검색 - IT세상을 바꾸는 힘 지디넷코리아

ZDNet 검색 페이지

'삼성종합기술원'통합검색 결과 입니다. (2건)

태그
기간
- 3개월
- 1년
- 1년 이전

재검색

스스로 움직이는 '망토처럼'…KAIST, 로봇종이 원천기술 개발

영화 '닥터 스트레인지'에는 망토가 스스로 접고, 날아 다니는 장면이 나온다. 마치 마법 망토처럼. 국내 연구진이 이와 유사한 '로봇 종이(시트)' 원천기술을 개발했다. 이 시트는 여러 형태로 실시간 접힘이 가능하다. 향후에는 더 다양한 형태의 자유로운 연출도 기대된다. KAIST(총장 이광형)는 기계공학과 김정 교수와 박인규 교수 공동 연구팀이 형상을 실시간 프로그래밍할 수 있는 '로봇시트' 원천 기술(field-programmable robotic folding sheet)을 개발했다고 6일 밝혔다. 연구팀은 사용자 명령에 따라 다양한 3차원 형상을 만들어 낼 수 있는 소재 기술 및 프로그래밍 방법론을 통합적으로 제시했다. '로봇 시트'는 얇고 유연한 고분자 기판 내에 미세 금속 저항 네트워크를 내장시켜 각 금속 저항이 히터이자 온도 센서 역할을 수행한다. 온도에 따라 별도 외부 장치 없이도 시트의 접힘 상태를 실시간 감지하고 제어한다. 또 유전 알고리즘(genetic algorithm) 및 심층 신경망(deep neural network)을 결합한 SW는 스스로 소재를 반복 가열 및 냉각을 통해 사용자가 원하는 접힘 위치와 방향, 강도를 조절하며 정확한 형상을 만들어낸다. 김정 기계공학과 교수는 "전자 종이처럼 생긴 로봇 시트가, 필요한 순간에 원하는 위치가 접히도록 프로그래밍할 수 있다"며 "2차원 평면 시트 형태의 로봇을 다양한 3차원 형상으로 변형시킬 수 있다"고 말했다. 연구팀이 만든 저항체 네트워크는 저항체 갯수(308 개)보다 적은 다수의 전극(8 x 8 배열)을 통해 제어한다. 또 –87°~+109°의 높은 접힘 굴곡도도 달성했다. 김정 교수는 "자기 몸을 바꾸면서 똑똑하게 움직이는 형상 지능 구현에 한 걸음 더 다가간 원천기술"이라며 "향후 고속 냉각, 다양한 크기 및 형상으로의 확장, 일체형 전극 구조 설계 등에 응용 사능한 차세대 피지컬 AI 플랫폼으로 개발해 나갈 계획"이라고 덧붙였다. KAIST 박현규 박사(현 삼성전자 삼성종합기술원)와 정용록 교수(현 경북대학교)가 공동 제1저자다. 연구 결과는 국제 학술지 '네이처 커뮤니케이션즈' 온라인판(8월)에 실렸다. 한편 이 연구는 한국연구재단(과학기술정보통신부) 지원을 받아 수행됐다.

2025.08.06 14:19박희범

삼성·KAIST, 초거대 AI모델 학습 최적화 시뮬레이션 개발…"GPU 사용률 10% 개선"

국내 대학과 기업이 챗GPT나 딥시크 등 초거대형 AI 모델 학습 비용을 5%정도 줄일 시뮬레이션 프레임워크를 개발하고, 이를 '깃허브'에 공개했다. KAIST(총장 이광형)는 전기및전자공학부 유민수 교수 연구팀이 삼성전자 삼성종합기술원과 공동으로 대규모 분산 시스템에서 대형 언어 모델(LLM)의 학습 시간을 예측하고 최적화할 수 있는 시뮬레이션 프레임워크(이하 vTrain)를 개발했다고 13일 밝혔다. 최근 챗GPT나 딥시크등과 같은 초거대 언어 모델(LLM)이 주목받으면서 대규모 GPU 클러스터 운영과 최적화가 현안으로 떠올랐다. 그러나 이 같은 LLM은 수천에서 수만 개의 GPU를 활용한 학습이 필요하다. 특히, 학습 과정을 어떻게 병렬화하고 분산시키느냐에 따라 학습 시간과 비용이 크게 달라진다. KAIST와 삼성이 개발한 시뮬레이션이 이 같은 학습효율과 비용 문제를 개선했다. 연구팀은 병렬화 기법에 따른 통신 패턴을 효과적으로 표현하는 실행 그래프 생성 방법과 프로파일링 오버헤드를 최소화하는 연산 선별 기법을 개발했다. 이를 연구팀이 다중 GPU 환경에서 다양한 대형 언어 모델 학습 시간 실측값과 '브이트레인' 예측값을 비교한 결과, 단일 노드에서 평균 절대 오차(MAPE) 8.37%, 다중 노드에서 14.73%의 정확도로 학습 시간을 예측했다. 유민수 교수는 "기존 경험적 방식 대비 GPU 사용률을 10% 이상 향상시키면서도 학습 비용은 5% 이상 절감하는 것을 확인했다"고 말했다. 연구팀은 또 클라우드 환경에서 다중 테넌트 GPU 클러스터 운영 최적화와 주어진 컴퓨팅 자원 내에서 최적의 LLM 크기와 학습 토큰 수를 결정하는 문제와 같은 사례에서도 이 시물레이션 활용이 가능하다고 부연설명했다. 연구팀은 이 프레임워크와 1천500개 이상의 실제 학습 시간 측정 데이터를 오픈소스로 '깃허브'에 공개, AI 연구자와 기업이 이를 자유롭게 활용할 수 있도록 했다. 유민수 교수는 “프로파일링 기반 시뮬레이션 기법으로 기존 경험적 방식 대비 GPU 사용률을 높이고 학습 비용을 절감할 수 있는 학습 전략"이라고 덧붙였다. 연구 결과는 방제현 박사과정이 제 1저자로 참여했다. 과학기술정보통신부와 삼성전자가 지원했다.

2025.03.13 08:49박희범