 있습니다. 특히 뇌의 해마와 같이 연구의 핵심이 되는 특정 구조를 세분화하는 것은 노인환자의 상황에 대한 인사이트를 제공하는 데 중요한 역할을 합니다. 전통적인 방법으로는 수작업으로 이미지를 세분화해야 하므로, 이는 많은 시간과 에너지를 소모하게 됩니다. 특히, 세분화의 난이도가 높은 구조일수록 연구자는 더욱 많은 시간을 투자해야 합니다. MIT 연구진이 개발한 새로운 AI 기반 시스템은 이러한 수작업의 비효율성을 해결하고자 합니다. 사용자는 단순히 이미지를 클릭하고 원하는 영역을 드로잉하는 방식으로 세분화를 진행할 수 있습니다. 이 AI 모델은 사용자의 이러한 상호작용을 통해 세분화를 예측할 수 있으며, 사용자가 더 많은 이미지를 마킹할수록 AI의 예측 정확도는 올라가고, 상호작용 횟수는 점점 줄어듭니다. 이 새로운 시스템은 기존의 수작업 방식을 대체할 수 있는 발판을 마련하고 있습니다. 기존의 여러 세분화 도구와 달리, 사용자는 동일한 작업을 반복할 필요가 없으며, AI가 제공하는 예측을 기반으로 신속하게 세분화를 마칠 수 있게 됩니다. 이에 따라 연구자들은 연구의 질을 높이면서도 시간은 절약할 수 있습니다. 세분화 프로세스를 혁신하는 MultiverSeg 연구자들이 기존에 사용하던 방법은 주로 두 가지입니다. 첫 번째는 사용자가 이미지를 업로드하고 관심 영역을 직접 마킹하는 대화형 세분화 방법입니다. 이 접근법은 사용자의 상호작용에 의존하지만, 각 ...

MIT의 경제학 박사 과정 학생인 휘트니 장(Whitney Zhang)은 조직 차트에서의 위치와 관계없이 근로자의 가치를 소중히 여기는 것이 중요하다고 믿습니다. 그녀는 노동 경제학을 연구하며, 기업의 기술적 및 관리적 결정이 근로자에게 미치는 영향을 탐구하고 있습니다. 장은 정책이 근로자에게 미치는 영향을 개선하기 위해 관계를 구축하고, 증거 기반 접근 방식을 통해 정책을 수립하는 데 헌신하고 있습니다. 근로자 중심의 경제학 연구 휘트니 장은 경제학에서 근로자 중심의 연구를 통해 정책 개선의 필요성을 절실히 느낀다. 그녀는 노동 시장에서 기술과 관리적 결정이 근로자에게 미치는 영향을 분석하고, 특히 기술의 발전이 근로자의 생산성과 삶의 질에 어떤 영향을 줄 수 있는지 탐구하고 있다. 최근에는 생성적 AI인 ChatGPT를 활용하여 근로자의 생산성을 높이는 방안을 연구했으며, 이 연구는 근로자가 어떤 작업에서 우세한 성과를 낼 수 있는지에 대한 귀중한 데이터를 제공하였다. 장과 동료 학생들이 진행한 연구에서는 ChatGPT를 활용한 작문 작업에서 근로자의 생산성이 유의미하게 향상되었음을 발견하였다. 특히, 초기 성과가 낮았던 근로자일수록 생산성 향상이 두드러졌다는 결과는 기술이 고용 시장에서의 형평성 차원에서도 긍정적인 효과를 가져올 수 있음을 시사한다. 이러한 연구 결과는 단순히 기술의 발전을 넘어서, 노동자들이 처한 복잡한 환경과 그들이 마주해야 하는 고용조건을 개선하는 데에도 큰 기여를 하고 있다. 장 교수는 노동자와 관련된 여러 가지 정책에 대한 연구를 통해 근로자의 삶의 질을 향상시키기 위한 방안을 찾고자 한다. 예를 들어, 그녀의 연구 중 하나인 ‘불규칙한 근로 일정의 결정 요소’는 저소득 근로자들이 경험하는 예측할 수 없는 근로 일정이 삶의 질에 미치는 영향을 분석한다. 이러한 연구는 불규칙한 근로 일정이 야기하는 문제를 해결하고, 궁극적으로 근로자들에게 더 나은 근무환경을 제공하기 위한 정책을 개발하는 데 중요한 기반이 될 것이다....

MIT 수학과의 연구자들이 최근 인공지능(AI)과 수학의 융합을 통해 수학적 발견과 연구를 촉진하기 위한 프로젝트에 대한 지원을 받았다는 소식입니다. David Roe 및 Andrew Sutherland 박사는 Renaissance Philanthropy와 XTX Markets의 AI for Math 글로벌 그랜트 수상자로 선정되어, 자동 정리 증명이 가능하도록 LMFDB와 Lean4 수학 라이브러리 간의 연결성을 강화할 예정입니다. 이 프로젝트는 수학자들이 인공지능 도구를 활용하여 수학적 발견을 더욱 원활하게 진행할 수 있도록 도울 것입니다. 자동 정리 증명과 AI 기술의 결합 MIT의 연구자들은 자동 정리 증명의 효율성을 높이기 위해 인공지능 기술을 활용하고 있습니다. Sutherland 박사는 "자동 정리 증명기는 기술적으로 매우 복잡하지만, 그 발전은 자원 부족 문제로 어려움을 겪고 있다"고 지적합니다. 최근의 대형 언어 모델(LLM)과 같은 AI 기술들이 등장하면서 이와 같은 정리 증명 도구들은 점점 더 쉽게 접근할 수 있게 되었습니다. 이를 통해 수학자들은 더 많은 정리를 증명하기 위한 formal verification frameworks를 손쉽게 사용할 수 있는 기회를 갖게 됩니다. Roe와 Sutherland은 이번 그랜트를 통해 LMFDB와 Lean4의 mathlib 간의 연결을 구축하는 프로젝트를 진행할 것입니다. 이 작업은 두 시스템 간의 결과를 통합하여, LMFDB 내의 수학적 결과를 mathlib 내에서 미공식적으로 주장할 수 있는 형태로 제공하는 것을 목표로 하고 있습니다. 이로 인해 인간 수학자들 및 인공지능 시스템 모두에게 유용한 자료가 제공될 것입니다. 이러한 작업은 한편으로는 수학적 발견을 위한 강력한 기법이 될 수 있습니다. 수학적 정리나 증명을 위해 고려해야 할 사실의 집합은, 해당 정리를 실제로 증명하기 위해 최종적으로 공식화해야 할 사실의 집합보다 기하급수적으로 크다는 점에서, Roe ...

최근 MIT 연구팀은 인공지능(AI) 기반의 재료 모델을 활용하여 양자 물질 설계의 혁신을 이루어냈습니다. 이 팀은 SCIGEN이라는 새로운 기법을 통해 특정 기하학적 구조를 따르는 물질을 생성할 수 있는 기술을 개발했습니다. 이로 인해 양자 컴퓨팅에 필수적인 새로운 재료 후보들이 발굴될 수 있는 가능성이 열렸습니다. AI의 진화와 행목적 재료 설계 AI의 발전은 여러 분야에서 혁신을 불러일으키고 있지만, 특히 재료 과학 분야는 그 혜택을 크게 보고 있습니다. 최근 몇 년간 구글, 마이크로소프트, 메타와 같은 기업들이 개발한 생성적 재료 모델들은 기존의 데이터셋을 활용하여 수천만 개의 새로운 물질 후보들을 제안해왔습니다. 그러나 이러한 모델들은 초전도성과 같은 이국적인 양자 특성을 지닌 물질을 설계하는 데에는 한계를 가지고 있었습니다. MIT의 연구팀은 이러한 한계를 극복하기 위해 특정 설계 규칙을 준수하게 하는 기술을 개발했습니다. 이 팀이 제안한 SCIGEN 기법은 사용자가 정의한 구조적 제약을 모델에 통합하여, 양자 특성을 가질 가능성이 높은 물질을 생성하도록 돕습니다. 이를 통해 연구자들은 안정성이 아닌 특수한 기하학적 구조의 물질을 설계하는 것을 목표로 하고 있습니다. 이와 같은 접근 방식은 기존의 단순히 안정성을 추구하는 모델에 비해 훨씬 더 혁신적인 물질을 만들어낼 수 있는 가능성을 제시합니다. 기하학적 제약의 필요성 물질의 특성은 그 구조에 의해 결정되며, 양자 물질도 예외는 아닙니다. 연구팀은 SCIGEN을 통해 Archimedean lattice와 같은 독특한 기하학적 구조를 따르는 많은 후보 물질들을 생성할 수 있었습니다. Archimedean lattice는 양자 스핀 액체와 같은 현상을 일으킬 수 있으며, 이는 향후 양자 컴퓨팅 장치에 매우 중요한 역할을 할 수 있습니다. 연구자들은 1천만 개의 후보 물질 중에서 1백만 개를 안정성 기준으로 선별하고, 그 중 26,000개의 물질에 대해 정밀 시뮬레이션을 수행했습니다....

MIT의 Martin Trust Center는 학생들에게 창업의 기술을 가르치기 위해 노력하고 있습니다. 최근 몇 년 동안 인공지능(AI)은 창업 과정에 중대한 변화를 가져왔으며, 믿을 만한 도구로 자리잡고 있습니다. Trust Center의 리더들은 AI가 창업의 기본 원칙을 변화시키지는 않지만, 도구로서의 기능을 강조하며 학생들에게 AI의 활용에 대한 신중한 접근을 권장하고 있습니다. AI 시대의 창업 교육 변화 MIT의 Martin Trust Center는 AI 기술을 성공적으로 창업 교육에 접목시키고 있습니다. 여기서 강조하는 점은 AI가 단순한 도구로서의 역할에 국한된다는 것입니다. Trust Center의 Entrepreneur in Residence인 Macauley Kenney는 “AI는 또 다른 도구에 불과하다”라고 말하며, 기본적인 창업 원칙이 여전히 중요하다고 강조합니다. 최근 delta v 스타트업 액셀러레이터 프로그램에서 학생들은 AI 도구를 이용해 프로그래밍 속도를 향상시키고, 발표 자료를 준비하며, 새로운 산업에 대한 이해를 높이는 등 다양한 방식으로 AI를 활용했습니다. Trust Center는 학생들이 AI를 적절히 사용하도록 독려하면서도 기술의 한계를 인지하도록 안내하고 있습니다. 이처럼 AI는 학생들이 더 빠르고 효율적으로 작업을 수행하게 하는 데 큰 도움이 되고 있습니다. 학생들이 사용하는 AI 도구 중 하나인 Jetpack은, Bill Aulet의 "Disciplined Entrepreneurship"에서 제공하는 24단계를 통해 사용자에게 스타트업 아이디어에 대한 조언을 제공합니다. 이 도구의 목표는 빠른 시작을 지원하는 것이지만, 사용자는 항상 방향성을 스스로 설정해야 한다는 점을 명심해야 합니다. Jetpack은 학생들에게 초기 시장, 고객 세그먼트, 비즈니스 모델 등을 제안해주며, 학생들은 이를 바탕으로 적절한 결정을 내릴 수 있도록 돕습니다. AI 시대의 창업 교육 도전 ...

