2017 겨울 뉴스레터 by KAIST EE

학부동정

정세영 교수 연구실 배출 여성 박사 이시현

을 지낸 후, 스웨덴 KTH, Microsoft Research Lab, Los

김창익 교수 연구실 학생팀

포항공대 조교수 임용

Alamos 국립 연구소에서 연구원 생활을 거쳐서, 올해부터

2017 삼성화재 머신러닝 챌린지 최우수상 수상

기계학습 전공 분야 교수로 취임하였다. 우리 학부 정세영 교수 연구실 졸업생 이시현 박사가 포항공

우리 학부 김창익 교수 연구실 참가팀(은현준, 김종희, 김

대 전기전자공학과 조교수로 임용되었다. 2013년 2월 카이

진수 학생)이 삼성화재에서 대학원생을 대상으로 개최한

스트 박사학위 취득 후 2017년 2월에 부임하였으며, 정보이

유승협 교수 연구실 - 웨어러블, 스마트 전자종이

2017 삼성화재 머신러닝 챌린지에서 1위로 최우수상을 수

론 및 통신 분야를 맡아 후학을 양성하고 있다.

등에 활용 가능한 유연 플래시 메모리 개발

상하였다. 본 대회는 도로 표지판에서 한글을 검출 및 인식하 는 모델을 개발하여 인식 정확도 및 속도를 겨루는 대회로,

조규형 교수 연구실 배출 박사 Wanyuan Qu 중국 Zhejiang 대학 조교수 임용 우리 학부에서 박사학위를 받은 Wanyuan Qu 박사가 중국 항주에 위치한 저장 (Zhejiang) 대학교 전자공학과 조교수 로 올해 9월에 임용되었다. Qu 박사는 중국 북경에 위치한 북경우전대학교(BUPT) 전자공학과를 2006년에 졸업하고,

우리 학부 유승협 교수, 생명화학공학과 임성갑 교수 공동 연

최우수상은 참가한 60팀 중에 가장 높은 정확도와 가장 빠른

구팀이 유기물 기반의 유연하면서도 우수한 성능을 갖는 플

속도를 달성한 KAIST CIL팀에, 우수상과 장려상은 각각 고

래시 메모리를 개발해, 본격적인 웨어러블 전자기기 및 스마

려대, 서울대에 수여되었다.

트 전자종이 등의 개발에 기여할 수 있을 것으로 기대된다. 우리 학부 이승원 박사 (2017.2 졸업, 현 삼성전자 소속)와 문한얼 박사 (BK21 박사후 연구원)가 주도한 이번 연구는

유형준 교수 연구실 최용창 박사과정 학생

‘네이처 커뮤니케이션즈 (Nature Communications)’ 9월

ISOCC2017 Best Paper Award 수상

28일자 온라인 판에 게재됐다. 우리 학부 유형준 교수 연구실 최용창 박사과정 학생이 ISOCC

2006년 한국정보통신대학교(ICU) 공학부에 입학하여 이상

2017에서 “A Fully-Digital Phase Modulator with

국 교수 연구실에서 2008년에 석사과정을 마쳤다. 졸업 후

최경철 교수 연구실 배출 여성 박사 도윤선

대전에 소재한 실리콘웍스에서 근무하던 중, 2012년 우리

성단근 교수 2018년도 한국과학기술한림원

학부 조규형 교수 연구실에 박사과정을 입학하여, 2016년

정회원 선정

학위를 마쳤다.

경북대 조교수 임용 우리 학부 최경철 교수 연구실 졸업생 도윤선 박사가 경북대

김종환 교수 연구실 조상현 석사과정,

학교 IT대학 전자공학부 조교수로 임용되었다. KAIST 여성

이원형 박사

인재의 교수 임용은 흔치 않은 성과로 우리 학부 졸업생 중에 는 가장 최근 사례가 2005년 박사학위를 취득하고 수원대

IEEE SMC Best Student Paper Award

학교 정보통신공학과에 임용된 변희정(지도교수: 임종태) 박

우리 학부 김종환 교수 연구실 조상현 석사과정 학생과 이원

사이다. 도윤선 박사는 8년 만에 우리 학부에서 배출된 여성

형 박사가 10/5~10/8 캐나다 Banff에서 열린 IEEE Int'l

교수이다.

Conf. on Systems, Man, and Cybernetics (SMC) 학회에

이라는 주제로 Best Paper Award를 수상하였다.

우리 학부 성단근 교수가 2018년 한국과학기술한림원 정회 원으로 선정되었다. 신입회원패 수여식은 2018년 1월에 개

조동호 교수

최될 한림원 신년하례식에서 이루어질 예정이다.

2017년도 해동상 수상자 선정 우리 학부 조동호 교수가 2017년도 해동상 수상자로 선정되

조병진 교수 연구실 김승윤 박사과정 학생

었다. 시상식은 한국통신학회 송년회와 같이 12월 1일 개최되 었다.

제 12회 반도체 장학생 선정 최성율 교수 Advanced Funtional Materials 학술지

서 "Implementation of Human-Robot VQA Interaction

Cover 논문 게재

System With Dynamic Memory Networks"라는 주제로

최양규 교수 연구실 배학열 학생과

Phase Calibration Loop for High Data-Rate Systems”

Best Student Paper Award를 수상하였다.

우리 학부 최성율 교수 연구실과 생명화학공학과 임성갑 교

최성율 교수 연구실 장병철 학생 공동 연구

수 연구실이 공동으로 수행한 연구가 Advanced Functional

Nano Letters 게재

Materials에 11월 17일자 Front Cover 논문으로 게재되었

우리 학부 최양규 교수 연구실 배학열 박사과정 학생과 최성 율 교수 연구실 장병철 박사과정 학생이 공동으로 개발한 멤 리스터 기반 직물형 비휘발성 로직 컴퓨팅회로 제작에 관한

학부/석사/박사 졸업생 윤세영 박사, KAIST 산업 및 시스템공학과 조교수 임용

다. 해당 논문 주제는 ‘이차원 소재를 이용한 초저전력 비휘 발성 유연 메모리 기술’ 이며, 저자는 우명훈 석사졸업생 (공 우리 학부 조병진 교수 연구실 김승윤 박사과정 학생이 한국

우리 학부에서 학부/석사/박사학위를 받은 윤세영 박사

반도체산업협회 주관 제12회 반도체 장학생 수여식에서 어

연구가 ‘Functional Circuitry on Commercial Fabric via

가 KAIST 산업 및 시스템공학과 조교수로 올해 9월부터

플라이드머티어리얼즈코리아㈜ 장학생으로 선정되었다. 본

Textile-Compatible Nanoscale Film Coating Process

임용되었다. 윤세영 박사는 우리 학부 조동호 교수 연구실

수여식은 제9회 반도체의 날을 맞아 10월 26일 (목) 코엑스

for Fibertronics’라는 주제로 Nano Letters에 게재되었다.

에서 박사를 마치고, 이융 교수 연구실에서 박사후 연구원

인터컨티넨탈 호텔에서 진행되었다.

동 제1저자, 현 삼성전자 연구원), 장병철 박사과정 학생 (공 동 제1저자), 최준환 박사과정 학생(공동저자), 임성갑 교수 (공동저자), 최성율 교수(교신저자)이다.

