국내의 IT 분야에서는 어떤 연구를 하고 있을까? (1)

–

인공지능 기술의 발전 추세가 놀랍습니다. 특히 최근에는 중국발 서비스들이 인공지능 분야 전체를 흔들기도 했지요.

그렇다면 문득 궁금해집니다. 전산분야의 연구를 하는 국내 대학의 교수 연구팀들은 어떤 최신 세부기술을 연구하고 있을까요?

–

약 3만 6천여 건의 논문 데이터를 모았습니다.

국내 대학에 소속된 교수 연구팀들의 연구내용을 분석하기 위해, 인포리언스는 Computer Science 관련 분야의 연구를 수행하는 교수 연구팀들의 논문 테이터를 모아 다양한 분석을 해보고 있습니다.

시작단계로서, 현재는 KAIST, 서울대, POSTECH, 연세대와 고려대에 소속된 교수 연구팀에서 발표한 논문 데이터를 대상으로 하고 있습니다.

현재까지 총 216개 연구팀의 3만6천여 건의 논문 데이터를 활용하고 있습니다.

** 이 데이터는 각 교수 연구팀에서 웹 상에 공개한 것들을 대상으로 합니다.

** 수집 과정에서의 기술적인 이유로, 현재는 5개 대학의 교수 연구팀들 중에서 누락된 연구팀들이 꽤 있습니다. 앞으로도 계속 채워볼 예정입니다.

– 

전체적으로 인공지능과 직접적으로 관련된 분야의 강세가 두드러집니다.

인포리언스가 구현한 주제 분석 프로세스를 활용하여, 전체 논문에 대해 12개의 주제를 뽑은 결과는 다음과 같습니다.

(1) Autonomous Vehicles and Robotics

(2) Biomedical Genomics and Diagnostics

(3) Computer Graphics and Image Processing

(4) Cybersecurity and Data Encryption

(5) Human-Computer Interaction

(6) Language Processing and Translation

(7) Machine Learning and Optimization

(8) Music and Audio Processing

(9) Parallel Computing and Optimization

(10) Social Media and Online Interaction

(11) Video and Image Processing

(12) Wireless Communication Networks

–

–

각 12개 주제에 대한 전체 논문의 분포를 보면 그림 1과 같습니다.

그림 1에 의하면, 상위 5개 주제는 Machine Learning and Optimization, Social Media and Online Interaction, Wireless Communication Networks, Parallel Computing and Optimization, Computer Graphics and Image Processing 으로 나타났습니다. 

확실히, 인공지능이 세상을 뒤흔들고 있는 만큼, Machine Learning and Optimization 주제의 강세가 두드러지네요.

–

그러나 인공지능 관련 분야가 항상 뜨거웠던 것은 아닙니다.

–

–

그림 2는 과거 2005년에서 2015년의 기간에 나타난 각 12개 주제에 대한 논문의 분포를 보여줍니다.

그림 2는 그림 1과는 확연히 다른 분포를 보이는데, 최근에 아주 뜨거운 주제인 Machine Learning and Optimization은 중위권에 머물고 있고, 인공지능과 밀접한 주제인 Language Processing and Translation 역시 하위권이네요. 이와 달리, Wireless Communication Networks, Parallel Computing and Optimization 등과 같은 시스템 관련 주제가 최상위권에 위치해 있습니다.

그림 1과 그림 2를 보면, 과거에 가장 뜨거웠던 주제와 현재의 가장 뜨거운 주제가 많이 다르다는 점을 파악할 수 있습니다.

연구라는 것도 결국 유행을 탄다는 의미라고 할 수 있으려나요.

–

간단한 추세 분석을 해 봅니다.

그럼 이제, 인포리언스가 구현한 텍스트 분석 시스템을 활용하여, 국내 연구팀들이 언급한 연구 내용에 좀 더 깊이 들어가 보겠습니다. 

–

–

그림 3은 최근에 자율 주행 장치에서 많이 활용되고 있는 ‘LiDAR’에 대해 언급한 논문들이 차지하는 비중의 흐름입니다. 지속적으로 상승하는 흐름을 보여주네요. (참고로, 2024년의 1년 동안에는 총 11개 연구팀에서 ‘LiDAR’를 언급한 26개의 연구결과를 발표하였습니다.)

LiDAR에 대한 국내 연구팀들의 관심도가 증가하고 있다고 봐도 될 것 같습니다.