2022년 OpenAI가 ChatGPT를 소개한 이후, 생성 인공지능 기술은 빠르게 산업, 과학 연구, 의료 등 다양한 분야에 통합되고 있다. 최근 MIT Kresge Auditorium에서 열린 MIT 생성 AI 영향 컨소시엄 첫 심포지엄에서는 이 기술의 미래에 대한 심도 있는 논의가 이루어졌다. 참석자들은 생성 인공지능이 인류에 미치는 영향을 다각도로 탐구하며, 기술의 발전과 그에 따른 도전과제를 해결하기 위한 방법을 모색했다. MIT의 생성 AI 혁신 MIT 생성 AI 영향 컨소시엄(MGAIC)은 지난 9월 17일 첫 심포지엄을 열어 기술의 발전과 사회적 지혜가 함께 성장할 필요성을 강조했다. MIT 총장인 샐리 콘블루스는 기술의 발전이 인류에 도움이 되려면 연구자와 기업 리더들이 함께 도전과제를 해결해야 한다고 강조했다. 이날 심포지엄의 기조 연설자로 나선 Meta의 수석 AI 과학자인 얀 르쿤은 일반적으로 알려진 대규모 언어 모델들이 아니라 '세계 모델'의 개발이 향후 AI 시스템의 핵심이 될 것이라고 주장했다. 그는 아기가 세상을 보고 감각적 입력을 통해 배우는 방법으로, AI도 더 나은 학습과 스마트함을 갖출 수 있다는 점을 설명했다. 이러한 관점은 기존의 AI 기술이 문제를 해결하는 데 한계가 있음을 극복할 수 있는 새로운 길을 제시한다. 또한, 이날 발표된 다양한 연구 결과들은 MIT와 기업들이 협력하여 창의적이고 혁신적인 방법으로 생성 AI를 활용하고 있음을 보여주었다. 예를 들어, 환경 이미지 데이터의 소음을 줄이기 위한 AI 기술 연구와 편향과 환각을 완화하는 새로운 AI 시스템 설계, LLM이 시각적 세계를 더 잘 이해할 수 있도록 돕는 연구 등이었다. 이러한 연구들은 향후 생성 AI가 전 세계에 긍정적인 영향을 미칠 수 있는 기반을 마련해주고 있다. 미래 로봇 기술의 전환점 아마존 로보틱스의 최고 기술자인 타이 브래디는 생성 AI 기술이 로봇 산업에 미치는 영향을 심층적으로 논의했다. 그는 생성 ...

대규모 언어 모델(LLM)의 개발과 훈련은 막대한 비용과 자원을 필요로 합니다. MIT와 MIT-IBM Watson AI Lab 연구팀은 모델 아키텍처 및 훈련 데이터 선택과 같은 결정에서 예측 가능성을 높이기 위해 다양한 스케일링 법칙을 분석하였습니다. 이들은 수백 개의 모델 및 메트릭을 모아 과학적이고 체계적인 가이드를 제공하여 예산 범위 내에서 예측의 신뢰성을 높이고자 했습니다. 모델 성능의 예측: 새로운 접근 LLM의 성능을 예측하는 것은 비용이 막대한 만큼 매우 중요합니다. 연구팀은 수천 가지의 스케일링 법칙을 통해 더 작은 모델을 활용하여 큰 모델의 성능을 예측할 수 있는 기회를 제공하고자 했습니다. 이렇게 함으로써, 훈련 전에 모델의 행동을 예측하고 의사결정을 지원할 수 있습니다. 특히, 알고리즘과 데이터 선택, 인프라와 같은 요소들을 고려하여 예측의 정확성을 최대한 높이는 것이 중요합니다. 시스템적으로 접근한 연구팀은 다양한 모델 아키텍처와 훈련 데이터를 수집하여, 컴퓨팅 비용과 성능 변수를 분석했습니다. 이 과정에서 스케일링 법칙의 특정 형태가 성능 예측에 어떻게 기여할 수 있는지를 탐구하였고, 이를 통해 구축한 가이드는 연구자들이보다 신뢰성 있는 결정을 내릴 수 있도록 도와줍니다. 이러한 접근은 대규모 LLM의 훈련에 대한 정보 비대칭 문제를 해결하고, 자원이 제한된 환경에서도 성과를 낼 수 있는 역량을 배양하는 데 중요한 역할을 합니다. 스케일링 법칙의 활용 스케일링 법칙은 연구자들이 LLM의 행동을 예측하기 위한 효율적인 도구로 자리매김하고 있습니다. 이들은 성능 평가를 통해 연구팀이 자원을 어떻게 최적화할 수 있는지를 안내하는 역할을 합니다. 연구팀이 발견한 바에 따르면, 다양한 변수—예를 들어, 훈련 데이터의 양, 모델의 파라미터 수치—가 성능 결정에 중요한 영향을 미치므로, 이를 추적하고 조정하는 것이 매우 중요합니다. 연구자들은 스케일링 법칙을 통해 도출한 예측 모델로부터 데이터 길이에 따른 성능 차이를 분석하여 예산...

태아 건강 분석을 위한 머신러닝 모델 개발은 최근 의료 분야에서 각광받고 있는 주제 중 하나입니다. MAI(모델 기반 인공지능) 기술이 태아 조기 진단과 건강 모니터링에 기여하고 있으며, 특히 MIT, 보스턴 아동병원, 하버드 의대의 협업으로 개발된 "Fetal SMPL" 모델이 주목받고 있습니다. 이 모델은 태아의 형태와 움직임을 정밀하게 예측하여 임신 기간 중 중요한 정보를 제공합니다. 정확한 태아 모델링을 위한 Fetal SMPL Fetal SMPL은 태아의 형태와 자세를 정밀하게 모델링하기 위해 20,000개의 MRI 영상을 학습한 결과물입니다. 이 모델은 기존의 "SMPL" 기법을 기반으로 하며, 성인의 몸체를 표현하는 기술을 태아에게 적합하도록 조정한 것입니다. 주요 특징 중 하나는 23개의 관절을 가진 "키네마틱 트리" 구조로서, 이를 통해 태아의 pose (자세)와 shape (형태)를 사실적으로 재현합니다. 이 시스템은 새로운 방식으로 태아를 인식하고 분석할 수 있는 가능성을 열어줍니다. 연구에 따르면, Fetal SMPL은 기존 모델과 비교했을 때, 태아를 담고 있는 MRI 데이터를 정밀하게 일치시키는 데 있어 평균 3.1mm라는 미세한 오차로 성공적으로 알고리즘을 실행하였습니다. 이처럼 정확한 모델링은 의사들이 태아의 크기와 비율을 측정하는 데 큰 도움이 될 것으로 기대됩니다. 태아의 머리 크기나 배 크기를 정확히 측정하여 같은 임신 주기의 건강한 태아와 비교할 수 있는 기회를 제공합니다. br 세밀한 분석으로 태아 건강 관리 Fetal SMPL은 진단의 정확도를 높이는 데 중요한 역할을 하고 있으며, 태아의 건강 관리 측면에서 새로운 차원을 열었습니다. 본 시스템은 태아의 위치와 크기를 정밀하게 예측하여, 의사가 임신 상태를 더 잘 이해하고 적절한 조치를 취할 수 있게 합니다. 초기 임상 테스트에서도 기존 시스템보다 우수한 성능을 보였습니다. MRI 데이터에서 태아의 ...

미국 에너지부의 국가 핵안전관리국(DOE/NNSA)은 MIT를 극한 환경의 예측 시뮬레이션을 발전시키기 위한 새로운 연구 센터 설립을 발표했다. 이 센터는 고성능 컴퓨팅을 이용한 개방형 과학 및 공학 응용을 위한 선구적 연구를 지원하는 예측 과학 학술 동맹 프로그램(PSAAP-IV)의 일환으로 설립 예정이다. MIT 극한 환경 예측 시뮬레이션 센터는 초고온 및 초고속 물질의 상호작용을 시뮬레이션하는 데 초점을 맞추고 있으며, 이는 국가 안보와 우주 탐사, 고급 열 보호 시스템 발전에 매우 중요하다. MIT의 연구력을 활용한 예측 시뮬레이션 MIT는 최근 국가 핵안전관리국이 지원하는 새로운 연구 센터를 통해 극한 환경의 예측 시뮬레이션을 한층 더 발전시키고자 한다. MIT 극한 환경 예측 시뮬레이션 센터(CHEFSI)는 초고온의 고엔탈피 가스 흐름과 고체 물질의 화학적, 열적, 기계적 거동을 결합한 자세한 시뮬레이션을 계획하고 있다. 이 연구는 고온 및 초고속 상황에서의 물질 상호작용을 정밀하게 규명하고, 이를 통해 재사용 가능 우주선 및 초음속 비행체 같은 첨단 기술의 설계를 지원하게 된다. 특히 CHEFSI는 초고성능 컴퓨터와 차세대 알고리즘을 활용하여 보다 깊이 있는 연구를 진행할 예정이다. 즉, 고온 환경에서의 물질 변화를 예측하고, 비행 시험의 제한점을 극복하기 위해 실험에 의해 검증된 고급 계산 모델을 제공하게 된다. 이러한 모델링 접근방식은 관련 분야의 비판적 통찰을 제공할 수 있으며, 물질의 성능과 고장 여부를 예측하는 데 중요한 역할을 한다. MIT의 이안 A. 웨이츠 연구 부총장은 CHEFSI의 설립이 미국이 과학 및 기술 혁신의 선두주자로 남도록 지원할 것이라는 긍정적인 의견을 밝혔다. MIT의 뛰어난 예측 모델링 및 고성능 컴퓨팅 역량을 활용하여 이 센터는 국가 안보와 첨단 기술의 발전에서 중요한 역할을 수행할 것이다. 고온 가스와 고체 물질의 상호작용 연구 CHEFSI의 연구는 극한 환경에서의 고온 가스와 고체 물질...