최호용 기자 chy0707@kaist.ac.kr

신임 교수님 소개 신임교수님 인터뷰 정재웅 교수님

와 공동연구를 통해 다양한 Bioelectronics를 개발하고

로 생각하고 격 없이 소통하는 분위기, 실패를 두려워

있습니다.

하지 않고 도전할 수 있는 랩 분위기를 만들고 싶습니

제 연구 분야는 전자, 기계, 재료, 의공학· 의과학이 함

이번 EE Newsletter 겨울호에서는 곧 KAIST 전기 및 전자공학부 (이

께 쓰이는 융복합 학문입니다. 각종 생체재료 및 디바이

하 전자과)에 부임하실 정재웅 교수님을 인터뷰하였다. 정재웅 교수님

스-신체 조직 사이의 Bio-interface에 대한 기초를 알

은 현재 전자공학과 재료공학이 어우러진 분야인 Soft Bioelectronics

아야 할 뿐만 아니라, 특정 생체신호 측정 및 제어를 위

를 연구하고 있다. 이번 인터뷰를 통해 교수님이 연구분야와 교수님께

한 응용도 알아야 합니다. 전통적인 전자공학의 영역을

서 가지고 계신 교수상에 대해 들을 수 있었다.

넘어 다양한 분야의 지식을 접목하고 활용하는 융합 연 구에 관심이 있는 학생들과 바이오메디컬 디바이스 개발

Q A

교수님의 간단한 자기소개를 부탁드립니다.

다.

과 활동이 있나요?

니다. 추후 기회가 된다면 Soft Bioelectronics 수업

니다.

을 개설해서 유연 · 신축성 바이오 디바이스 디자인 및 공정에 대한 강의를 해보고 싶습니다. 그리고 학부생 들의 연구 참여를 장려하고 이 부분에서 도움을 주고

싶습니다. 공학에선 수업을 통해 얻는 지식 못지않게,

KAIST 전자과에 부임하신 이유는 무엇인가요?

배운 것들을 실제 문제에 적용하고 응용할 수 있는 능

로그램에서 조교수로 일하고 있고, 올 12월 말 학교를 옮겨

Q&A

KAIST 전기 및 전자공학부(이하 전자과)에 부임할 예정입니

다음 학기에는 MEMS 전자공학을 강의하게 되었습

에 관심 있는 학생들에게 우리 연구실을 추천하고 싶습

안녕하세요, 반갑습니다. 정재웅이라 합니다. 저는 현재 University of Colorado Boulder 전자공학 · 재료공학 프

맡고 싶으신 과목이나 참여하고 싶으신 전자

력이 아주 중요합니다. 이 부분에 도움을 줄 수 있도록

많은 교수님이 그러신 것처럼 석박사 과정과 박사후 과

다. Stanford University 전자공학과에서 석박사 과정을 마

정을 통해, 연구에 대한 재미를 느꼈고, 제 경험과 지식

치고, University of Illinois, Urbana Champaign 재료공학

을 공유하는 것에 대해 보람을 느껴 학계에 발을 들이게

과에서 박사후 연구원으로 일한 후, 현재 대학에서 3년 동안

되었습니다. 미국에서 약 3년간 교수 생활을 하면서 미

Soft Bioelectronics 관련 연구실을 운영해오고 있습니다.

국의 연구 · 교육 시스템에 대해 많은 것을 배울 수 있었

연구에 관심 있는 많은 학생들이 연구실에서 실제 프 로젝트를 수행하고 배움의 기회를 가질 수 있도록 도 와주고, 또 학생들과 직접적인 교류를 통해 학업 및 진 로에 대해 멘토링을 제공하고 싶습니다.

고, 또 세계 각국에서 모여든 연구원 및 학생들과 같이 정재웅 교수님

즐겁게 연구하는 행운도 누렸습니다. 미국 생활이 가지

교수님의 연구 분야에 대한 소개를 부탁드립니다.

는 나름의 장점들도 있겠지만, 그래도 저는 우리나라 학

은 어떤 것이 있나요?

생들과 함께 배우고 연구하는 것이 더욱 보람찰 것이라

저는 우리 몸에 적용하여 각종 질병 진단, 치료를 돕

는 기대와 믿음이 있어 이직을 결심하게 되었습니다. 특

고 나아가 바이오 · 의료 분야의 연구에 활용할 수 있는

히 KAIST 전자과의 우수한 학생들, 훌륭한 교수님들과

Bioelectronics를 연구하고 있습니다. 먼저, 부드럽고 신축

함께 교류하고 연구할 기회를 얻게 되어 여러 방면으로

성이 있어 신체의 동작에 따라 역동적으로 움직이는 우리 신

감사하게 생각하고 있습니다.

체 조직과는 달리 일상생활에서 쓰이고 있는 전자기기들은

교수님은 앞으로 어떤 랩을 만들고 싶으시고 어 떤 교수님이 되고 싶으신가요?

디바이스 및 시스템을 개발하고 있습니다. 또한, 전자공학 의 기술을 이용한 각종 디바이스의 디자인 및 마이크로· 나 노 공정 설계와 새로운 생체용 재료를 연구해 새로운 형태의

기회가 닿는 대로 다양한 경험에 도전하고 다양한 분 야의 사람들과 교류하라고 말해주고 싶습니다. 대학 생활 중 하는 새로운 경험과 교류가 생활에 신선한 자 극이 되고 세상을 넓게 보는 데 큰 도움이 되는 것 같 습니다. 그게 취미 활동이든, 여행이든, 해외 연수든

너무 딱딱하고 모양이 정해져 있습니다. 이를 극복하기 위해 우리 연구실에서는 유연하면서도 신축성 있는 바이오 전자

KAIST 전자과 학생들에게 해 주고 싶으신 말

저는 융합 학문을 통해 단순히 발명을 넘어 바이오메디

바이오메디컬 디바이스를 연구할 수 있는 기반을 닦고 있습

컬 분야의 혁신을 가져올 수 있는 연구를 하는 연구실을

니다. 그리고 몸 외부에 착용할 수 있는 Wearable 디바이

만들고 싶습니다. 기존에 존재하지 않았던 새로운 기술

스와 신체 내부에 이식될 수 있는 Implantable 디바이스를

의 발명이 반드시 혁신으로 이어지는 것은 아닙니다. 새

시스템 레벨로 구현하는 연구도 하고 있습니다. 이들을 통해

롭게 연구하고 개발한 기술이 관련 분야에 실용적으로

최종적으로 뇌, 심장, 피부를 중심으로 바이오· 의학 분야에

적용되고 긍정적인 변화와 획기적인 솔루션을 제공할 때

서의 기초 연구와 건강증진에 기여할 수 있는 전반적인 기술

비로소 혁신이라 불릴 수 있습니다. 바이오· 의료 분야에

을 개발 하는 것이 목표입니다. 현재는 미국 워싱턴대 의대

서의 혁신을 일으키는 연구실을 위하여 늘 열린 마음으

자신이 속한 그룹이나 일상생활에서 벗어나 새로운 시 도를 해보았으면 합니다. 특히 이런 것들은 대학생이 아니면 할 수 없는 것들이 많기에 시간이 지나기 전에 과감하게 도전해보면 좋겠습니다.

바쁘신 와중에도 귀한 시간을 내어주신 교수님께 다시 한번 감사의 말씀을 드립니다.

