2조(스피노) - 편집 역사

Uosche2512: /* 관련사업비 내역서 */

2025-06-08T06:42:42Z

‎관련사업비 내역서

Uosche2512: /* 특허 출원 내용 */

2025-06-08T06:42:21Z

‎특허 출원 내용

Uosche2512: /* 완료작품의 평가 */

2025-06-08T06:41:19Z

‎완료작품의 평가

Uosche2512: /* 완료작품의 평가 */

2025-06-08T06:38:21Z

‎완료작품의 평가

Uosche2512: /* 완료작품의 평가 */

2025-06-08T06:28:06Z

‎완료작품의 평가

Uosche2512: /* 향후계획 */

2025-06-08T06:24:33Z

‎향후계획

Uosche2512: /* 포스터 */

2025-06-08T06:22:27Z

‎포스터

Uosche2512: /* 포스터 */

2025-06-08T06:18:39Z

‎포스터

Uosche2512: /* 포스터 */

2025-06-08T06:16:36Z

‎포스터

Uosche2512: /* 결과 및 평가 */

2025-06-08T06:13:20Z

‎결과 및 평가

@@ 250번째 줄: / 250번째 줄: @@
 ====포스터====
 [[파일:포스터3(스피노).jpg]]
 ===완료작품의 평가===

← 이전 판		2025년 6월 8일 (일) 06:42 판
313번째 줄:		313번째 줄:
	3) 딥러닝 검증 기술 및 해석 가능성 기여		3) 딥러닝 검증 기술 및 해석 가능성 기여
	신뢰성과 안전성이 요구되는 분야에서 딥러닝 모델의 검증 가능성 확보는 필수적이다. 본 연구는 ReLU 기반 신경망의 MILP 표현을 계산적으로 실현 가능한 수준으로 단순화함으로써, 자율주행, 의료 AI, 항공우주 시스템 등의 안전성 검증에도 기여할 수 있다. 이는 신경망 검증을 위한 MILP 접근법의 산업 적용 가능성을 크게 넓히는 효과를 가진다.		신뢰성과 안전성이 요구되는 분야에서 딥러닝 모델의 검증 가능성 확보는 필수적이다. 본 연구는 ReLU 기반 신경망의 MILP 표현을 계산적으로 실현 가능한 수준으로 단순화함으로써, 자율주행, 의료 AI, 항공우주 시스템 등의 안전성 검증에도 기여할 수 있다. 이는 신경망 검증을 위한 MILP 접근법의 산업 적용 가능성을 크게 넓히는 효과를 가진다.
−
−	~~===특허 출원 내용===~~
−	내용

@@ 292번째 줄: / 292번째 줄: @@
 뉴런 활성화 분석을 통한 최적화 경로 안정성 평가
-[[파일:table3.png]]
+[[파일:table4.png]]
 ReLU 기반 신경망을 MILP로 변환하여 최적화에 활용할 경우, 각 뉴런의 활성화 상태(활성화 여부 이진 변수 𝑧)는 MILP 제약식의 형태로 반영된다. 이때 뉴런의 활성화가 안정적으로 0 또는 1로 고정될 경우 해당 뉴런은 ‘stable neuron’으로 간주되며, 반대로 활성화 상태가 문제 내에서 결정되지 않고 부동적인 경우는 ‘unstable neuron’으로 분류된다. 이는 MILP의 이진 변수 수, 곧 문제 복잡도에 직결되므로, 뉴런 반응의 안정성은 전체 최적화 성능과 밀접한 관련이 있다.

← 이전 판		2025년 6월 8일 (일) 06:38 판
266번째 줄:		266번째 줄:

	따라서 이번 실험에서는 정확도와 계산 효율성 모두에서 FBBT > OBBT > None의 순위를 확인할 수 있었다. 이는 FBBT가 빠르고 효율적으로 변수의 경계를 좁힘으로써 MILP solver가 탐색 공간을 효과적으로 줄이고, 더 안정적으로 수렴할 수 있도록 해주었음을 의미한다. 반면, OBBT는 계산량이 많아 solver가 실질적인 해 탐색에 충분한 시간을 확보하지 못하는 구조적 한계를 드러냈다. 이와 같은 결과는 Bound Tightening 기법이 solver 탐색 메커니즘에 어떠한 영향을 미치는지를 실증적으로 보여주는 사례라 할 수 있다.		따라서 이번 실험에서는 정확도와 계산 효율성 모두에서 FBBT > OBBT > None의 순위를 확인할 수 있었다. 이는 FBBT가 빠르고 효율적으로 변수의 경계를 좁힘으로써 MILP solver가 탐색 공간을 효과적으로 줄이고, 더 안정적으로 수렴할 수 있도록 해주었음을 의미한다. 반면, OBBT는 계산량이 많아 solver가 실질적인 해 탐색에 충분한 시간을 확보하지 못하는 구조적 한계를 드러냈다. 이와 같은 결과는 Bound Tightening 기법이 solver 탐색 메커니즘에 어떠한 영향을 미치는지를 실증적으로 보여주는 사례라 할 수 있다.
		+
		+	앞서 Bound Tightening 기법 비교를 통해 FBBT의 구조적 간결성과 계산 효율성, 그리고 실제 수렴 품질 측면에서의 우수성을 확인할 수 있었다. 그러나 이러한 결과에도 불구하고, OBBT가 갖는 이론적 강점 또한 무시할 수 없다. 특히 변수 간 상호작용이 복잡하거나 단순한 구간 산술 기반 전파로는 경계를 효과적으로 좁히기 어려운 상황에서는, FBBT만으로는 해의 품질이 급격히 저하되거나 수렴 자체가 실패할 수 있다. 이는 비선형성이 내포된 surrogate 모델이나, 탐색 공간이 넓어 solver가 잘못된 방향으로 가지(branch)를 확장할 가능성이 높은 모델에서 특히 두드러진다.
		+
		+	OBBT는 각 변수의 bound를 선형계획 문제를 통해 직접 계산함으로써, 변수 간의 의존성과 제약 조건을 정밀하게 반영할 수 있다. 이를 통해 과도하게 넓은 bound로 인해 발생할 수 있는 계산량 폭증 및 수렴 실패 문제를 사전에 억제하는 데 효과적이다. 따라서 모델 전체에 일괄적으로 적용하기엔 계산 자원 부담이 크더라도, 전략적으로 특정 변수에만 적용하는 방식은 실질적인 이점을 제공할 수 있다.
		+
		+	이에 따라 민감도 기반 변수 영향도 분석을 통해 출력에 큰 영향을 미치는 변수를 구분하였다.
		+	민감도가 높다고 분류된 v₀, v₅, v₆ 변수는 값의 조절 범위도 넓어 탐색 공간에서 차지하는 비중이 크며, solver의 가지치기(branch-and-bound) 과정에서 중요한 역할을 수행할 가능성이 높다.
		+	따라서 모든 변수에 FBBT를 적용하되, v₀, v₅, v₆에 대해서만 부분적으로 OBBT로 처리하는 Hybrid Bound Tightening 전략을 추가적으로 진행하였다. 이 접근법은 계산 효율성과 해의 정밀도 간의 균형을 달성하기 위한 실용적 해법으로, MILP 기반 surrogate 최적화와 같이 계산 자원이 제한된 문제에서 유효한 적용 가능성을 제시한다.
		+
		+	부분적 OBBT 전략에 따른 결과
		+
		+	[[파일:table2.png]]
		+	이번 실험에서는 기존의 세 가지 Bound Tightening 전략(None, FBBT, OBBT)과 본 연구에서 제안한 부분적 OBBT 전략을 비교하여, 계산 효율성과 수렴 품질 측면에서의 상대적 성능을 정량적으로 분석하였다. 그 결과, 부분적 OBBT 전략이 MIPGap, 탐색 노드 수, 계산 시간, 목적함수 값 모든 지표에서 가장 우수한 성능을 보이며, 실용적 효용성을 입증하였다.
		+
		+	먼저 수렴 품질 측면에서, 부분적 OBBT는 최종 MIPGap이 0.94%로, FBBT(11.6%)나 OBBT 전체 적용(18.6%)에 비해 현저히 낮은 값을 기록하였다. 이는 Solver가 최적해에 매우 근접한 해를 도출했음을 의미하며, 정밀한 Bound 설정이 부분적으로만 적용되어도 수렴 안정성에 매우 긍정적인 영향을 줄 수 있음을 시사한다. 특히, None 방식의 경우 MIPGap이 6080%에 달해 해의 신뢰성 자체가 확보되지 않았다는 점을 고려할 때, Bound Tightening의 중요성이 더욱 강조된다.
		+
		+	탐색 노드 수 측면에서도 부분적 OBBT는 97,043개의 노드를 탐색하며 수렴에 도달하였다. 이는 OBBT 전체 적용 방식의 절반 이하(290,176개) 수준이며, FBBT보다 약간 많지만 Solver의 탐색 효율 측면에서 균형 잡힌 성능을 보여준다. 이는 OBBT의 계산량 증가 문제를 해소하면서도, Solver가 주요 변수의 경계를 효과적으로 활용해 탐색 효율과 수렴 품질을 동시에 확보했음을 의미한다.
		+