최근 기계공학 분야에서 인공지능 최적화는 설계 및 시뮬레이션 속도를 높이고, 프로세스 자동화를 통해 개발 비용을 절감하며, 예측 유지보수 및 품질 관리를 향상시키는 데 기여하고 있습니다. MIT의 기계공학부에서 진행되는 AI 및 머신러닝 관련 교육과정은 학생들이 실질적인 설계 문제를 해결하기 위해 고급 기술을 활용하도록 하고 있으며, 이 과정의 성과는 매우 다양하고 혁신적입니다. 이러한 교육은 기계공학의 전통적인 경계를 넘어선 최신 기술의 통합을 보여줍니다. AI를 활용한 설계 프로세스의 혁신 MIT의 Faez Ahmed 교수의 지도 아래, 학생들은 인공지능 및 머신러닝을 설계 프로세스에 적용하는 데 많은 기대를 하고 있습니다. 2021년 처음 개설된 "AI 및 머신러닝을 활용한 엔지니어링 디자인" 과정은 이제 기계공학부의 인기 있는 비전공 과목으로 자리잡았습니다. 학생들은 다양한 전공을 가진 이들이 참여하여 실제 문제를 해결하기 위한 협업을 통해 깊이 있는 경험을 쌓고 있습니다. 이 과정에서 포괄적으로 다루는 여러 주제들은 기계공학의 이론적 기초 위에 머신러닝과 AI의 요소들을 잘 융합하고 있습니다. 예를 들어, 수업에서는 자전거 프레임 설계나 도시 그리드 최적화를 포함한 실제 사례를 바탕으로 학생들이 자신만의 프로젝트를 구상하고 경쟁하는 환경을 제공합니다. 이러한 접근은 이론을 실제 문제에 적용할 수 있는 기회를 제공하여 학생들에게 자신의 작업에 대한 책임을 더욱 확립시킵니다. 실제 작성한 템플릿 코드와 해결책을 바탕으로 학생들은 더 나은 솔루션을 찾는 과제를 수행합니다. 이러한 경쟁적 환경은 학생들이 창의적으로 접근하여 인공지능과 최적화를 통합한 혁신적인 해결책을 만드는 데 큰 동기를 부여합니다. 이러한 경험은 학생들이 기계공학의 다양한 분야에서 획기적인 발전을 이루는 데 기여할 것입니다. 경쟁을 통한 실제 문제 해결 능력 배양 이 수업에서 학생들은 실제 문제를 다루면서도 비판적 사고와 알고리즘적 접근 방식을...

최근 3D 프린팅 기술이 환경 친화성을 높이는 방향으로 발전하고 있습니다. MIT의 연구팀이 개발한 "SustainaPrint"는 강한 재료와 에코 프렌들리 재료를 혼합하여 효율적으로 3D 프린팅을 가능하게 합니다. 이 새로운 접근법은 구조적 강도를 유지하면서도 플라스틱 사용을 줄일 수 있는 혁신적인 방법을 제시합니다. 1. 지속 가능한 필라멘트의 혁신 3D 프린팅 기술은 1983년 Chuck Hull에 의해 처음 개발된 이후로 급격히 발전해왔습니다. 하지만 대부분의 소비자 및 산업용 3D 프린터는 여전히 석유 기반의 플라스틱 필라멘트를 사용하고 있으며, 이러한 소재는 환경에 미치는 영향이 큽니다. 이 문제를 해결하기 위해 연구자들은 다양한 친환경 대체재를 개발하고 있지만, 주로 강도가 낮아 구조적으로 적합하지 않은 경우가 많습니다. 여기서 MIT의 "SustainaPrint" 기술이 등장합니다. 이 기술은 여러 필라멘트를 전략적으로 조합하여 부품을 만들 수 있도록 설계되었습니다. 연구팀은 필라멘트의 강도와 약점을 평가하고, 3D 모델의 구조적 분석을 통해 어느 부분에 강한 재료가 필요한지를 식별하는 소프트웨어를 개발했습니다. 이 과정은 에너지와 자원을 절약하면서도 필라멘트 사용량을 줄이는 데 기여합니다. SustainaPrint는 필라멘트의 조합 방식을 바꿈으로써 지속 가능한 필라멘트의 사용을 혁신적으로 향상시킵니다. 또한, 페어링할 수 있는 다양한 필라멘트를 통해 사용자들에게 맞춤형 솔루션을 제공합니다. 예를 들어, 일반 PLA를 사용하여 약한 부분을 보강하고, 폴리머의 Low-Energy 모델을 통해 강한 부분을 제작함으로써 구조적 이상이 생기는 것을 방지할 수 있습니다. 2. 구조적 설계의 강도와 안전성 독창적인 "SustainaPrint" 기술은 3D 프린팅의 구조 강도를 유지하면서도 자원의 낭비를 최소화하는 데 중점을 두고 있습니다. 연구팀은 "유한 요소 분석(Fin...

최근 MIT의 연구팀이 화학 반응 예측을 위한 인공지능 모델을 개발하여 기존의 한계를 극복하는 데 성공했습니다. 이 모델은 물리적 원칙, 특히 질량 보존 법칙을 반영하여 정확성과 신뢰성을 획기적으로 향상시켰습니다. 연구팀은 FlowER이라는 프로그램을 통해 전자와 원자를 추적, 관리하여 화학 반응의 모든 단계를 명확히 예측할 수 있는 가능성을 제시했습니다. 물리적 제약을 반영한 화학 반응 예측 MIT의 연구팀은 기존의 화학 반응 예측 방식에서 가장 큰 문제인 물리적 제약을 모델에 효과적으로 반영하는 방법을 개발했습니다. 기존 많은 인공지능 모델들이 화학 반응의 입력과 출력을 단순히 연결하는 데 그쳤다면, 이번 연구는 중간 단계와 질량 보존의 필요성을 모두 고려하여 신뢰도를 높였습니다. 화학 반응 예측에서 중간 단계를 추적하는 것은 매우 중요합니다. 예를 들어, 약물을 제작할 때는 처음부터 끝까지 어떻게 변화해 가는지를 아는 것이 필수적입니다. 따라서 연구팀은 화학 반응의 과정에서 발생하는 모든 화학물질과 그 변환 과정을 반드시 검토해야 한다고 강조했습니다. 또한 연구팀은 1970년대에 개발된 이바르 우기를 사용하여 결합-전자 행렬을 만들어 전자의 변환 상태를 효율적으로 추적했습니다. 이를 통해 질량과 전자의 보존을 보장하는 데 성공하였으며, 이는 새로운 예측 프로그램인 FlowER의 기초가 되었습니다. FlowER는 전자의 유무를 행렬로 표현함으로써 화학 반응 예측의 신뢰도를 크게 향상시키는 데 기여했습니다. 기계학습 활용을 통한 예측 정확성 향상 이번 연구에서 사용된 FlowER 모델은 기존의 화학 반응 예측 시스템과 비교하여 높은 정확성을 자랑합니다. 연구팀은 U.S. 특허 데이터베이스에서 수집한 백만 건 이상의 화학 반응 데이터를 활용하여 모델을 훈련했습니다. 이 데이터는 실제 반응이 어떻게 진행되는지를 기반으로 한 정보를 제공하였으며, 따라서 모델이 예측하는 화학 경로의 신뢰성을 높였습니다. 모델은 화학 반응의 전반적인 ...

합성 데이터는 실제 데이터의 통계적 특성을 모방하여 알고리즘에 의해 인위적으로 생성된 데이터로, 실제 데이터의 정보가 포함되어 있지 않습니다. 2024년 AI 응용 프로그램에서 사용된 데이터의 60% 이상이 합성 데이터일 것이라는 추정이 있으며, 이 숫자는 다양한 산업에서 계속 증가할 것으로 예상됩니다. 합성 데이터는 개인 정보를 보호하면서 AI 모델 개발의 비용과 속도를 줄일 수 있는 잠재력이 있습니다. 합성 데이터의 생성 방법 합성 데이터는 알고리즘에 의해 생성되지만, 실제 상황에서 유래하지 않는 데이터입니다. 이러한 데이터의 가치는 실제 데이터와의 통계적 유사성에 있습니다. 언어 데이터를 예로 들면, 합성 데이터는 마치 인간이 쓴 것처럼 보입니다. 최근 몇 년 사이, 데이터에서 생성 모델을 구축하고 이를 통해 현실적인 합성 데이터를 생성하는 능력이 크게 향상되었습니다. 일부의 실제 데이터를 사용하여 생성 모델을 구축하고, 이를 통해 필요한 만큼 합성 데이터를 생성할 수 있습니다. 이 모델은 실제 데이터에 존재하는 모든 기본 규칙과 무한한 패턴을 포착하여 합성 데이터를 생성합니다. 데이터의 네 가지 본질적 양식은 언어, 비디오 또는 이미지, 오디오, 그리고 표 형식으로 나뉘며, 각각의 데이터 양식마다 합성 데이터를 생성하는 데 필요한 생성 모델 구축 방법이 조금씩 다릅니다. 특히, 표 형식 데이터는 고객 거래와 같은 민감한 정보가 포함되어 있어 기업 방화벽 뒤에 가려져 있는 경우가 많습니다. 이러한 데이터에 적합한 플랫폼인 합성 데이터 볼트(Synthetic Data Vault)는 사용자가 생성 모델을 구축하고 이를 통해 고객 개인정보를 보호하면서 보다 널리 사용할 수 있는 합성 데이터를 생성할 수 있도록 도와줍니다. 합성 데이터의 이점과 활용 사례 합성 데이터를 사용하는 주요 이점 중 하나는 소프트웨어 응용 프로그램 테스트입니다. 소프트웨어의 데이터 기반 논리가 필요한 만큼, 이를 테스트하기 위한 데이터 역시 필요합니다. 과거...

최근 생물학과 머신러닝의 융합이 주목받고 있으며, 이러한 혁신적 연구는 생명 시스템의 인과 관계를 규명하려는 다양한 접근 방식을 포함하고 있습니다. MIT의 Caroline Uhler 교수는 Eric과 Wendy Schmidt 센터의 연구를 통해, 단백질, 세포, 조직, 유기체라는 네 가지 생물학적 수준에서 머신러닝을 활용하고 있습니다. 이번 기사에서는 그녀의 연구와 그 중요성에 대해 깊이 알아보겠습니다. 생물학의 데이터 혁명 생물학 및 의학 분야는 현재 "데이터 혁명"을 경험하고 있습니다. 대규모의 다양한 데이터세트가 활용 가능해지면서, 생명 과학은 새로운 시대의 문턱에 서게 되었습니다. 이러한 혁신은 유전자 배열 및 다양한 오믹스 데이터부터 고해상도 이미징, 전자 건강 기록에 이르기까지 폭넓은 영역을 포괄합니다. 특히, 저렴하고 정확한 DNA 시퀀싱과 단세포 유전체학의 발전은 수백만 개의 세포를 프로파일링할 수 있는 가능성을 열었습니다. 이와 함께 머신러닝 분야에서도 BERT, GPT-3와 같은 모델이 텍스트 이해 및 생성에서 획기적인 진전을 보였습니다. 이러한 기술은 생물학 데이터를 처리하기 위한 강력한 아키텍처 블루프린트를 제공합니다. 예를 들어, 트랜스포머 모델은 유전자 서열을 언어처럼 모델링할 수 있으며, 비전 모델은 의료 및 미세 관찰 이미지를 분석하는 데 활용됩니다. 그러나 생물학은 머신러닝에 그치는 것이 아니라, 새로운 머신러닝 연구의 심층적인 영감을 제공할 수도 있습니다. 다른 분야에서는 예측 정확도가 가장 중요한 가치를 지니지만, 생물학에서는 인과 메커니즘이 궁극적 목표입니다. 따라서 생물학은 머신러닝에 풍부한 영감을 주고 있으며, 이는 새로운 연구 방향으로 이어질 것입니다. 인과적 문제 접근의 필요성 생물학에서는 통계적 연관성을 넘어서는 인과적 질문들이 많은데, 이는 머신러닝의 전통적인 모델이 해결하기 어려운 부분입니다. 예를 들어 특정 유전자나 경로의 변화를 통해 하위 세포 프로세스에 미치는...