–

–

RLHF(Reinforcement Learning from Human Feedback)는 기계학습 모델을 훈련시키는 과정에서 인간의 피드백을 반영하는 기법입니다. 그림 4는 RLHF를 언급한 논문의 비중 추세를 보여줍니다. 최근에 갑자기 크게 상승하는 추세를 보여주네요.

–

–

–

그림 5는 LSTM을 언급한 국내 연구팀 논문의 비중 추세를 보여줍니다. 2015년부터 언급되기 시작하여 2018년에 절정에 달한 이후로 지속적으로 감소하는 추세를 보입니다. 이에 비해, 그림 6에서 확인할 수 있는 바와 같이 transformer를 언급한 국내 연구팀 논문의 비중은 2019년부터 빠르게 증가하고 있습니다.

혹시, 이 추세들을 근거로 하여, 국내 연구팀들이 LSTM을 transformer로 대체하고 있다고 결론을 내려도 될까요?

–

연구팀들에게 기술과 관련된 질문을 해보겠습니다.

최근 5년 동안의 논문들을 바탕으로 “LiDAR는 자율주행차에서 어떤 역할을 하나요?”라는 질문에 대한 답변을 해줄 것을 모든 국내 연구팀에게 요청해봤습니다. 총 5개 연구팀에서 이 질문에 대해 다음과 같이 답변을 했습니다.