		+	계산 시간은 더욱 주목할 만한 결과를 보였다. 기존 세 가지 기법(FBBT, OBBT, None)은 모두 계산 종료 제한 시간으로 설정한 7200초를 모두 소진했으나, 부분적 OBBT는 6104초 만에 계산을 성공적으로 완료하였다. 이는 약 1100초 이상 단축된 결과이며, 탐색 성능 향상에 따라 Solver가 빠르게 수렴 경로를 확보했음을 보여준다. 특히 복잡한 surrogate 기반 MILP 문제에서 제한 시간 내에 유효한 해를 도출하는 것은 실제 공정 최적화에서 중요한 요건으로 작용한다.
		+
		+	최적 출력값 측면에서도, 부분적 OBBT는 38.4968이라는 최고치를 기록하였다. 이는 FBBT(38.4433), OBBT(38.4133)보다 높은 결과이며, 계산 정확도와 해의 품질이 동시에 개선되었음을 의미한다. OBBT의 정밀한 Bound를 통한 탐색 안정성과 FBBT의 빠른 계산 특성이 적절히 결합된 전략이 가장 실용적인 최적화 성능을 달성할 수 있음을 보여주는 결과이다.
		+
		+	결과적으로, 변수 선택적으로 OBBT를 부분 적용하는 방식은 계산 비용과 수렴 품질 간의 Trade-off를 해소할 수 있는 유효한 개선 방안으로 평가된다. 특히 본 연구에서는 변수 v0, v5, v6가 최적화 과정에서 민감도가 높은 변수임을 확인하고, 해당 변수에 대해서만 OBBT를 수행하는 방식을 통해 solver가 보다 효율적인 탐색을 수행할 수 있도록 지원하였다. 이러한 접근법은 Bound Tightening 기법의 실용적 활용 측면에서 중요한 시사점을 제공한다.
		+
		+	뉴런 활성화 분석을 통한 최적화 경로 안정성 평가
		+
		+	[[파일:table3.png]]
		+
		+	ReLU 기반 신경망을 MILP로 변환하여 최적화에 활용할 경우, 각 뉴런의 활성화 상태(활성화 여부 이진 변수 𝑧)는 MILP 제약식의 형태로 반영된다. 이때 뉴런의 활성화가 안정적으로 0 또는 1로 고정될 경우 해당 뉴런은 ‘stable neuron’으로 간주되며, 반대로 활성화 상태가 문제 내에서 결정되지 않고 부동적인 경우는 ‘unstable neuron’으로 분류된다. 이는 MILP의 이진 변수 수, 곧 문제 복잡도에 직결되므로, 뉴런 반응의 안정성은 전체 최적화 성능과 밀접한 관련이 있다.
		+	이번 실험에서는 OBBT 전체 적용 전략과 부분적 OBBT 전략(v₀, v₅, v₆ 변수에만 적용) 각각에 대해 뉴런 활성화 경로를 시각화하고 층별 반응을 비교하였다. 시각화 결과에 따르면, OBBT 전체 적용 시 대부분의 층에서 뉴런들의 평균 활성 값이 0과 1 사이에 고르게 분포하며, 많은 뉴런이 unstable한 상태에 머무른 것으로 나타났다. 이는 OBBT가 계산적으로 많은 경계를 정밀화했음에도 불구하고, 최적화 경로 상의 안정성을 확보하지 못했음을 시사한다.
		+	반면, 부분적 OBBT 전략에서는 뉴런 반응의 경계가 더욱 뚜렷하게 나타났으며, 일부 뉴런은 완전히 stable한 0 또는 1로 고정되는 양상을 보였다. 특히 Layer 2~4에서 활성화 경계가 정돈되어 있으며, 불안정 뉴런의 수가 눈에 띄게 감소하였다. 이는 Solver가 주요 변수의 경계를 보다 정밀하게 파악한 상태에서, 전체 신경망을 더 안정적인 경로로 수렴시켰다는 것을 의미한다.
		+
		+	이러한 결과는 부분적 OBBT 전략이 단순히 계산량을 줄이는 데 그치지 않고, 실제 MILP 구조의 계산 안정성과 경로 예측 가능성 측면에서도 우수한 성능을 보였음을 시사한다. Stable neuron의 증가 현상은 MILP 모델에서 해당 뉴런의 이진 변수 제약이 제거될 수 있는 가능성을 의미하며, 이는 최적화 속도 개선뿐만 아니라 Solver의 가지치기 효율 향상에도 기여할 수 있다.
		+
		+	따라서 뉴런 반응의 시각적 비교 결과는 부분적 OBBT 전략이 구조적 계산 복잡도를 낮추고, MILP 기반 최적화 과정에서 효과적인 경로 안정화 수단으로 기능할 수 있음을 실증적으로 보여준다.

	===향후계획===		===향후계획===

@@ 255번째 줄: / 255번째 줄: @@
 ===완료작품의 평가===
-내용
+[[파일:Table1.png]]
 ===향후계획===

@@ 258번째 줄: / 258번째 줄: @@
 ===향후계획===
-내용
+본 연구는 딥러닝 기반 예측 모델을 포함하는 MILP(Mixed-Integer Linear Programming) 문제의 계산 효율을 향상시키기 위한 실용적인 전략을 제시하였으며, 다양한 학문 및 산업 분야에 폭넓게 기여할 수 있는 가능성을 가진다. 특히 ReLU 신경망을 MILP로 표현하는 구조는 유지하면서, 계산 자원을 절감할 수 있는 OBBT(Optimization-Based Bound Tightening) 기법의 적용은 다음과 같은 전망을 갖는다.
 ===특허 출원 내용===
 내용

@@ 249번째 줄: / 249번째 줄: @@
 ===완료 작품의 소개===
 ====포스터====
-[[파일:포스터2(스피노).jpg]]
+[[파일:포스터3(스피노).jpg]]
 ===관련사업비 내역서===