매년 세계 보건 전문가들은 다음 시즌 독감 백신에 포함할 바이러스 균주를 선택하는 고위험 결정을 내립니다. 이 선택은 독감 시즌이 시작되기 몇 달 전 이루어져야 하며, 바이러스의 진화 속도에 발맞춰 예측해야 합니다. 마치 더욱 더 예측하기 어려운 COVID-19 변종의 전개를 거치며 이 문제는 다시금 부각되었으며, MIT 과학자들은 AI 시스템인 VaxSeer를 개발하여 이 과정을 개선하기 위해 노력하고 있습니다. AI와 독감 바이러스의 상관관계 AI, 특히 VaxSeer는 독감 바이러스의 진화를 더 잘 이해하기 위한 혁신적인 도구입니다. 이 시스템은 수십 년간의 바이러스 서열과 실험실 테스트 결과를 기반으로 훈련된 딥러닝 모델을 활용하여, 독감 바이러스가 어떻게 진화할지를 예측합니다. 기본적으로 VaxSeer는 두 개의 핵심 예측 엔진을 운용합니다. 하나는 각 바이러스 균주가 퍼질 가능성을 추정하고(우세성), 다른 하나는 해당 균주에 대한 백신의 효과성을 평가합니다(항원성). VaxSeer의 실질적인 목적은 전통적인 독감 백신 선택 프로세스를 개선하고, 과거의 데이터를 기반으로 한 예측을 통해 공공 건강에 실질적으로 기여하기 위함입니다. 과거 10년의 데이터를 분석한 결과, VaxSeer의 추천은 WHO의 추천보다 평균적으로 더 높은 정확도를 보였습니다. 특히 A/H3N2 바이러스에 대해서는 10 시즌 중 9 시즌에서 WHO보다 우세한 결과를 나타냈습니다. 이러한 성과는 독감 백신 개발의 새로운 가능성을 열어주며, 예방 가능한 질병을 줄일 수 있는 데 기여합니다. 동적 우세성의 예측과 항원성 평가 VaxSeer는 단순히 각각의 아미노산 변이를 독립적으로 분석하는 것을 넘어, 여러 변이 간의 조합 효과를 파악합니다. 이는 독감 바이러스가 겪는 다양한 변화를 더욱 세밀하게 이해하고, 이렇게 파악한 정보를 바탕으로 백신의 효과를 평가하는 데 큰 도움을 줍니다. VaxSeer는 예측한 항원 성과 바이러스의 우세성 변화를 수학적 프레임워크에 ...

최근 MIT 연구팀의 새로운 연구는 기후 예측에서 대규모 인공지능 모델이 항상 최선의 선택이 아닐 수 있음을 보여줍니다. 연구팀은 간단한 물리 기반 모델이 최신 심층 학습 모델보다 특정 기후 상황에서 더 정확한 예측을 할 수 있음을 입증했습니다. 이 결과는 결정을 내리는 정책 입안자들에게 중요한 통찰력을 제공할 수 있습니다. 인공지능 모델의 한계와 장점 인공지능 모델이 강력한 도구가 될 수 있는 한편, 기후 과학에서 그 효과는 제한적일 수 있습니다. MIT 연구팀은 대규모 심층 학습 모델이 특정 기후 시나리오에서 오히려 단순한 물리 모델보다 예측력이 떨어질 수 있다는 사실을 확인했습니다. 예를 들어, 기후 변화의 지역적 표면 온도 예측에서는 전통적인 선형 패턴 스케일링(Linear Pattern Scaling, LPS) 기법이 더 나은 결과를 보였습니다. 이는 심층 학습 모델이 날씨 패턴의 자연 변동성에 의해 왜곡될 수 있다고 연구팀은 설명합니다. 이러한 변동성은 심층 학습 모델을 평가하는 검증 기법에 영향을 미쳐 불필요한 결과를 낳을 수 있습니다. 따라서, 기후 예측에서 인공지능 모델을 사용할 때는 각각의 기법이 가지고 있는 내재된 한계를 이해하고 활용하는 것이 중요합니다. 이처럼 인공지능 방식의 사용은 기후 과학의 복잡성을 감안할 때 필요하지만, 물리 법칙에 기반한 단순한 모델이 더 유용할 때도 있습니다. 예를 들어, 연구팀은 기후 시뮬레이터를 통해 인간 활동의 미래 기후에 대한 영향을 빠르게 시뮬레이션할 수 있는 도구를 개발하는 데 이 연구 결과를 활용했습니다. 기후 예측의 정확성을 높이는 새로운 방법론 연구자들은 LPS와 심층 학습 모델을 비교하는 과정에서, 첫 번째 모델이 대다수의 기상 매개변수를 예측하는 데 있어서 더 뛰어난 성능을 나타냈음을 밝혀냈습니다. 예를 들어, 온도와 강수량 예측에서 LPS가 우수한 성능을 보이는 것으로 확인되었습니다. 심층 학습 모델은 비선형 데이터에서 우위를 점해야 했지만, 오히려 초기 결과는 예...

군인들의 인지 준비 상태는 변화하는 환경에 적절하게 대응하는 능력을 의미합니다. 특히, 군 복무 중 댓글로 언급된 바와 같이 2000년부터 2024년까지 500,000명 이상의 군인이 외상성 뇌 손상을 경험했습니다. 이러한 문제를 해결하기 위해 연구팀은 READY와 MINDSCAPE라는 혁신적인 도구를 개발하여 군인들의 인지 능력을 신속하게 평가하고 있습니다. READY: 주의력 평가의 혁신 READY는 군인들의 주의력을 평가하기 위해 개발된 혁신적인 도구입니다. 이 응용 프로그램은 사용자가 90초 이내에 인지 성능의 변화를 식별할 수 있도록 도와줍니다. 이 도구는 균형, 시각적 추적 및 발음을 통해 사용자의 인식 능력을 측정하여 주의력의 변동성을 나타내는 "흔들림" 지표를 생성합니다. 이러한 방식은 군 복무 중 자주 일어나는 TBI나 수면 부족으로 인한 인지 저하를 조기에 발견할 수 있는 기회를 제공합니다. 정신적으로 피로한 뇌는 정보 처리와 반응 지시에서 어려움을 겪을 수 있습니다. READY는 이를 평가하기 위해 사람의 눈이 움직이는 점을 추적하는 능력, 균형 유지, 그리고 고정된 음을 발음하는 세 가지 테스트를 활용합니다. 결과는 사용자에게 제공되며, 이 결과를 바탕으로 추가 평가가 필요한지를 판단할 수 있는 중요한 정보를 제공합니다. READY는 전반적인 인지 능력을 평가하는 데 있어 높은 효율성을 제공하여, 군인들이 임무 수행에 적합한지 신속히 파악할 수 있도록 합니다. 이와 같은 기능은 군 복무 중의 다양한 상황에서 신속하게 의사 결정을 내리는 데 중요한 역할을 합니다. MINDSCAPE: 가상 현실 기술의 활용 MINDSCAPE는 인지 기능의 보다 심층적인 분석을 위해 개발된 또 다른 혁신적인 도구입니다. 가상 현실(VR) 기술을 활용하여 TBI, 외상 후 스트레스 장애, 수면 부족 등의 특정 조건을 정밀하게 분석하는 것이 특징입니다. MINDSCAPE는 신경 인지 테스트를 통해 반응 시간 및 작업 기억을 평...

독일의 천문학자 요하네스 케플러는 17세기, 태양을 중심으로 공전하는 행성들의 궤도를 예측할 수 있는 운동법칙을 발견했습니다. 그러나 이러한 법칙이 왜 작용하는지에 대한 근본적인 원리는 아이작 뉴턴이 보편적인 만유인력의 법칙을 정립하기 전까지는 이해되지 않았습니다. 오늘날 인공지능(AI) 시스템이 이러한 예측을 수행하는 데 뛰어난 성과를 내고 있지만, 그들이 실제로 세계를 얼마나 깊이 이해하고 있는지는 여전히 밝혀내기 위한 대규모 연구가 진행되고 있습니다. 인공지능의 이해력 평가의 필요성 최근 MIT와 하버드 대학교의 연구자들은 인공지능 시스템이 얼마나 깊이 있는 이해를 가지고 있는지 평가할 수 있는 새로운 접근 방식을 개발했습니다. 이들은 '기본 모델'이란 개념을 통해 인공지능이 특정 예측을 넘어, 실제 세계를 이해하는지를 검증하고자 했습니다. 목표는 이 AI 시스템들이 단순한 예측을 넘어서 세계 모델에 이르는지를 확인하는 것이었습니다. 연구팀의 주된 질문은 "기본 모델이 진정으로 예측을 넘어 세계 모델로 도약했는가?"였습니다. 인공지능의 성능을 평가하기 위해 연구자들은 '유도 편향(inductive bias)'이라는 새로운 지표를 개발했습니다. 이는 AI 모델이 실제 세계의 조건들을 얼마나 잘 근사하는지를 정량적으로 평가하는 데 사용됩니다. 간단한 문제에서 AI 시스템들은 실제적인 모델을 잘 만들어냈지만, 문제의 복잡성이 증가할수록 정확성이 떨어지는 경향을 보였습니다. 이는 복잡한 시스템에서 AI가 과거 데이터를 기반으로 일반화할 수 있는 능력이 여전히 부족하다는 것을 의미합니다. 이 연구는 General AI의 개념에 대해 새로운 시각을 제공합니다. 단순히 예측을 넘어서, AI가 진정으로 자연 세계를 이해할 수 있도록 도와주는 방안을 찾는 것이 중요합니다. 이러한 평가 방법은 현재 사용 중인 다양한 예측 AI 시스템에 대한 더 정확한 이해를 제공하고, 향후 과학적 발견에의 활용 가능성을 ...

MIT의 화학 공학자들이 머신러닝을 이용해 유기 용매에서 분자의 용해도를 예측할 수 있는 컴퓨터 모델을 개발했습니다. 이 모델은 새로운 약물을 합성하는 데 필요한 중요한 단계로, 약물과 유용한 분자를 생산하기 위한 새로운 방법을 쉽게 개발할 수 있도록 도와줄 것입니다. 연구팀은 이 모델을 공개하여 여러 기업과 연구실에서 활용하고 있으며, 환경에 덜 해로운 용매를 식별하는 데 특히 유용하다고 밝혔습니다. 용해도 예측의 중요성 MIT에서 개발한 새로운 머신러닝 기반 용해도 예측 모델은 화학 합성 및 제약 산업에서 매우 중요한 역할을 하고 있습니다. 전통적으로 화학자들은 Abraham Solvation Model이라는 도구를 사용하여 분자의 용해도를 예측했지만, 이 방법의 정확도는 제한적이었습니다. 따라서, 보다 정확한 예측이 필요한 요구가 있어 왔습니다. 이러한 배경 속에서 Lucas Attia와 Jackson Burns를 포함한 MIT 연구자들은 머신러닝을 활용하여 새로운 방법을 탐구했습니다. 그들이 연구한 모델은 화학 구조를 숫자로 표현한 'embedding' 기술을 활용하여, 다양한 화학적 특성을 예측할 수 있도록 만들어졌습니다. 특히, 연구자들은 BigSolDB라는 대규모 데이터셋을 기반으로 하여 40,000개 이상의 데이터를 통해 이 모델을 훈련시키는 데 주력했습니다. 이러한 접근은 용해도 예측의 정확성을 획기적으로 향상시키는 데 큰 기여를 했습니다. 이 모델은 기존 SolProp 모델보다 2배에서 3배 더 정확한 예측 결과를 보여 주었으며, 온도의 변화가 용해도에 미치는 영향을 잘 반영할 수 있었습니다. 연구자들은 이러한 성과가 정확한 용해도 예측의 새로운 기준을 마련해 줄 것으로 기대하고 있습니다. 환경 친화적인 솔벤트 식별 최근 몇 년간, 약물 합성과 유기 화학에서 안전하고 환경 친화적인 솔벤트를 사용하는 것이 중요성이 커지고 있습니다. 기존의 용매는 환경과 인체에 해로운 경우가 많아, 화학자들은 보다 안전한 대체...