김태수 기자 ehqua0104@kaist.ac.kr

스마트폰 X : 10년을 이끈 혁신기술 스마트폰 10년을 이끈 혁신 기술들 10년 전, iPhone이 처음으로 세상에 나왔습니다. 그 이후 10년 동안 애플의 iPhone을 비롯해 삼성의 갤럭시, LG의 G 시리즈 등이 스마트폰 시장의 선두에 서서 스마트 시대를 이끌었습니다. 이제 우 리에게 있어서 스마트폰을 필두로 한 스마트 디바이스들은 필수불 가결한 존재로 자리 잡고 생활 곳곳에 들어와 있습니다. 이런 스마

2) 더욱 빨라진 통신 기술

트 시대로의 변화는 혁신적인 기술들을 통해 이루어졌는데, 이번 기

스마트 디바이스에 있어서 통신기술은 스마트 디바이스가 ‘스마트’한 가장 큰 이유라고 할 수 있습니다. 휴대폰의 통

사에서는 그 중 네 가지 기술, 터치 인터페이스, 통신 기술, 소형화

신기술은 아날로그(1G), 디지털(2G), 데이터통신(3G)에 이어 광대역 모바일 네트워크(4G)로 진화해왔습니다. 1세대

기술, 카메라 모듈에 대해 정리하고 소개하려고 합니다.

이동통신에서는 음성 통화만 가능했다면, 2세대 이동통신에서는 문자 메시지가 가능해졌습니다. 3세대 이동통신부

(이 기사는 2017년 기준으로 작성되었습니다.)

터는 유심(USIM)칩이 사용되기 시작했고, 동시에 영상통화는 물론 인터넷까지 사용할 수 있게 되었습니다. 3세대 이 동통신 끝자락에는 무제한 데이터 상품이 생기면서, 무선 데이터 트래픽이 급격히 증가하였습니다. 이로 인해 지금 쓰 이고 있는 LTE(Long Term Evolution)라는 새로운 기술 표준이 등장하는 4세대가 시작되었습니다. 4세대는 3세대와

1) 직관적인 터치 인터페이스 스마트 디바이스의 특징을 논하자면, 가장 먼저 입력 버튼 없이 터치만으로 구성된 터치 인터페이스를 꼽을 수 있 을 것입니다. 20세기 중반 마우스를 이용한 GUI(Graphic User Interface)가 세상을 바꾸었듯이, 터치 인터페이스 는 21세기의 스마트 시대에 새로운 변화들을 가져왔습니다. 기존 핸드폰의 디스플레이는 정보를 보여주는 기능만 가지고 있었고, 모두 버튼을 이용하여 입력하였습니다. 하지만 스마트폰이 생기면서 화면을 통해 정보를 입출력하 게 되었고, 키패드 버튼이 사라지면서 화면의 크기가 더욱 커지게 되었습니다. 추가로 멀티터치 기능으로 화면을 스 크롤하고 확대, 축소하는 등의 더욱 다양한 기능들을 편리하게 사용하게 되었습니다. 손가락으로 화면을 터치하면

는 달리 빠른 속도를 이용하여 사용자들이 자유롭게 영상 감상과 전송을 할 수 있게 되었습니다. 현재 활발한 연구가 진행 중인 다음 통신 기술은 5G입니다. 5G의 세 가지 주요 특징은 초고속, 초저지연, 초연결입 니다. 5G에서는 지금 널리 사용 중인 LTE 기술보다 20~50배 이상 더 빠른 통신이 가능하게 됩니다. 또한, 스마트폰 에서 보낸 데이터가 기지국, 교환실, 서버 등을 거쳐 다시 스마트폰으로 돌아오는데 걸리는 지연시간이 매우 짧아지게 됩니다. 이로 인해 더 많은 기기의 빠른 동시 접속이 가능해지고 자연스레 더 많은 정보가 모여 이를 바탕으로 세상의 정보들이 더욱 높은 활용성을 가지게 됩니다. 이러한 기술은 결국 우리 세상의 속도를 더욱 빠르게, 그리고 스마트하 게 바꿀 것입니다.

정교함이 부족하고 화면을 많이 가리게 된다는 단점이 있는데, 이를 보완하기 위해 삼성 갤럭시 노트 시리즈에서는 터치펜을 도입하기도 하였습니다. 스마트폰에 펜이 추가되면서 연필을 사용하는 듯한 필기감을 느낄 수 있게 되었

3) 혁신적인 소형화 기술

습니다. 스마트 디바이스는 투박하고, 느리며, 빨리 배터리가 닳던 과거에서 얇고, 가벼우며, 빠르고 오래가는 현재에 이르렀 이러한 터치 인터페이스는 대부분 정전식 터치 방식을 사용하고 있습니다. 액정 유리에 전류가 흐르도록 하고 손가

습니다. 이를 가능케 한 것이 바로 소형화 기술입니다. 가볍고 오래가는 배터리와 여러 칩셋들의 소형화에 성공하면서

락이 화면에 닿으면 터치 센서가 이를 감지해 입력을 받습니다. 여기서 멈추지 않고 더 개발된 3D 터치 방식은 사용

디바이스의 크기 또한 혁신적으로 작고, 얇으며 가벼워졌습니다. 또한, 중력 센서나 NFC 칩 등의 다양한 기능이 소형

자의 터치 세기를 인식해서 가볍게 누를 때와 강하게 누를 때에 다르게 동작하는 보다 발전된 터치 방식입니다. 이를

화되어 스마트폰의 다채로운 사용성을 보장하게 되었습니다. 특히 이 소형화 중 가장 큰 두 기술은 스마트 디바이스의

이용해서 터치 동작 한 번에도 다양한 기능이 있도록 발전되었습니다. 또한, 홈버튼을 터치 방식으로 바꾼 스마트폰

CPU와 같은 역할을 하는 AP, 스마트폰 퍼포먼스의 원동력이자 디바이스 크기의 반 가량을 차지하는 배터리의 발전에

의 경우에는 햅틱 반응 기술을 적용해서 터치함으로써 마치 물리 버튼을 누른 것과 같은 느낌이 들도록 진동하는 기

있다고 할 수 있습니다.

술도 개발되었습니다. AP(Application Processor)는 스마트폰을 비롯한 스마트 디바이스의 메인 칩으로, PC의 CPU와 같은 중앙처리장

기존에는 터치 센서를 이용하여 잠금 패턴을 그려 스마트폰의 잠금을 해제하였는데, 지문 인식 센서가 스마트폰에

치의 기능은 물론, 모바일 운영체제를 구동하고 여러 장치나 인터페이스를 제어하는 기능까지 담당하는 만능칩이라고

탑재된 이후, 더욱 간단하게 잠금을 해제할 수 있게 되었습니다. 지문인식은 에어리어 방식과 스와이프 방식으로 나

할 수 있습니다. AP의 소형화는 주로 트랜지스터 사이의 선폭을 줄이는 것으로 이루어지는데, 2007년 첫 iPhone에

눌 수 있습니다. 에어리어 방식은 센서에 손가락을 대면 인식이 되는 방식이고, 스와이프 방식은 손가락으로 센서를

사용된 AP는 90nm 공정이었던 반면, 현재 삼성 갤럭시 S8에 사용되는 AP는 10nm 공정으로 눈부신 발전을 이루었

훑어 내리는 방식을 말합니다. 위와 같은 터치 인터페이스 관련 기술의 발전으로 사용자들은 더욱 쉽고 직관적으로

습니다. 그뿐만 아니라, AP의 발전은 성능과 전력효율은 높이고 발열량은 줄이는 등 다양한 기술을 통해 더욱 쾌적한

스마트폰을 사용할 수 있게 되었습니다.