** 다음의 답변들은 각 교수팀에서 직접 보내온 답변이 아니라, 인포리언스가 구현한 분석 시스템이 각 연구팀의 논문을 바탕으로 자동으로 추출한 것들입니다. 따라서, 오류가 포함되어 있을 수 있습니다.

• 명현 교수팀 (KAIST): 제가 속한 연구팀에서는 자율주행차의 위치 추정과 주행 안정성을 높이기 위해 라이다 센서를 이용한 odometry 기술을 연구하고 있습니다. 저희는 라이다와 관성 측정장치(IMU)의 데이터를 융합하여, 열린 공간뿐만 아니라 복도와 같이 제약이 있는 공간에서도 주행 정보가 왜곡되지 않도록 적응형 파라미터 설정 방식을 적용하고 있습니다. 또한, 지면에 포함된 특성을 활용해 보다 정밀한 지면 인식을 통해 라이다 odometry의 성능을 향상시키기 위해 노력하고 있습니다. 이와 같은 연구 결과는 일반적인 내비게이션 시스템이나 스마트 모빌리티 서비스에 적용되어, 보다 안전한 주행 환경을 제공하는 데 기여할 수 있습니다. 자세한 내용은 다음의 문서들에서 확인하세요. URL: https://ieeexplore.ieee.org/abstract/document/10202252/, https://ieeexplore.ieee.org/abstract/document/9826238/
• 박재식 교수팀 (서울대): 제가 속한 연구팀에서는 자율주행차의 3D 환경 인식을 위해 라이다 센서로부터 얻은 데이터를 효율적으로 처리하고 활용하는 기술을 연구하고 있습니다. 저희는 라이다 센서 특유의 회전하는 스캔 데이터를 2D 원통형 범위 이미지로 변환하여 빠른 연산과 이웃 탐색 등을 가능하게 하는 동시에, 라이다 데이터의 왜곡이나 센서 간 차이로 인한 문제를 보완하기 위한 도메인 증강 기법을 개발하고 있습니다. 또한, 다중 규모의 정합(registration)과 3차원 재구성 기술을 통해 실제 도로 및 환경에서 물체의 정확한 위치와 형태를 파악할 수 있도록 함으로써, 자율주행 시스템의 핵심 인식 기능을 강화할 수 있습니다. 이러한 기술은 예를 들어, 내비게이션 시스템이나 로봇 청소기 등 일반인의 생활 속 다양한 응용 분야에서 보다 정밀한 환경 인식으로 이어질 수 있습니다. 자세한 내용은 다음의 문서들에서 확인하세요. URL: http://openaccess.thecvf.com/content/CVPR2023/html/Ryu_Instant_Domain_Augmentation_for_LiDAR_Semantic_Segmentation_CVPR_2023_paper.html, https://arxiv.org/abs/2112.02779
• 윤국진 교수팀 (KAIST): 제가 속한 연구팀에서는 자율주행차가 실시간으로 변화하는 도로 환경에서 다양한 객체를 인식하고 판단할 수 있도록 라이다 데이터를 활용한 기술을 연구하고 있습니다. 저희는 라이다 센서가 제공하는 정보를 통해 단순히 거리 측정뿐만 아니라, 관측된 위치의 점유와 동시에 시야 내 장애물 부재 정보를 활용하여, 모델이 스스로 환경에 적응할 수 있도록 하는 자가 지도 학습(self-supervision) 기법을 연구하고 있습니다. 또한, 기존에 학습한 범주 외의 새로운 객체도 실시간으로 분류 및 인식할 수 있는 기술을 적용하여, 보다 다양한 상황에 대응하는 자율주행 환경을 구현하고자 합니다. 이러한 기술은 일반적인 스마트 운전 보조 시스템이나 도시 내 주행 안전성 강화에 크게 기여할 수 있습니다. 자세한 내용은 다음의 문서들에서 확인하세요. URL: https://proceedings.neurips.cc/paper_files/paper/2024/hash/87571720167f7e88827c40e468e3101f-Abstract-Conference.html, https://link.springer.com/chapter/10.1007/978-3-031-72973-7_14
• 백승환 교수팀 (POSTECH): 제가 속한 연구팀에서는 자율주행차가 보다 정밀하게 주변 환경을 인식할 수 있도록, 기존의 라이다 센서가 제공하는 거리 정보 외에도 빛의 편광 정보를 활용하는 새로운 접근법을 연구하고 있습니다. 이 연구는 라이다 센서로부터 얻은 편광 데이터를 통해 물체의 표면 특성이나 구조를 파악함으로써, 3차원 장면을 보다 세밀하게 재구성할 수 있는 가능성을 열어줍니다. 이러한 기술은 예를 들면, 복잡한 도심 속에서 건물의 윤곽이나 도로 위 장애물을 보다 정확하게 인식하는 데 활용될 수 있어, 자율주행 시스템의 안전성과 효율성을 높이는 데 기여할 수 있습니다. 자세한 내용은 다음의 문서들에서 확인하세요. URL: http://openaccess.thecvf.com/content/CVPR2024/html/Scheuble_Polarization_Wavefront_Lidar_Learning_Large_Scene_Reconstruction_from_Polarized_Wavefronts_CVPR_2024_paper.html
• 오태현 교수팀 (KAIST): 제가 속한 연구팀에서는 자율주행차의 인식 시스템 향상을 위해 라이다 센서를 활용하는 연구를 진행하고 있습니다. 저희는 고해상도 카메라에서 추출된 2D 이미지 정보를 3D 라이다 데이터에 효과적으로 전달(distillation)하는 방법을 모색하여, 자율주행 시 주변 물체의 위치와 형태를 더 정확하게 파악할 수 있도록 연구하고 있습니다. 이러한 기술은 정밀한 객체 인식과 환경 이해를 가능하게 하여, 일반인의 경우 스마트 운전 보조 시스템이나 자율주행차의 안전 기능으로 적용되어 주행 중 돌발 상황에 더욱 효과적으로 대처할 수 있도록 도와줍니다. 자세한 내용은 다음의 문서들에서 확인하세요. URL: https://openaccess.thecvf.com/content/ACCV2024/html/Jo_The_Devil_is_in_the_Details_Simple_Remedies_for__ACCV_2024_paper.html

–

앞으로는 말이죠…

가끔, 특정 분야에 대한 국내의 연구 수준이나 동향을 파악하고 싶을 때가 있습니다. 특정 세부 주제에 대해 국내에서 누가 연구를 하고 있는지 궁금할 때도 있고요. 특히 최근에 국가적인 관심을 받고 있는 인공지능 분야라면 더욱 그러하겠지요.

따라서 인포리언스는 전세계적인 연구 동향 뿐만 아니라 국내의 연구 동향도 분석해 보고 있습니다.

물론, 앞으로도 할 일이 무척 많습니다. 가장 먼저 할 일은 더욱 많은 연구 데이터들을 수집하는 것입니다. 현재는 5개 대학의 교수 연구팀만을 대상으로 하고 있는데, 이 5개 대학의 연구팀들이 국내 연구 동향 전체를 대변한다고 볼 수는 없으니까요. (다른 대학들도 있고, 연구소들도 있고, 기업들도 있지요.)

더 나아가, 인공지능 분야 뿐만 아니라, 다른 연구 분야에 대해서도 이와 같은 접근방식을 확장 적용해 볼 수 있을 듯 합니다.

이와 관련하여 인포리언스는 다양한 연구개발을 진행하고 있습니다. 분석 시스템을 만들어 이를 기반으로 유용한 서비스를 출시할 계획도 있습니다.

기대하셔도 좋습니다.