최근 몇 년 사이, 단백질의 구조나 기능을 예측하는 모델들이 다양한 생물학적 응용을 위해 널리 사용되고 있습니다. 이러한 모델들은 대형 언어 모델(LLMs)을 기반으로 하여, 특정한 응용에 대한 단백질의 적합성을 매우 정확하게 예측할 수 있습니다. 하지만 이러한 예측이 어떻게 이루어지는지 이해하는 것은 여전히 어려운 도전과제로 남아 있습니다. 단백질 언어 모델의 작동 원리 단백질 언어 모델은 일반적인 언어 모델과 유사한 방식으로 작동합니다. 이들은 아미노산 서열을 분석하여, 단백질 구조 및 기능을 예측하는 데 쓰입니다. MIT의 연구팀은 최근 출판된 연구에서 프로틴 언어 모델이 예측을 수행하는 방식을 탐구했습니다. 이 과정에서, 연구팀은 최근에 개발된 스퍼스 오토인코더(Sparse Autoencoder)라는 알고리즘을 사용하여 모델의 '블랙박스' 내부를 해체하였습니다. 이 알고리즘은 단백질이 신경망 내에서 어떻게 표현되는지를 조정하여, 특정 단백질의 표현을 다수의 노드로 확장합니다. 이와 같은 방식으로 모델의 해석 가능성이 크게 증가하며, 각 노드는 더 의미 있는 특성을 지니게 됩니다. 스퍼스 오토인코더를 사용한 결과, 단백질 모델에서 각 노드가 어떤 기능을 가지고 있는지를 명확히 파악할 수 있었습니다. 이를 통해 연구자들은 단백질의 기능, 가족 및 세포 내 위치와 같은 다양한 특성과의 상관관계를 분석할 수 있게 되었습니다. 이러한 이해는 또한 단백질의 예측 모델을 선택하거나 입력 타입을 조정하는 데 도움을 줄 수 있습니다. 예측 모델의 해석 가능성 향상 MIT 연구팀의 새로운 연구는 단백질 언어 모델의 예측 기능이 어떻게 구성되는지를 이해하기 위한 중요한 단계를 내딛었습니다. 기존의 모델은 단백질에 대한 정보를 매우 복잡하게 표현했지만, 스퍼스 오토인코더의 도입으로 인해 각 노드의 해석이 용이해졌습니다. 이 과정에서, 연구팀은 모델이 특정 아미노산 서열이 가지고 있는 다양한 기능을 아는 데 필요한 통찰력을 제공할 수 있음을...

MIT 연구자들이 인공지능을 활용하여 RNA 백신과 기타 RNA 치료제를 더 효율적으로 전달할 수 있는 나노입자를 설계하는 새로운 방안을 제시했습니다. 기계 학습 모델을 훈련시키고 기존의 배달 입자를 분석하여 더욱 우수한 성능을 발휘할 수 있는 신소재를 예측했습니다. 이 연구는 RNA 백신 개발 과정을 크게 가속화할 수 있는 잠재력을 지니고 있습니다. MIT 인공지능의 혁신적인 활용 MIT 연구팀은 인공지능(AI) 기술을 활용하여 리피드 나노입자(LNP)의 최적 조합을 찾아내는 데 성공했습니다. 이들은 약 3,000개의 기존 LNP 조합을 훈련 데이터로 활용하여 새로운 조합을 예측할 수 있는 모델인 COMET를 개발했습니다. 이 모델은 화학 성분들이 어떻게 결합하여 각각의 물리적 특성에 영향을 미치는지를 학습하여, RNA를 세포 내부로 효과적으로 전달할 수 있는 조합을 예측했습니다. 연구진은 이러한 예측 과정을 통해 기존 LNP보다 성능이 뛰어난 나노입자를 발견할 수 있었으며, 그 결과로 나온 새로운 조합은 상업적으로 사용되는 LNP보다도 우수한 성능을 보여주었습니다. 또한, 이 모델은 RNA 전달이 최적화될 수 있는 다양한 세포 유형에서도 LNP의 효율성을 향상시킬 수 있는 가능성을 탐구하고 있습니다. 특히, 이러한 접근 방식은 다양한 질병 치료를 위한 RNA 기반 치료 개발에 기여할 것으로 예상됩니다. 또한, 연구팀은 인공지능 모델을 통해 특정 세포 유형에 적합한 LNP 예측을 할 수 있는 연구도 진행하고 있습니다. 이러한 방법은 새로운 단백질 생산을 극대화하고, 세포가 더 많은 단백질을 생성하는 데 있어 중요한 역할을 할 것으로 보입니다. RNA 백신 나노입자에 대한 새로운 패러다임 RNA 백신과 같은 최신 생명과학 기술은 효과적인 나노입자의 개발을 필요로 합니다. 특히, COVID-19 백신 개발에서 RNA 백신이 큰 역할을 한 바와 같이, 안전하고 효율적인 백신을 위한 나노입자의 설계는 필수적입니다. MIT 연...

MIT 연구자들이 인공지능의 도움으로 새로운 항생제를 개발하여 치료가 어려운 두 가지 감염병인 약물 내성 임질균(Neisseria gonorrhoeae)과 다제내성 황색포도구균(MRSA)과 싸울 수 있는 가능성을 열었습니다. 이 연구팀은 3600만 개 이상의 화합물을 설계하고 항균 특성을 계산적으로 선별하여, 기존 항생제와 구조적으로 완전히 다른 최상위 후보를 발견했습니다. 이 연구는 향후 다른 박테리아에 대한 항생제의 발견과 개발에 인공지능을 적용할 수 있는 잠재력을 시사합니다. AI 알고리즘을 통한 분자 설계 인공지능(AI)은 현대 과학에서 큰 혁신을 가져오고 있습니다. MIT의 연구자들은 AI의 생성 알고리즘을 사용하여 3600만 개가 넘는 항균 화합물을 설계하고 이들을 검토하여 감염에 효과적인 물질을 찾아냈습니다. 이 과정에서 기존의 화합물 라이브러리에서 찾을 수 없는 독창적인 분자 구조를 발견했으며, 이러한 분자들은 새로운 방식으로 박테리아 세포막을 교란하여 세균을 사멸시키는 메커니즘을 방어할 것으로 기대됩니다. 우선 연구자들은 약물 내성 임질균을 목표로 하여 특정 화학 조각(fragment)을 기반으로 분자를 디자인했습니다. 약 4500만 개의 알려진 화학 프래그먼트를 모은 후, AI의 머신러닝 모델을 사용하여 항균 활성을 예측하고 약 400만 개의 프래그먼트를 분석했습니다. 이 중 인체 세포에 독성을 나타내지 않고 기존 항생제와 비슷하지 않은 화합물 약 100만 개를 선별하였습니다. 이 과정을 통해 연구자들은 약물 내성에 효과적인 독창적인 화합물을 발굴할 수 있는 가능성을 확인했습니다. 이후, 특정 프래그먼트를 이용하여 추가 화합물을 생성하는 두 가지 AI 알고리즘을 적용했습니다. 그 중 하나인 'CReM'은 기존 분자를 수정하여 새로운 분자를 생성하며, 또 다른 알고리즘인 'F-VAE'는 화학 조각을 바탕으로 전체 분자를 조합하는 방식으로 작동합니다. 이러한 기술을 통해 최종적으로 약 1000개의 화합물을...

MIT는 새로운 제조 혁신 이니셔티브(INM)를 시작하여 제조의 중요성을 재조명하고 있습니다. 이 프로그램은 제조 기술의 혁신과 인재 개발을 통해 생산성을 높이고, 새로운 기술의 도입을 촉진하는 것을 목표로 합니다. INM은 미국 제조업의 기회를 탐색하며, 관련 산업 파트너들과 함께 협력하여 효율적이고 지속 가능한 제조 생태계를 구축하는 데 집중하고 있습니다. 제조 기술의 재구상 MIT의 새로운 제조 혁신 이니셔티브(INM)는 제조 기술과 시스템을 재구상하는 것을 주요 목표로 하고 있습니다. INM의 교수진과 연구진들은 최신 기술을 적용하여 제조 프로세스를 혁신하고, 이에 따라 높은 생산성을 달성할 수 있는 방안을 모색합니다. 이를 통해 제조 현장에서의 자동화와 AI의 도입을 가속화하고, 이를 통해 업계의 경쟁력을 강화할 수 있습니다. 제조 기술 재구상의 일환으로, 인공지능(AI)과 자동화의 도입은 매우 중요합니다. INM은 기업들과 협력하여 실제 사례 연구를 수행하고, 이러한 기술이 제조업에 미치는 영향을 분석합니다. 그 결과로, 새로운 제조 방식과 프로세스가 개발되고, 이는 산업 전반에 긍정적인 영향을 미칠 것입니다. 또한, 이러한 혁신적인 접근은 오늘날의 급변하는 시장에서 기업들이 생존하고 성장하는 데 필수적인 요소가 될 것입니다. 인재 개발 또한 INM의 주요 초점 중 하나입니다. 학생들은 제조업의 다양한 측면을 이해하고, 이론과 실무를 겸비한 교육을 받을 수 있습니다. 따라서, MIT의 제조 프로그램은 학생들에게 창의적인 문제 해결 능력을 기르고, 실제 산업에서의 도전에 대응할 수 있는 준비를 할 수 있도록 합니다. 제조업의 생산성 향상 INM은 제조업의 생산성과 인간의 경험을 향상시키기 위한 다양한 방안을 모색하고 있습니다. 이를 위해, MIT는 각계 각층의 기업들과 협력하여 교육 프로그램을 개선하고, 현장 경험을 제공함으로써 인재 양성을 목표로 하고 있습니다. 이러한 프로그램은 더 나은 교육을 제공하고, 인재들이 실제 제조 환경에...