스마트 디바이스 환경을 제공하고 있습니다.

유종원 교수님 연구실 인터뷰 카이스트 전기 및 전자공학부(이하 전자과) 유종원 교수님의 RFSS Lab(Radio Frequency Sensor System Laboratory) 연구실에서는 미래 무선 통신 환경에 대비해 더 욱 효율적이고 안정적인 RF 시스템을 연구하고 있다. RF란 전자기파 주파수대역을 이용한 무선 장비 설계 및 공학적 연구 분야를 일컫는 말로, 점차 다양한 전파를 응용함에 따라 각 주파수 대역에 맞는 RF 시스템 연구가 중요해지고 있다. 이번 EE Newsletter에서는 유종 원 교수님 연구실을 찾아가 인터뷰하였다.

4) 전문적인 카메라 모듈

안녕하세요. 교수님과 연구실에 관해서 소개 부탁드립니다.

RF 연구에 대한 자세한 설명과 연구 분야 의 전망이 궁금합니다.

스마트 디바이스가 대세가 되면서 우리의 일상생활에 큰 변화를 가져온 점이 하나 있습니다. 바로 사진 생활입니다. 스마트폰에 들어온 카메라들이 훌륭한 사진들을 제공해주기 시작하면서 사람들은 너도나도 사진으로 일상을 기록하고

안녕하세요. 저는 유종원이라고 합니다. 카이스트 전

처음에는 주로 저주파 대역에 대한 시스템 연구를 진

이를 SNS 등을 통해 사람들과 공유하는 문화가 트렌드가 되었습니다. 이런 트렌드의 바탕에는 당연히 이전의 휴대폰

자과 88학번으로, 3회 졸업생입니다. 카이스트에서 학

행했습니다. 100kHz 대역의 무선충전기, NFC 기능

카메라보다 훨씬 발전된, 프로페셔널한 카메라 모듈이 있습니다.

사, 석사, 박사를 모두 마치고 1998년에 박사 졸업 후

에 쓰이는 MHz 대역의 RFID, 자동차 오디오에 쓰이는

삼성전자에서 1년 반 정도 일했습니다. 그 후 벤처 기업

RF 시스템 등을 연구했습니다. 시간이 지난 후에는 조

현재의 최신 스마트폰에 들어가는 카메라 모듈은 단지 ‘폰카’로 치부하기에는 너무나도 뛰어난 기능들을 갖추고 있습

에서 일하다가 텔슨이라는 미국 회사에서 4년 정도 근

금 더 높은 대역의 방송주파수나, GHz 단위의 이동통

니다. 그 예로 1,000만 화소를 넘는 CIS(CMOS Image Sensor)를 기본으로, F/2.0 이하의 렌즈, 듀얼 카메라와 손 떨

무했습니다. 회사에서는 주로 핸드폰 단말기를 만드는

신 주파수 대역 관련 시스템을 연구해왔습니다. 최근에

림 방지 기술 등 기성 카메라에 들어가는 뛰어난 기술들이 바로 그것입니다. 첫 스마트폰이 나왔을 때는 CIS가 100만

일을 해왔습니다. 그 후 2004년에 카이스트 전자과로

는 30~300GHz 대역인 밀리미터파가 주목을 받고 있

화소를 간신히 넘겼을 뿐, 당시의 피처폰들과 카메라 모듈이 크게 다른 점이 없었습니다. 하지만 10년이라는 시간이 흐

와서 지금까지 RF 시스템을 연구하고 있습니다.

는데, 5G 이동 통신이나 군사 레이더에 활용 가능한 안

르면서 CIS는 회로 집적도의 증가와 함께 1,000만 화소를 넘나드는 화소 수를 가지게 되었고, 고감도 촬영에서도 월등 한 기능을 자랑하게 되었습니다. 또한, 렌즈의 광학 성능 면에서는 iPhone 3을 비롯한 초기 스마트폰에는 주로 초점을 변경할 수 없고 조리갯값이 무척 작은 렌즈가 들어갔으나, 현재는 F/2.0 이하의 초점이 조정 가능하며, 광학적 성능 또 한 뛰어난 렌즈가 사용되고 있습니다. 이는 카메라 렌즈에 다중 렌즈를 사용하고 비구면 렌즈를 적용하는 기술의 발전 덕분이며, 이에 더해 듀얼 카메라는 작게 설계되어야 하는 스마트폰 카메라 모듈의 문제점을 극복하고 더 많은 기능을 가능케 하는 기술입니다. 이렇듯 카메라 모듈 또한 10년이라는 시간 동안 다양한 방면으로의 기술 혁신을 통해 지금에

제가 학생일 때만 하더라도 RF에 대한 사람들의 관심 이 크지 않았습니다. 하지만 요즘에는 휴대폰을 비롯 한 무선기기가 점차 보급되고, 이동 통신의 연구가 활

테나 및 시스템 설계를 하고 있습니다. 무선 통신 연구 와 더불어 수백 Gbps의 고속 데이터 전송이 가능한 유 선 통신 연구 또한 그 필요성을 느끼고 준비 중입니다.

발해지면서 RF 연구도 많이 이루어지고 있습니다. 다 른 학교에서는 전파 공학과가 따로 분류되어 생길 정도 로 지금은 중요한 학문 분야가 되었습니다. 우리 연구실

이르렀습니다.

은 이러한 기존 연구를 더욱 확대하고, 더 높은 고주파 이미 스마트폰은 우리의 일상 깊숙이 자리 잡았고, 이를 넘어서서 우리 일상의 변화를 이끌었습니다. 스마트 디바이스

에서 응용 가능한 새로운 RF 시스템을 발굴하는 연구를

가 대중화된 이후, 사람들은 대중교통이나 카페, 공공장소와 길에서도 계속 스마트 디바이스를 사용합니다. 대형매장

하고 있습니다. 즉, 무선 통신 환경에 맞춰 다양한 전파

계산대 앞에서 자주 보이던 풍선껌들은 최근 10년간 그 매출이 15% 넘게 줄었다고 하는데, 이는 사람들이 계산대 앞

를 어떻게 응용할 것인지, 응용에 맞춰서 안테나 설계나

에서 풍선껌이 비치된 판매대를 이용하지 않고 스마트 디바이스를 보게 되었기 때문입니다. 그뿐만 아니라, 카카오톡,

RFIC(Radio Frequency Integrated Circuit) 디자인은

페이스북, 인스타그램 등의 SNS 시장이 스마트폰의 활용과 함께 커졌으며, 뛰어난 성능의 스마트폰 카메라를 활용해

어떻게 해야 하는지, 어떤 분야를 새롭게 개발해야 하는

사진을 어디에서나 찍고 이를 SNS에 쉽게 공유하기도 합니다. 어느새 우리의 삶에 들어와 완전히 자리 잡아버린 스마

지 등 큰 그림을 그리는 곳이라고 할 수 있습니다. 최근

트 디바이스, 그 속에 숨겨진 기술들의 혁신은 앞으로도 계속 진행되며 지속해서 우리의 일상을 바꿔놓을 것입니다.

에는 위상배열 안테나 시스템, 무선 충전 시스템, 초지 향성 나노 안테나, 5G 안테나 등을 중점적으로 연구하 고 있습니다.

김정효 기자 wjdgy3746@kaist.ac.kr

조하연 기자 pioneerchy@kaist.ac.kr

RF는 모든 곳에 쓰이는 기초적인 분야로서, 전자공학

하고 있습니다. 현재 산업 인력들은 체계적인 시스템하

의 핵심입니다. 현재 전자공학은 소프트웨어를 중심으

에 잘 운영되지만, 연구 인력은 턱없이 부족하여 실질적

로 발달하고 있습니다. 과거에는 소니, 인텔, 퀄컴, 삼성

인 연구는 진행이 잘 안 되고 있습니다. 그래서 학생들

등 하드웨어 회사가 흥했는데, 지금은 애플, IBM, 구글

이 학위 취득 후 산업체에서 경험을 쌓더라도 다음에 연

카이스트에서 10년 있다가 학교를 벗어나 여러 곳에

등 소프트웨어 회사가 세계를 선도하고 있습니다. 하지

구소나 학교로 돌아와서 연구를 계속하길 바라고 있습

서 직장 생활을 하며, 카이스트 전자과 학생들은 어디에

만 소프트웨어와 하드웨어는 약 10년 주기로 번갈아 가

니다.

있더라도 세계적으로 경쟁력 있고 우수한 학생들임을

며 발전을 합니다. 소프트웨어가 발전하다 보면 하드웨

신의 주춧돌이 될 것으로 여겨집니다. 지금 활발히 연구

씀이 있으신가요?

업에서 선배들이 훌륭한 모습을 보여주고 있습니다. 여

되는 AI, GPU 등도 하드웨어 간의 데이터 통신 속도 상

RF에 관심이 있는 전자과 학생들이 연구

러분들도 시간이 지나면 자연스럽게 그 위치에 가 있을

실로 들어오기 위해 준비해야 할 것들이

것이고, 학교의 명성을 이어갈 것입니다. 그러니 카이스

있다면 어떤 것이 있는지 궁금합니다.

트 전자과에 소속되었다는 자부심을 느끼고 끝까지 공

승이 수반되어야 하는데, 이는 결국 RF와 관련된 문제 입니다. 즉, 어느 분야를 연구하든 RF 관련 지식은 꼭 갖

학부생들에게 마지막으로 하고 싶으신 말

많이 느꼈습니다. 이미 삼성, LG, 퀄컴 등 손꼽히는 기

어가 부족함을 느끼고 하드웨어가 발전하는 사이클이 다시 오지 않을까 생각합니다. 이때 RF가 하드웨어 혁

부를 이어나갔으면 좋겠습니다. 저는 RF 분야에 정말 관심이 많고 고주파 환경에서 어 떤 일이 일어나는지 궁금해하는, 전자공학을 사랑하는

그래서 저는 가능한 한 모든 학부생이 석·박사까지 했

마음가짐이 있는 학생을 원합니다. 학문적인 부분은 중

으면 하는 바람이 있습니다. 저는 학부생 시절 나이도

요하지 않습니다. 학교 분위기 속에서 살아남기만 해도

어렸고 목표가 무엇인지도 잘 몰랐으며, 그저 고등학교

연구실 활동, 분위기, 그리고 졸업생들의

저절로 어느 정도 수준까지 올라가기 때문에 모두가 능

의 연장선으로 공부를 해왔습니다. 하지만 석·박사를

릴 수 있었습니다. 지금은 이런 가이드가 부족해서 학생

진로는 어떻게 되는지 궁금합니다.

력은 충분합니다. 관련 지식은 연구실에 들어온 후에 배

하면서 공부를 본격적으로 하는 느낌이 들었고 뭘 해야

들의 고민이 커지는 것 같아 안타깝습니다. 진로에 대해

워도 늦지 않습니다. 다만, RF 분야는 머신러닝, AI와 같

하는지 알게 되었습니다. 이 바람은 뛰어난 학업 능력을

가이드를 잠깐 해주자면, 카이스트 출신 동문 중에서는

우리 연구실은 제가 학생들과 면담을 진행하기는 하지

이 요즘 떠오르는 분야는 아니기 때문에, 들어오기 전에

가진 학생들이 국가를 위해 계속 연구를 해줬으면 하는

대기업 연구원부터 벤처 기업인, 법조인까지 다양합니

만 학생들을 직접 선발하지는 않고, 대신 기존의 연구실

정말 이 분야에 도전할 수 있을지 충분한 고민을 하시길

마음 때문이기도 합니다. 설령 학문이 내 길이 아니라고

다. 창업의 경우 카이스트 출신에게는 학교 이름 하나만

학생들이 신입생들을 직접 뽑습니다. 대학원 생활에서

바랍니다.

생각이 되더라도, 일찍 포기하지 말고 대학원 진학을 일

으로 투자가 쉽게 주어지기도 합니다. 그만큼 학교의 영

단 해본 후 고민하는 것도 좋을 것입니다.

향력이 크며, 또 나라에서 카이스트 출신 학생들에게 기

춰야 한다고 볼 수 있습니다.

는 저와 함께하는 시간보다 선후배들이 함께 연구하며 지내는 시간이 더 많기 때문입니다. 그러므로 저보다는 선배들을 보고 연구실에 오기를 권장합니다. 저는 직장 생활을 하면서 카이스트 사람들은 대체로 타인에게 소 홀하며 차갑다는 말을 많이 들었습니다. 저 또한 카이스 트 대학원 생활을 해왔기에, 이 점에 어느 정도 공감을 했고, 이를 극복하는 방법은 선후배 간의 끈끈한 유대감 이라고 생각했습니다. 그래서 연구실 분위기도 연구실 선배들이 주도하도록 했는데, 지금까지 별다른 문제는 없었고 친목 활동, 단합행사도 주기적으로 잘 이루어지 고 있습니다. 홈커밍데이 참석률도 매우 좋습니다. 졸업생 대부분은 대기업이나 국책연구소의 RF 및 이 동통신 관련 분야로 진출합니다. 교수 초기에 저는 학생 들에게 졸업 후 산업체에서 역량을 펼치는 것을 추천했 었지만, 최근에는 연구소에 가거나 교수가 되는 것을 권

20년 전, 제가 연구실을 선택했을 당시에도 RF는 비

대하는 바가 크다는 것이죠.

주류 분야였고, 인공지능 분야가 가장 인기가 많았습니

또 각자 자신만의 분야를 갖고 그 분야의 전문가가 되

다. 다만 무선기기가 보편화 됨에 따라 RF 분야에 대한

고자 하는 자세도 필요합니다. 다방면의 지식은 시간이

항상 같은 사람들과 경쟁하며 살아가다 보니 자신이

수요가 커지면서, 저를 비롯한 대학원 동기들 모두 지금

지난 후에 차츰차츰 쌓아나가면 됩니다. 하지만, 특정

얼마나 높은 봉우리에 있는지 모르는데, 여러분들은 모

은 교수로서 후진을 양성하고 있습니다. RF 분야에 대

분야만큼은 내가 남들보다 더 많이 알고, 전문성을 발

두 대단한 공부 능력을 갖춘 분들이고, 또 공부를 많이

한 확신과 전자공학에 대한 열정이 있는 학생들을 환영

휘할 수 있는 것이 중요합니다. 남들이 알아주지 않더라

하는 환경에 있습니다. 기죽지 말고 자신의 재능과 학교

합니다.

도, 그 분야가 좁더라도 괜찮습니다. 자신의 분야를 확

에서 쌓은 밑거름을 토대로 꿈을 자신 있게 펼치길 바랍

립하는 과정에서 자신감을 느끼게 될 것이고, 이것이 다

니다.