MIT의 정보 및 결정 시스템 실험실( Laboratory for Information and Decision Systems, LIDS)에서 개발한 새로운 소프트웨어는 텍스트 분류기의 정확도를 측정하고 향상시키는 혁신적인 접근 방식을 제시했습니다. 이 연구팀은 분류기가 잘못된 정보를 처리하는 능력을 높이기 위해 설계된 적대적 예시를 사용하고 있습니다. 연구팀은 이 소프트웨어를 누구나 자유롭게 다운로드할 수 있도록 제공하고 있습니다. 정확도를 높이는 혁신적인 소프트웨어 MIT의 LIDS 연구팀이 개발한 최신 소프트웨어 패키지는 텍스트 분류기들의 정확도를 높이기 위해서 다양한 방법을 활용합니다. 기존의 분류기 테스트는 종종 합성 예시(synthetic examples)를 만들어서 진행되며, 이 방법은 특정 구문을 수정해도 같은 의미를 가지는지 확인하는 процес을 포함합니다. 즉, 이미 분류된 문장을 변형하여 분류기를 속일 수 있는지 검증하는 것입니다. 예를 들어, 영화 리뷰를 분류하는 프로그램이 긍정적인 리뷰로 분류한 문장을 약간 바꿔서 부정적인 것으로 오인하게 하는 방식입니다. 연구팀의 이 새로운 접근 방식은 이러한 적대적 예시를 만들고 탐지하는 데 초점을 맞추고 있으며, 이를 통해 분류기의 취약점을 보다 효율적으로 식별할 수 있습니다. 예를 들어, 특定 단어의 교체가 분류 결과에 얼마나 큰 영향을 미치는지를 분석하여 해당 단어군을 파악하는 데 중점을 두고 있습니다. 연구 결과에 따르면, 30,000개의 어휘 중 단 0.1%의 단어가 분류 결과의 절반 이상을 차지하는 것으로 나타났습니다. 이러한 정보는 기업들이 실시간으로 챗봇의 반응을 관리하는 데 중요하며, 잘못된 정보를 제공하지 않도록 도와줍니다. 적대적 예시를 통한 취약점 발견 연구팀은 적대적 예시를 사용하여 텍스트 분류기의 취약점을 발견하는 새로운 방법을 제시했습니다. 적대적 예시는 분류기가 잘못된 결정을 내릴 수 있는 경계 값을 찾아내는 데 사용됩니다. 이들은 챗봇과 같은 자동화 ...

교차로에서 신호를 기다리는 운전자는 누구나 느끼는 짜증을 겪곤 합니다. 이러한 신호등이 있는 교차로에서의 비생산적인 차량 대기는 미국 육상 transportation의 이산화탄소 배출량의 최대 15%를 차지할 수 있습니다. MIT 연구진이 나선 대규모 모델링 연구는 차량 속도를 동적으로 조정하여 정지와 과도한 가속을 줄이는 에코 드라이빙이 이러한 CO 2 배출량을 상당히 줄일 수 있음을 밝혀냈습니다. 에코 드라이빙의 개념과 필요성 에코 드라이빙은 환경친화적인 운전 방식으로, 차량의 속도를 동적으로 조정하여 교차로에서의 정지를 최소화하고 에너지를 효율적으로 사용하는 방식입니다. 기존의 교통 통제 수단은 정지 신호나 속도 제한과 같은 고정된 인프라에 의존했지만, 기술의 발전으로 이제는 차량 자체에서도 이와 같은 제어가 가능해졌습니다. MIT의 연구진은 Atlanta, San Francisco, Los Angeles의 세 대도시에서 6,000개 이상의 신호교차로와 1백만 개 이상의 교통 시나리오를 시뮬레이션하여, 에코 드라이빙이 이산화탄소 배출을 줄일 수 있는 방법을 모색했습니다. 연구 결과에 따르면, 에코 드라이빙 방식을 채택하면 연간 도시 전체의 교차로에서의 탄소 배출량을 11%에서 22%까지 감소시킬 수 있습니다. 이는 도시의 도로 구조와 교통 소통 상황에 따라 달라질 수 있습니다. 에코 드라이빙이 환경에 미치는 긍정적인 영향은 탄소 배출 감소뿐만 아니라 대기 질 개선과 에너지 효율성 증대에도 기여합니다. 사소한 운전 습관의 변화가 전체적인 도시 대기 질을 개선할 수 있다는 사실은 매우 고무적입니다. 차량의 대수가 많아질수록 에코 드라이빙의 효과는 배가 될 수 있으며, 이는 미래의 도시 교통 문제 해결에 큰 도움이 될 것입니다. 탄소 배출 감소를 위한 전략 MIT 연구진의 분석에 따르면, 에코 드라이빙은 차량 속도를 최적화한 지침을 제공함으로써 탄소 배출을 줄이는 데 매우 효율적입니다. 특히, 교차로의 약 20%에서 속도...

MIT 건축학교(SA+P)는 이번 가을에 새로운 네 명의 교수진이 합류하면서 교수진의 창의성과 지식, 학문적 기여를 더욱 강화하게 되었습니다. 새로운 교수진들은 다학제적 역할을 통해 MIT 커뮤니티에 중요한 가치를 더할 것으로 기대되고 있습니다. 경험이 풍부한 이들의 연구와 교육이 학교에 미칠 긍정적 영향에 대한 기대감이 나날이 커지고 있습니다. Karrie G. Karahalios: 소셜 미디어의 혁신적 탐구 Karrie G. Karahalios 교수는 MIT 미디어 연구소(Media Lab)에서 미디어 예술과 과학의 정교한 지식을 제시하며, 새로운 교수진의 한 축을 담당하게 됩니다. 그녀는 알고리즘이 사람들의 의사소통에 미치는 영향과 사회적 상호작용을 탐구하며, 인공지능, 사회학, 디자인 등의 다양한 분야에서 극복할 수 있는 문제 해결의 길을 제시하는 선구자입니다. Karahalios 교수의 연구는 우리가 살아가는 현실의 많은 부분이 소셜 미디어와 알고리즘에 의해 형성되고 있다는 점을 강조합니다. 그녀는 컴퓨터와 사회적 맥락을 아우르는 연구를 통해 인간의 삶을 향상시키기 위한 다양한 방법을 모색하고 있으며, 이러한 연구는 오늘날 사회에서 중요한 의미를 갖습니다. 이렇듯 본인이 가지고 있는 다각적인 전문 지식이 MIT의 학생들에게도 긍정적인 영향을 줄 것으로 기대됩니다. 그녀는 National Science Foundation CAREER Award, Alfred P. Sloan Research Fellowship, ACM Distinguished Member 등 명예로운 수상 경력이 있으며, 이러한 업적들은 그녀의 연구가 미치는 긍정적 영향을 뒷받침합니다. MIT의 건축학교는 그녀의 참여로 학생들이 더욱 창의적이고 비판적인 사고를 키울 수 있도록 도와줄 것입니다. Pat Pataranutaporn: 인간-인공지능 상호작용의 개척자 새롭게 합류한 Pat Pataranutaporn 교수는 MIT 미디어 연구소에서 조교수로서 인간과 인공지...

인공지능(AI)은 기업의 데이터 저장 방식과 접근 방식을 혁신적으로 변화시키고 있습니다. 전통적인 데이터 저장 시스템은 한정된 사용자와 간단한 명령을 처리하기 위해 설계되었지만, AI 시스템은 수백만 개의 에이전트가 동시에 대량의 데이터를 처리해야 합니다. 이러한 변화 속에서 Cloudian은 비즈니스의 데이터 흐름을 원활하게 돕는 스케일러블한 저장 시스템을 개발하여 AI 혁명에 발맞추고 있습니다. AI의 필요성: 대량의 데이터 저장 AI 성능을 높이기 위해서는 대량의 데이터가 필요합니다. Michael Tso는 "AI 성능을 10% 개선하려면 10배의 데이터가 아닌 1,000배의 데이터가 필요하다"고 강조합니다. 이러한 데이터의 양을 효과적으로 관리하고, 데이터가 유입되면서 동시에 계산을 수행할 수 있는 저장 방식이 필수적입니다. Cloudian은 데이터 저장에 병렬 컴퓨팅을 적용하여 복잡성을 줄이고, 스케일러블한 데이터 세트를 저장하고 처리하는 단일 플랫폼을 제공합니다. 이는 CPU와 GPU 간의 데이터 전송 속도를 높임으로써 기업들이 AI 도구를 구축하는 과정을 간소화합니다. 이러한 혁신적인 데이터 관리 방식은 기업이 AI 혁명에 뒤처지지 않도록 하기 위한 필수적인 요소로 부각되고 있습니다. AI는 모든 비즈니스에서 데이터의 중요성을 재조명하고 있으며, 이 과정에서 decentralized cloud와 edge computing이 핵심적인 역할을 합니다. 데이터가 생성되는 위치에서 클라우드를 구축하여 데이터를 이동시키는 것이 아닌, 데이터를 수집하고 저장하는 곳에서 AI 연산을 수행하는 것이 더 유리한 접근법임을 알게 되었습니다. 복잡성 제거: AI 모델과의 연계성 강화 Cloudian은 AI 모델과의 데이터 연계를 강화하기 위해 최신 동영상 데이터베이스를 통합했습니다. 이 시스템은 데이터가 입력됨과 동시에 AI 모델이 즉시 사용할 수 있는 벡터 형태로 데이터를 변환합니다. 또한, NVIDIA와의 협력을 통해 C...

MIT의 컴퓨터 과학 및 인공지능 연구소(CSAIL)에서 개발한 Meschers 도구는 불가능한 객체를 시각적으로 구현할 수 있는 새로운 접근 방식을 제공합니다. 이 도구는 에셔의 기하학적 일루전을 기반으로, 현실에서 실현될 수 없는 형태의 구조를 2.5차원으로 표현할 수 있도록 돕습니다. Meschers는 예술가와 연구자들이 이러한 불가능한 형태들을 보다 유연하게 연구하고 분석할 수 있는 기회를 제공하며, 물리적 현실의 제약에서 벗어나 새로운 창작의 가능성을 열어줍니다. 불가능한 형상의 새로운 모델링 Meschers 도구는 불가능한 객체를 구현하는 데 있어서 큰 혁신을 가져왔습니다. 전통적으로 3D에서 불가능한 객체는 부분적으로는 그럴듯하게 보이지만, 전체적으로는 이론적으로 불가능한 구조를 형성합니다. 특히 펜로즈 삼각형과 같은 형태는 그 깊이가 서로 맞지 않기 때문에 실제 물체로 구성할 수 없습니다. 그러나 Meschers는 이러한 제한을 극복하고, 로컬 일관성을 유지한 채 불가능한 구조를 모델링합니다. 이는 시각적으로 매력적인 방식으로 에셔의 예술 작품과 유사한 형태를 구현하는 데에 도움을 줍니다. Meschers는 이미지에서 x, y 좌표와 픽셀 간의 깊이 차이를 이용하여 불가능한 객체를 간접적으로 사고합니다. 이를 통해 사용자들은 세계적으로 일관된 형태를 강요하지 않고도 매우 현실감 있는 불가능한 구조를 만들어낼 수 있습니다. 예를 들어, Meschers는 수학자들이 복잡한 기하학을 분석하는 데 유용한 방법으로, 곡면 위의 두 점 간 거리(지오데식)를 계산할 수 있도록 지원합니다. 이러한 새로운 모델링 방식은 예술가들에게도 큰 혜택을 줍니다. Meschers를 활용하여 그들은 단순히 현실 세계의 복제를 넘어서, 상상력에 한계가 없는 독창적인 형태를 탐구할 수 있습니다. 이와 같은 창의적 자유는 예술 분야에서 새로운 영감을 불러일으키며, 예술가들이 물리적 현실의 제약을 벗어난 구상을 실현할 수 있도록 합니다. 정교한 기하학적 계산을 위한...