음에 공부나 연구를 할 때 큰 원동력이 될 것입니다. 앞으로 무엇을 해야 할지 방황하는 학부생들에게는 앞 서 언급했듯이 여러분들은 정말 대단한 학생들이며, 뭘

바쁘신 와중에도 귀한 시간을 내어주신 교수님께 다시

해도 성공할 수 있는 잠재력을 가졌다는 메시지를 전하

한번 감사의 말씀을 드립니다.

고 싶습니다. 학교 분위기상 학생들이 졸업 후 몰려가듯 대학원을 가는 편이며, 저 또한 그랬습니다. 하지만 제

김찬 기자 yellowson200@kaist.ac.kr

지도교수님께서는 어떻게든 저를 박사까지 만들어주겠

조현영 기자 claire514@kaist.ac.kr

다며 끝까지 이끌어주었고, 그래서 저는 앞만 보고 달

노베이스 한 시간 컷 알파고 마스터

예를 들어서 우리가 ‘된장찌개 만드는 법’을 학습하는 건 어렵지 않다. 이미 명문화된 레시피가 있기 때문이다. 하 지만 ‘장모님이 좋아하는 된장찌개 만드는 법’은 어떻게 학습해야 할까? 특정한 방법이 없기 때문에 계속 만들어보 며 장모님께 평가를 받아야 한다. 평가 후 반성도 필요하다. ‘엊그제는 소금 세 숟갈을 넣었는데 짜다고 하셨고 어제 는 한 숟갈을 넣었는데 싱겁다고 하셨으니까 오늘은 두 숟갈 넣어봐야겠다’ 같이 말이다. 즉, 만들어보는 시도와 평 가, 피드백을 통한 반성. 이 두 가지가 학습의 핵심이라고 할 수 있다. 기계 역시 마찬가지로 머신러닝을 위해서는 훈 련 데이터(만들어보는 시도와 평가), 학습 알고리즘(반성)이 핵심이다. 머신러닝은 훈련 데이터의 종류와 학습 알고 리즘에 따라, 크게 지도학습, 비지도학습, 강화학습 세 가지로 분류할 수 있다. 먼저 훈련 데이터에 평가가 있는 경우를 지도학습이라 한다. 이는 이미 답을 아는 훈련 데이터에서 함수를 구하는

2016년 3월 초, 알파고와 이세돌의 대국이 펼쳐졌다. 결과는 4:1로 알파고의 대승. 모두가 한 입으로 이세돌

게 목적이고, 이 함수는 어떤 보지 않은 인풋에 대한 결과를 예측하는 함수를 말한다. 이 결과에 따라서도 두 가지로

의 승리를 점쳤던 것과는 달리, 이세돌이 알파고에 1승을 거둔 게 기적일 정도로 경기가 압도적으로 진행되었

분류할 수 있는데 결과가 이산적인 값이라면 분류, 연속적인 값이라면 회귀라고 부른다. 분류는 스팸메일 처리기처

고, 이는 우리에게 큰 충격으로 다가왔다. 그 이후에도 알파고는 커제 등의 세계 최고의 기사들을 상대로 단 1패

럼 예, 아니오의 이산적인 값을 출력하는 프로그램 등이 해당되는 분야이고, 회귀는 주식가격예측같이 연속적인 값

도 내주지 않으며 74전 73승 1패의 기록을 남기고 올해 5월 은퇴하였다. 그러나 이후 전 세계에 적수가 없다던

을 출력하는 프로그램을 만들 때 사용한다.

알파고를 상대로 100전 100승을 거둔 알파고 제로가 또 등장했다. 알파고 제로의 개발과 논문 제출은 올해 4월 완료되었고, 이세돌과의 대결은 작년 3월이었으니, 단 1년 만에 이런 극적인 성장을 이루어낸 것이다. 수 천년동

지도학습에서 사용되는 알고리즘은 대표적으로 분류에 k-Nearest Neighbors(k-NN), Support Vector Machine, Decision Tree가 있고, 회귀에 Linear Regression, Logistic Regression이 있다.

안 쌓아온 바둑에 대한 인류의 지식과 지혜를 신선놀음하듯이 가볍게 부숴버린 알파고, 그 이후로 사람들은 인공

훈련 데이터에 평가가 없는 경우를 비지도학습이라 한다. 따라서 평가를 보고 입력에 따른 결과를 만들기보단 데이

지능에 대해 막연한 두려움을 가지기 시작했다. 그러나 카이스트 전자과 학생들이라면 잘 모르고 두려워하는 것

터를 그룹화해 어떤 그룹 간의 규칙을 찾는 것이 목적이다. 예를 들면, 사람들의 사진을 주고 나이별로 나누는 문제

보다는, 본 기사를 통해 알파고가 무엇인지 우선 알아보고 더 나아가서 어떻게 사용할 수 있을지 생각해보는 것

등이 있을 수 있는데, 이를 군집화(clustering)라고 한다. 여기에 사용되는 알고리즘은 clustering, K means, PCA

이 바람직해 보인다. 이번 EE Newsletter 겨울호에서는

알파고와 알파고 제로에 대해 정리해보았다.

(이 기사는 2017년 기준으로 작성되었습니다.)

등이 있다. 마지막으로 지도학습, 비지도학습과는 확연히 다른 강화학습이 있다. 강화학습은 행동에 따른 보상이 주어지고, 보 상을 최대화 하는 일련의 행동들을 구하는게 목적이다. 강화학습은 게임과 같이 이기고 지는 것이 명확한 경우에 사 용하기 좋다. 알파고를 학습시킬 때도 강화학습을 핵심적으로 사용하였다.

Chapter 1. 머신러닝의 기본 이해 알파고에 대해서 알기 위해서는 우선 알파고가 사용하고 있는 머신러닝에 대해 기본적으로 어느 정도 알아야 한다. 이번 챕터에서는 머신러닝이 어떤 것인지, 또 어떤 종류의 머신러닝이 있는지 알아보고자 한다. 머신러닝의 사전적 정의는 프로그래밍을 명확하게 하지 않고도 컴퓨터에 학습하는 능력을 부여하는 기술이다. 예를 들어, 바닥의 선을 따라가게 만든 자동차 같은 경우에는 분명히 우리 생각대로 움직이지만, if-else문으로 명확하게 프로그래밍 되어 움직이기 때문에 머신러닝으로 생각하기 힘들다. 머신러닝의 핵심은 기계가 아니라

우리는 어떻게 걷는 법을 배웠을까? 소파를 잡고 조금씩 걸어보다, 나중에는 지지할 것이 없는 바닥에서 넘어지며 배웠다. 강화학습도 이와 유사하게 해석할 수 있다. 어떤 ‘환경’(소파 있는 거실, 방바닥)에서, ‘에이전트’(아기)가 ‘상 태’(네발로 엎드려 있는 상태)를 인식하여 어떤 ‘행동’(일어나서 걷는다)을 취한다. 이 에이전트는 환경으로부터 ‘보 상’(걷기 성공, 걷기 실패)을 얻게 된다. 강화학습의 알고리즘은 그 에이전트가 앞으로 누적될 보상을 최대화하는 일 련의 행동으로 정의되는 ‘정책’(걷는 방법)을 찾는 것이다.

학습이다. 그렇다면 기계가, 컴퓨터가 학습한다는 건 무엇일까? 학습에서 가장 중요한 건 발전성이다. 학습은 모 종의 발전을 위한 과정이며, 과정에서의, 결과에서의 발전이 없다면 학습의 의미가 없다고 할 수 있다. 머신러닝 은 그중에서도 명문화된 지침 없이 학습하는 게 주요 아이디어인데, 이를 사람이 학습하는 과정과 비슷하게 생각 할 수 있다.

지도

비지도

강화

훈련 데이터

답을 아는 데이터

답을 모르는 데이터

보상이 있는 데이터

목적

결과 예측

숨겨진 구조 찾기

최대보상정책 찾기

피드백

즉각적인 피드백

피드백 없음

미래를 고려한 피드백

사용 예시

분류, 회귀

군집화

게임

1) 3장까지의 글에서 ‘알파고’를 알파고와 알파고 제로 모두를 일컫는 말로 사용하려고 한다.

Chapter 2. 강화학습의 구조 이해

이제 강화학습의 정의와 목적, 구성을 알아봤으니 실제 알고리즘에 대해 알아보자. 최적의 policy는 어떻게 구 할까? 가장 간단한 방법은 가능한 모든 action을 다 해보고 각각의 reward를 기록해서 total reward가 가장

알파고는 앞에서 소개한 머신러닝의 종류 중 강화학습을 주로 사용하고 있다. 그렇기 때 문에 알파고에 대해서 이해하려면 강화학습 알고리즘의 자세한 이해가 필요하다. 이번 챕 터에서는 최근 많은 관심을 받고 있는 강화학습을 MDP라는 모델을 설명하며 어떻게 학 습시키는지 개념 설명과 함께 알아보고자 한다.

큰 값이 나오는 policy를 찾는 것이다. 이때, MDP에서는 reward나 action, state transition 확률을 모두 알 고 있기 때문에

중간 state에서 얻을 수 있는 나머지 reward를 계산할 수 있게 되고 현재 state에 대한 앞으

로의 reward 기댓값도 구할 수 있다. 이처럼 state에서 앞으로 얻을 수 있는 미래 reward의 기댓값을 value function이라고 하고, 한 발 더 나가 이 state에서 이 행동을 했을 때 앞으로 얻을 수 있는 미래 reward의 기

앞에서 볼 수 있듯이, 강화학습의 중요한 구성요소 6가지는 환경/에이전트/상태/행동/ 보상/정책이다. 이것을 수학적으로 정의하고 표현하기 위해서는 강화학습의 대표적인 모

댓값을 action-value function (Q-value)라고 한다. 다시 말해, 강화학습은 value를 최대로 하는 policy나, Q-value를 최대로 만드는 policy를 찾는 것이다.

델로 쓰이는 MDP(Markov Decision Processes)를 먼저 정의해야 한다. MDP란, (상태 (state), 행동(action), 상태 전이 행렬(State transition probability matrix), 보상함수

그런데 만약 모델이 너무 복잡해 다 알 수 없거나, 모델이 너무 큰 경우는 어떻게 해야 할까? 처음으로 돌아가,

(reward), 할인 인자(discount factor))의 순서쌍을 말한다. 각각의 용어가 무엇을 뜻하는

우리가 걷는 방법을 생각해보자. 우리가 걷는 법을 배울 때, 우리의 뇌가 ‘근섬유 하나하나가 어떻게 연결되어있

지 하나하나씩 알아보자.

고, 그것이 어느 정도로 힘을 주면 어느 정도로 걸을 수 있다’라는 모델 전체를 다 알고 걷는 방법을 깨우친 건 아 니다. 그냥 걸어보고 넘어지면서 배웠다. 이 아이디어를 기반으로 시행착오를 통해 기계를 학습하는 것이 모델 프리 강화학습의 개념이다. 모델 프리 강화학습을 하는 방법으로는 그냥 실행하는 결과를 바탕으로 Q-value나 value function을 근사하는 Monte-Carlo 방법과 Temporal Difference 방법이 있다.

Agent

Reward (Win, loss, tie)

Sensory Input

Actionn Output

Environment

Chapter 3. 딥러닝의 기본 이해 알파고는 매우 많은 state와 action을 가지고 있기 때문에 앞서 말한 강화학 습을 사용하려면 Q-value나 value function을 근사할 수밖에 없고, 알파고는 이를 딥러닝을 사용해서 근사하였다. 이번 챕터에서는 딥러닝이 어떤 성질을 가지고 있는지, 그리고 바둑판을 인식하는 데 쓰인 CNN이 어떤 것인지 간단히 알아보고자 한다. 딥러닝이란 인공 신경망 알고리즘의 일종인데, 뉴런이 입력 신호가 역치를 넘 기면 신호를 전달하는 것을 모티브로 하고 있다. 그래서 뉴런 사이의 역치와 신 호 세기를 훈련을 통해 맞는 값을 학습한다. 앞서 말한 분류나 회귀분석의 경우,

우선 state란, 위치 정보나 자세 같은 에이전트 자신의 현재 상태이다. action은 “앞으로 걷는다”, “뒤로 걷는다” 같은

함수가 복잡하면 맞는 모델을 찾기가 힘들어 함수를 학습하기도 힘든데, 인공

행동의 지시다. State transition probability matrix는 각 행동에 따른 상태변화의 확률이다. 즉, s라는 state에서 a라

신경망 알고리즘을 이용한다면 어느 정도 해결할 수 있다. 다만 아직은 동작 원

는 action을 취할 때, 다른 state s’에 도달할 확률을 행렬로 나타낸 것이다. reward는 s라는 state에서 a라는 action을

리를 정확히 알기 힘든 블랙박스와 같아, 왜 이게 효과적으로 학습되는지는 아

취할 때, 얻을 수 있는 특정한 보상(예를 들어 바둑은 승패, 양궁은 점수 등이 있다)이다. 여기서 중요한 점은 action을

직 모른다. 비슷하게 이 인공신경망을 비교적 많은 뉴런을 거치게 만든 알고리

정할 때 현재의 reward만 고려하는 게 아니라 미래의 reward까지 고려한다는 것이다. 미래의 reward까지 고려하기 때

즘이 바로 딥러닝으로, 사람의 사고방식과 비슷하다고 알려져 있다. 마찬가지

문에 시간에 따른 가중치를 부여할 필요가 있는데, (가중치가 같고 시간제한이 없다면 reward가 0이 아닌 경우엔 값이

로 딥러닝 또한 인공신경망을 기반으로 하므로 동작 원리를 정확히 알 수 없는

계속 더해져 발산하므로) 이것이 discount factor이다. discount factor는 0에서 1사이의 값을 취해 미래의 reward를

블랙박스다. 딥러닝은 그 자체로도 머신러닝이라고 할 수 있지만, 3가지 머신

현재 reward보다 살짝 낮춰 계산한다.

러닝을 구현하는 알고리즘의 툴로 사용될 수 있는 알고리즘이다.

마지막으로 policy란, state에 따른 action의 집합이다. 결국에 강화학습의 목적은 주어진 환경(MDP)에서 최적의 policy를 찾는 것이다. 예를 들어, 내가 수업을 듣고 있는 state일 때, reward가 행복이라면 기숙사로 향하는 것이 최적 의 policy고, reward가 학점이라면 남아서 수업을 듣는 게 최적의 policy가 될 것이다. 2) 앞을 내다보고 결정할 수 있으므로 Planning이라고 한다. 보통 Dynamic Programming이라는 결과를 미리 저장해 계산량을 줄이는 방 법을 사용한다.