MIT 연구진이 대칭성을 반영한 기계 학습의 효율적인 알고리즘을 개발하여, 분자의 구조를 이해하는 데 있어 기계 학습 모델의 성능을 크게 향상시킬 수 있는 가능성을 제시했습니다. 해당 연구는 대칭성을 적용한 기계 학습 방법의 효율성을 이론적으로 입증하고, 이는 새로운 약물 발견 및 다양한 과학적 현상 이해에 기여할 것으로 기대됩니다. 앞으로 이러한 모델들은 더 나은 예측력을 바탕으로 실질적인 응용에 큰 도움을 줄 수 있을 것입니다. 대칭성을 이해하는 기계학습 대칭성은 자연 과학 및 물리학을 포함하여 다양한 분야에서 중요한 개념으로 자리 잡고 있습니다. 예를 들어, 특정 분자의 이미지를 회전시키더라도 그것이 여전히 동일한 분자임을 사람은 쉽게 인식할 수 있지만, 일반적인 기계 학습 모델은 이를 다르게 인식할 수 있습니다. 이러한 문제를 해결하기 위해 MIT 연구진은 대칭성을 이해하고 처리하는 데 있어 효율적인 방법론을 제시하였습니다. 해당 연구에서는 대칭 데이터에 대한 기계 학습 모델이 실세계에서 새로운 대칭 데이터에 직면할 때 발생하는 정확도 저하 문제를 조명하였습니다. 모델이 대칭성을 인지하지 못하면 예측이 부정확해질 위험이 있으며, 반대로 대칭성을 적극 활용하는 모델은 훈련 데이터가 적더라도 높은 정확성을 유지할 수 있습니다. 이러한 통찰은 기계 학습 모델이 대칭성을 어떻게 처리할 수 있는지를 이해하는 데 필수적입니다. 연구진은 대칭 데이터를 사용하는 기계 학습의 통계적-계산적 균형을 탐구하였고, 이 과정에서 알고리즘을 효율적으로 설계하는 방법에 대해 설명하였습니다. 이를 통해 훈련 데이터의 샘플 수를 줄이고 모델의 정확도를 높일 수 있는 새로운 알고리즘이 개발되었습니다. 이러한 알고리즘은 기계 학습의 처리 속도와 데이터 필요량 측면에서 기존의 접근보다 유리한 성과를 올릴 수 있습니다. 알고리즘 설계를 위한 대수와 기하학의 조합 MIT 연구진의 알고리즘 개발 과정에서는 대수와 기하학의 개념을 창의적으로 ...

MIT에서 개최된 “FUTURE PHASES” 행사에서는 전자 음악과 현악기가 결합된 작품들이 소개되었습니다. MIT 음악 기술 및 컴퓨테이션 대학원 프로그램이 주최한 이 이벤트는 전 세계에서 모인 음악가와 기술자들이 함께하며 최근의 음악 기술을 선보였고, A Far Cry 오케스트라가 참여하여 화려한 공연을 선사했습니다. 다양한 최신 공연과 함께, 관객들은 전통적인 현악 곡 조차도 새로운 방식으로 경험할 수 있는 기회를 가졌습니다. 혁신적인 기술을 통한 공연 경험 MIT의 새로운 음악 기술 및 컴퓨테이션 대학원 프로그램에서 개최된 “FUTURE PHASES”는 전자 음악과 아날로그 현악기가 결합된 독창적인 작품들을 선보였습니다. 공연의 하이라이트 중 하나는 Evan Ziporyn과 Eran Egozy가 공동 작곡한 “EV6”의 세계 초연입니다. 이 작품은 관객들이 자신의 스마트폰을 악기로 사용하여 현악단과 함께 연주할 수 있도록 설계되었습니다. 이와 같은 혁신적인 기술은 관객이 직접 음악을 만들고 함께 연주하는 경험을 가능하게 하였습니다. 특히, “Tutti”라는 시스템을 통해 공연 중 관객의 스마트폰이 실제 악기처럼 작용하면서 모든 이가 함께 연주하는 환경을 조성해 주었습니다. 이뿐만 아니라 Tod Machover의 “FLOW Symphony”도 소개되었으며, 이는 전자음과 오케스트라가 조화를 이루는 새로운 형태의 작품으로 주목받았습니다. Egozy는 MIT의 강점 중 하나인 다양한 리소스를 활용하여 전자 음악과 클래식의 경계를 허물었습니다. 각 작품은 개별적으로도 아름다움을 지니고 있으나, 오케스트라의 통일된 사운드와 개별 악기의 조화로 관객들에게 깊은 인상을 남겼습니다. 이렇게 경쟁력 있는 작품들이 함께 한 것은 MIT가 음악 기술 분야에서 세계적 수준의 리더로 자리 잡고 있다는 것을 보여줍니다. 즐거운 참여와 협력의 장 MIT에서 열린 “FUTURE PHASES”는 단순한 청중으로 존재하는 것이 아닌, 관객 스스로가 공연에 참여하는 자리...

최근 연구에 따르면 북동부 미국의 세 도시에서 보행자의 평균 속도가 1980년대 이후로 15% 증가한 것으로 나타났습니다. 또한, 이 시기에 공공 공간에서 머무는 사람들의 수는 14% 감소했습니다. 이 연구는 도시 공간에서의 변화를 조명하며, 현대 도시 생활의 특징을 이해하는 데 큰 기여를 하고 있습니다. 도시 공간 변화: 만남의 장소에서 통과의 공간으로 인간의 행동과 사회적 상호작용은 도시 공간의 변화에 많은 영향을 받습니다. 최근 MIT의 연구에 따르면, 1980년대 이후 도시의 주요 공공 공간에서 보행 속도가 평균 15% 증가했으며, 이는 현대 도시의 빠른 생활 속도를 반영하고 있습니다. 특히, 빈 공간에서 기다리거나 사람들과 어울리는 시간이 줄어들고 있다는 점은 주목할 만합니다. 왜냐하면, 1980년에 비해 2010년에는 공공 공간에 들어오는 사람들이 그룹에 합류하는 비율이 줄어들었기 때문입니다. 개인적으로 걷는 사람의 비율은 67%에서 68%로 거의 변화가 없었지만, 그룹에 합류하는 비율은 5.5%에서 2%로 감소했습니다. 이러한 경향은 현대인이 공공 공간을 만남의 장소가 아니라 빠르게 이동하는 통로로 인식하게 되었음을 시사합니다. 행동 변화: 소통의 방식과 디지털 사회의 영향 현대 도시에서 사람들의 행동 양식이 변화한 데에는 여러 요인이 작용하고 있습니다. 가장 두드러진 변화 중 하나는 휴대폰의 사용 증가입니다. 과거에는 공공 장소에서 사람들과 자연스럽게 대화를 나누는 경우가 많았으나, 오늘날에는 미리 문자 메시지를 주고받고 약속을 정한 후에야 공공 공간을 찾는 경향이 더 강해졌습니다. 이는 자연스러운 대화의 기회를 줄이는, 보다 거래적(translational)인 소통 방식을 초래했습니다. 또한, 커피숍의 확산도 큰 영향을 미쳤습니다. 과거에는 사람들이 공공 공간에서 어울리곤 했지만, 지금은 편안하고 에어컨이 있는 실내 공간으로 소셜 활동이 이동한 것으로 보입니다. 이는 현대 사회의 변화와 복합적인 연관성을 갖고 있으며...

MIT의 McGuire 연구 그룹은 화학자들이 고급 프로그래밍 기술 없이도 쉽게 화합물의 성질을 예측할 수 있도록 돕는 ChemXploreML이라는 머신러닝 기반의 사용자 친화적인 데스크톱 애플리케이션을 개발했습니다. 이 애플리케이션은 오프라인에서 작동하며, 연구 데이터의 비밀 유지를 돕습니다. 기존의 화학적 속성 예측 방법에서 발생하는 시간과 비용의 부담을 덜어주는 혁신적인 기술로 주목받고 있습니다. 화합물의 예측 기능 개선 ChemXploreML의 핵심 기능之一은 화합물의 속성을 예측하는 능력입니다. 전통적인 화학 연구에서는 화합물의 끓는점과 녹는점 같은 기본적인 성질을 알아내기 위해 많은 시간과 비용이 소요되었습니다. 하지만 ChemXploreML은 이러한 예측 작업을 간소화하여 화학자들이 필요한 정보를 신속하고 효율적으로 얻을 수 있도록 돕습니다. 이 애플리케이션은 기존 데이터를 활용하여 최신 알고리즘을 통해 패턴을 식별하고, 정확한 예측을 제공합니다. 사용자는 직관적이고 상호작용이 가능한 그래픽 인터페이스를 통해 복잡한 과정을 단순하게 수행할 수 있어, 연구 진행에 큰 도움을 받을 수 있습니다. 이로 인해 화학자들은 새로운 약물이나 소재를 개발하는 데 더 많은 시간을 할애할 수 있게 됩니다. ChemXploreML은 끓는점, 녹는점, 증기압, 임계 온도와 임계 압력 등 다섯 가지 주요 분자 속성을 테스트하여 최대 93%의 정확도를 달성했습니다. 이러한 예측 기능은 화학 연구의 패러다임을 바꾸는 데 기여할 것으로 기대됩니다. ChemXploreML을 통해 화학자들은 실험실에서 마주하는 다양한 문제를 해결하기 위한 더욱 창의적이고 혁신적인 접근을 모색할 수 있을 것입니다. 사용자 친화적인 예측 도구 ChemXploreML은 모든 화학자들이 쉽게 접근할 수 있도록 설계된 사용자 친화적인 앱입니다. 이 애플리케이션은 고급 프로그래밍 지식이 없는 연구자도 손쉽게 사용할 수 있게 최적화되었습니다. 대학원생부터 경험이 풍부한 연구...

MIT 건축 및 도시계획학교(SA+P)에서 7명의 교수들이 그들의 기여도를 인정받아 승진하게 되었다. 건축학부에서는 3명의 교수, 도시계획학부에서는 3명, 그리고 미디어 예술 및 과학 프로그램에서는 1명이 승진하였다. 이번 승진은 교수들의 연구와 교육 방면에서의 뛰어난 성과를 이룬 것에 대한 큰 피드백을 반영하고 있다. 건축학부의 혁신적인 기여 건축학부에서는 세 명의 교수들이 승진하였다. 우선, Marcelo Coelho 가 실습 조교수(associate professor of the practice)로 승진하였다. Coelho는 Design Intelligence Lab 의 소장을 맡고 있으며, 디자인, 인공지능(AI), 제작의 경계에서 인간과 기계의 지능이 교차하는 연구를 진행한다. 그의 작품은 빛을 활용한 설치물부터 물리적 컴퓨팅에 이르기까지 다양하다. Coelho는 두 차례 Prix Ars Electronica 상과 Fast Company 의 디자인 혁신상을 수상한 바 있으며, 창의적 과정의 재정의를 통해智能 시스템과의 상호작용 방식을 변화시키고 있다. 그는 산업 디자인, 사용자 경험, AI를 모두 아우르는 교과목을 가르치고 있다. 다음으로, Holly Samuelson 은 비텐션 준교수(associate professor without tenure)로 승진하였다. Samuelson은 40편 이상의 동료 평가 논문을 공동 저자와 함께 작성하였으며, Energy and Building 저널에서 최고 논문상을 수상하기도 했다. 그녀는 건축 기술 분야의 전문가로 인정받아 워싱턴 포스트 , 보스턴 글로브 , BBC, 월스트리트 저널 등의 매체에서 소개된 이력이 있다. 마지막으로, Rafi Segal 은 정교수로 승진하며, 여러 상을 수상한 디자이너로서 아키텍처와 도시 규모의 프로젝트에서 활발히 활동하고 있다. 그의 작업은 ORDOS 100 시리즈의 Villa 003에서부터 우간다의 Kitgum 평화박물관, 이스라엘의 Ashdod 미술관...

MIT는 전 세계 누구나 교육 자원을 무료로 이용할 수 있는 기회를 제공하는 최초의 고등 교육 기관으로 알려져 있습니다. 최근, MIT는 다양한 비학위 학습 기회를 한 곳에서 쉽게 찾을 수 있도록 돕는 AI 기반의 웹사이트인 'MIT Learn'을 런칭했습니다. 이 플랫폼은 12,700개 이상의 교육 자원에 접근할 수 있는 경로를 열린 학습의 새로운 전환점으로 제공합니다. AI를 통한 개인화된 학습 경험 MIT Learn은 개인화된 추천 기능을 통해 각 학습자가 자신의 학습 목표에 맞는 코스를 쉽게 찾을 수 있도록 돕습니다. 사용자는 "Ask Tim"이라는 AI 기반 추천 기능을 활용하여 관심 있는 주제와 관련된 강의 및 자료를 실시간으로 검색할 수 있습니다. 이 기능은 단순한 검색을 넘어, 학습자가 원활하게 미리 준비할 수 있도록 강의의 구조, 주제 및 기대 사항에 대한 요약 정보를 제공합니다. 또한, MIT Learn은 다양한 학습 패턴을 지원하는 개인 계정 생성 옵션을 제공합니다. 여기서 학습자는 자신의 관심 분야에 맞게 교육 자식을 목록화하고, 새로운 MIT 콘텐츠에 대한 알림을 받을 수 있습니다. 이러한 개인화된 학습 경험은 MIT가 글로벌 학습자와의 장기적인 관계를 구축하기 위한 전략의 일환으로, 모두가 자신의 학습 여정을 주도적으로 관리할 수 있도록 돕기 위해 설계되었습니다. 직관적인 탐색과 조직 구조의 제거 MIT Learn은 사용자가 MIT의 복잡한 조직 구조를 이해하지 않고도 다양한 주제를 탐색할 수 있도록 돕는 혁신적인 검색 및 탐색 기능을 갖추고 있습니다. 플랫폼은 학습자가 원하는 주제에 대해 직관적으로 접근할 수 있도록 설계되었으며, 강의, 코스웨어, 비디오 등 다양한 형식의 교육 자료를 쉽게 접근할 수 있는 환경을 제공합니다. 그 예로, 생물학 강좌와 같은 특별 제공 과정에서는 AI 도우미와 상호작용할 수 있는 기능이 포함되어 있어, 강의에 대한 질문을 하거나 핵심 개념을 플래시 카...

최근 AI 이미지 생성 기술은 큰 혁신을 맞이하고 있습니다. MIT의 연구진은 일반적인 이미지 생성기 없이도 이미지를 생성할 수 있는 새로운 방법을 제시하였습니다. 이 연구는 특히 1차원 토크나이저를 사용한 이미지 압축 방식이 기존의 이미지 생성 기술을 뛰어넘는 가능성을 보여주고 있습니다. 1차원 토크나이저의 놀라운 가능성 AI 이미지 생성 기술의 발전에는 많은 노력이 담겨 있습니다. 기존의 이미지 생성 모델들은 대규모의 훈련 데이터와 수많은 컴퓨팅 자원을 필요로 합니다. 그러나 1차원 토크나이저는 이미지 정보를 효율적으로 압축할 수 있으며, 단 32개의 숫자로 256x256 픽셀 이미지를 표현할 수 있는 혁신적인 방법을 제공합니다. 이러한 압축 방식 덕분에 연구자들은 이미지의 전반적인 정보와 특성을 보다 쉽게 이해할 수 있습니다. 이러한 1차원 토크나이저의 개념이상으로 매력적인 점은, 기존의 방법으로는 찾을 수 없었던 이미지 특성의 조작이 가능하다는 것입니다. 핀터레스트에서 찾은 저해상도의 이미지와 고해상도의 이미지의 질감을 실험하여, 각각의 토큰이 이미지의 특정 요소, 예를 들어 색상, 명도, 구도 등에 어떻게 영향을 미치는지를 확인할 수 있었던 것입니다. 이처럼 특정 토큰을 조작함으로써 이미지를 개선하거나 수정할 수 있는 가능성은 사용자들이 쉽게 이미지 편집 작업을 수행할 수 있도록 해 줍니다. 이전의 연구 결과들은 일반적으로 토크나이저를 이미지 생성의 보조 수단으로 사용했지만, MIT 연구팀은 이러한 토크나이저가 단독으로도 이미지 조작을 수행할 수 있음을 보여주었습니다. 이러한 발견은 토크나이저의 역할을 재정의하고, 향후 AI 이미지 생성 기술의 방향성을 제시하는 중요한 전환점이 될 것으로 예상됩니다. 생성 모델이 필요 없는 이미지 생성 MIT 연구팀은 이미지 생성을 위한 새로운 접근 방식을 제안하면서, 전통적인 생성기 모델 없이도 이미지를 생성할 수 있는 가능성을 열어주었습니다. 이들은 1차원 토크나이저와 디토크나이저(또는 디코더)...

세계적으로 핵에너지 프로젝트가 다시 증가하는 가운데 핵폐기물 처분 방식에 대한 논의는 많은 정치적 쟁점을 동반하고 있습니다. 미국을 예로 들자면, 유일한 장기 지하 핵폐기물 저장소가 무기한 미뤄지고 있습니다. MIT, 로렌스 버클리 국립 연구소, 오를레앙 대학교의 과학자들이 수행한 최근 연구는 고성능 컴퓨팅 소프트웨어를 통해 핵폐기물의 지하 상호작용을 시뮬레이션한 결과와 실험 결과가 잘 일치하는 것을 보여주며, 궁극적으로는 핵폐기물 처분에 대한 공공의 신뢰를 구축하는 데 기여할 것으로 보입니다. 핵폐기물 처리에 대한 신뢰 구축 현재 핵폐기물 처리의 가장 안전한 장기적 방법으로 여겨지는 지하 지질 구조물에의 처분이 시행되고 있습니다. 다양한 자연 및 인공 지질 자재와의 상호작용을 연구하는 데 많은 노력이 기울어져 있습니다. 스위스의 몽테리 연구소는 이러한 연구의 중요한 실험 공간으로, 오팔리누스 점토와 같은 물질을 연구하기 위한 국제적인 연구 consortium의 시험대 역할을 하고 있습니다. 이 연구소에서는 작년까지 수십 년에 걸친 데이터가 축적되어 cement와 clay 간의 상호작용을 연구해 왔습니다. MIT의 Dauren Sarsenbayev 박사과정 학생과 Haruko Wainwright 조교수가 공동 저자로 참여한 이 연구는 고성능 컴퓨팅 소프트웨어를 활용하여 시뮬레이션과 실험 결과를 비교했습니다. 그 결과, 두 데이터 세트가 잘 일치함을 확인하여, 핵폐기물의 안전한 처분 가능성을 높이기 위한 중요한 진전을 이루었습니다. 이 연구는 향후 정책 입안자들과 대중이 지하 핵폐기물 저장소의 장기 안전성에 대한 신뢰를 갖는 데 중요한 역할을 할 것으로 기대됩니다. Sarsenbayev은 이러한 연구가 핵폐기물 처분의 안전성 평가는 물론, 기후 변화 대응 및 에너지 안보를 위한 핵에너지의 재부각에 중요한 기반을 마련하기를 희망하고 있습니다. 실험과 시뮬레이션 비교 분석 이번 연구에서는 몬테리 실험소에서 수행된 13년 된 실험 데이터를 기반...

대규모 언어 모델(LLM)은 문서의 맥락을 이해하고 그 내용에 대한 논리적인 답변을 제공하는 데 뛰어난 능력을 보입니다. 그러나 이러한 모델은 간단한 수학 문제조차 올바르게 해결하는 데 어려움을 겪는 경우가 많습니다. MIT 연구팀이 개발한 CodeSteer는 이러한 LLM이 텍스트와 코드 생성을 효과적으로 전환하여 올바른 답변을 도출할 수 있도록 돕는 스마트 보조 도구입니다. LLM의 코드를 통한 문제 해결 능력 향상 MIT 연구팀은 대규모 언어 모델이 기본적으로 텍스트로 된 데이터를 처리하도록 훈련되어 있어, 수학적 문제를 해결하기 위해 코드 대신 텍스트 생성에 더 의존한다는 사실에 주목했습니다. 예를 들어, 두 숫자 9.11과 9.9 중 어느 것이 더 큰지 묻는 질문에 LLM이 텍스트로 답변하는 경우 종종 잘못된 결과를 제공하지만, 코드로 처리할 경우 Python 스크립트를 생성하여 쉽게 문제를 해결할 수 있습니다. 이러한 문제를 해결하기 위해 연구팀은 더 큰 LLM을 보완하는 작은 LLM인 CodeSteer를 개발하였습니다. CodeSteer는 LLM이 텍스트와 코드 생성을 모두 사용할 수 있도록 방향을 제시하여 올바른 답변을 찾도록 돕는 역할을 합니다. 코드의 복잡성을 평가하고, 모델이 더 나은 답변을 생성하기 위해 필요한 경우 추가 계산을 통해 확인하도록 유도합니다. 이렇게 하여 LLM이 문제를 해결하는 데 있어서 더 높은 정확성과 효율성을 발휘할 수 있게 됩니다. 연구 결과, CodeSteer는 LLM의 상징적 작업에 대한 정확도를 30% 이상 높여주며, 덜 정교한 모델도 CodeSteer의 도움을 통해 더 발전된 모델보다 우수한 성능을 발휘할 수 있게 합니다. 이를 통해 복잡한 작업에서 LLM의 문제 해결 능력을 대폭 향상시키는 데 기여할 수 있습니다. CodeSteer의 작동 원리와 효과 CodeSteer는 LLM의 입력 질의를 검토한 후, 이 문제를 해결하기 위해 텍스트나 코드 중 어느 쪽이 더 적합한지 판단합니다. 그런 ...