이 중, 알파고에 쓰인 CNN은 Convolutional Neural Network의 약자로, 직역하면 합성곱 신경망이다. CNN 또한

그럼 알파고는 이 많은 신경망들을 어떻게 만들었고, 사용했을까? 먼저 알파고에서는 사람들이 주로 어떻게 두는

다른 딥러닝 모델과 비슷하게 생겼고 학습하지만, 훈련 데이터의 전처리 과정이라고 부를 수 있는 신경망 내에서의

지 학습하기 위해 SL Policy Network부터 사용했다. CNN 구조로 설계된 SL Policy Network는 인터넷 바둑 사이트

convolution 연산이 CNN만이 가지는 특징이다. 사실 여기서 사용하는 convolution은 cross correlation을 의미하는

KGS Go Server에서 받은 6~9단 기사들의 기보 데이터 3천만 개에 여러 추가 정보를 더한 학습데이터를 사용해 학습

데, 이 연산은 신호 하나의 부분에 다른 신호가 얼마나 들어있는지를 의미한다. 좀 더 자세히 설명하자면, 신호를 계속

됐다. 이로써 다른 바둑기사들이 어떤 국면에서 일반적으로 어떤 수를 두는지 예측할 수 있게 되었지만, 바둑의 경우의

한 칸씩 움직여가며 신호의 비슷한 정도를 output으로 내게 된다. 그래서 만약 어떤 가로로 줄이 길게 그어져 있는 사진

수에 비교해 3천만 개의 데이터의 수는 너무 적었기 때문에 예측 형태가 굳어지기 쉬웠다. 이것을 피하고자 SL Policy

과 함께 비슷하게 가로줄이 그어져 있는 작은 사진을 넣고 cross correlation을 한다면 가로줄이 있는 부분의 값만 크게

Network끼리 자가 대국 (Self Play)한 결과를 바탕으로 강화 학습해 만든 것이 바로 RL Policy Network이다. 이 RL

나오고 나머지는 작게 나올 것이다. 이처럼 cross correlation을 사용함으로써 어떤 특징이 있는 여러 작은 사진을 넣으

Policy Network는 자가 대국을 통해 학습이 진행되었기 때문에 수준 높고, 실수가 적은 기보를 만들어내 학습하는 효

면 부분적으로 이 사진에 어디에 어떤 부분이 있는지 측정할 수 있다. 따라서 convolution layer를 여러 번 거치게 되면

과를 얻었다, 그 결과 RL Policy Network가 SL Policy Network를 80% 확률로 이길 정도로 RL Policy Network의

데이터가 하나의 픽셀에 초점을 두지 않고, 유용한 특징들을 뽑아낼 수 있게 된다. CNN에서는 필터를 학습시킴으로써

성능이 좋아지게 되었다. 이후 SL Policy Network와 RL Policy Network를 사용해서 기보를 만들어 내 두 Network

이미지의 특징이 좀 더 명확히 보이는 필터들을 만드는 것으로, 이미지 인식에 좋은 성능을 보인다. 이러한 성질이 2차

와 비슷하지만 마지막에 승리 확률을 내는 Value Network를 학습시켰다. 이렇게 학습한 RL Policy Network와

원 점 을 가진 바둑에서도 좋은 성능을 보인 것이라 생각할 수 있다.

Value Network는 계속해서 자가 대국을 둬서 생기는 기보로 똑같이 학습해 점점 더 정확한 값을 내는 Network를 만 들어 냈다. 알파고는 그럼 신경망만을 가지고 바둑을 둘까? 아니다. 아직 신경망만큼이나 중요한 알고리즘 설명이 하나 빠졌다.

Chapter 4. 알파고의 기본 이해

바로 기존 체스나 장기 같은 턴제 게임 알고리즘에 쓰이던 Monte Carlo Tree Search (이하 MCTS)를 알파고는 수를 결정할 때 사용한다. MCTS는 쉽게 설명하자면 한마디로 ‘수많은 탐색으로 수를 읽는 방법’인데, 원래 모든 경우의 수

위에서 설명한 머신러닝 기술들은 GPU 같은 다른 컴퓨터 기술의 발전에 의해

를 수형도를 그리듯 적어서 계산해야 하지만 탐색하는 효율성을 높여 모든 경우의 수를 고려하지 않아도 최적의 수를

같이 크게 발전했다. 이러한 머신러닝 기술의 발전과 다른 컴퓨터 기술의 발전

찾아낼 수 있도록 해준다. MCTS의 핵심 개념은 바로 Breadth Reduction과 Depth Reduction으로, 한 턴에 가능한

은 컴퓨터가 오랫동안 정복하지 못했던 바둑을 정복할 수 있게 하는 원동력이

수의 폭을 줄이고 중간까지만 계산해도 어느 정도 현재 상태를 알 수 있도록 함으로써 탐색의 효율성을 높이는 것이다.

되었다. 일찍이 컴퓨터에 의해 정복된 체스와 다르게 바둑은 그 수많은 경우의

이것을 어떻게 신경망과 같이 사용할지 원리에 대해서 조금 더 자세히 알아보자.

수 때문에 많은 사람들은 최소 2~30년은 컴퓨터가 사람을 뛰어넘을 수 없으리 라 예측해왔다. 하지만 이처럼 발전된 머신 러닝 기술들을 적절히 조합하여 만 들어진 알파고는 사람들의 생각보다 훨씬 빨리 바둑을 정복하였고, 이제는 사 람의 실력을 월등히 뛰어넘는 단계에 도달하였다. 이번 챕터에서는 알파고 제 로를 설명하기 전에 그 전신인 알파고가 사용한 딥러닝 네트워크 종류를 알아 보고 이를 어디에서 어떻게 사용하는지 알아보고자 한다.

MCTS가 작동하는 원리는 먼저 어느 시점까지 SL Policy Network와 그 State의 현재까지 update된 가치를 사 용해 수를 예측하고 그에 맞는 Tree를 그린 후 (Selection), 그 위치에서 Value Network와

Rollout Policy

를 사용해 현 상태의 Value를 측정하고 (Evaluation), 그 값을 이용해 각 가지의 State 가치를 Update 해주는 것 (Backpropagation)으로 구성되어 있다. 추가로 Tree를 그릴 때 많이 선택되는 수들은 SL Policy Network를 사용해 서 그다음 수를 연장한다. (Expansion) 알파고는 수를 고민하는 1분 정도의 시간 동안 이 4가지 step을 반복해서 수 행해 가장 많이 선택된 수를 다음 수로 선택한다. 말 그대로 최대한 가능성이 있는 수를 탐색해서 그 수의 가치를 보고

알파고에는 바둑을 정복하기 위하여 딥러닝 기술을 적용한 두 종류의 신경

수를 결정하는 것이다.

망(neural network)이 사용되었다. 하나는 정책망(Policy Network)이며, 다 른 하나는 가치망(Value Network)이다. 정책망은 현재 국면에서 다음 수를 둘 위치의 확률 분포를 분석하는 역할을 한다. 즉, 지금 자신이 보고 있는 국면 에서 프로 기사들이 일반적으로 어느 곳에 다음 수를 많이 놓는지 분석해서 알 아내는 것이다. 정책망은 다소 오차가 있지만 빠른 Rollout Policy와 정확하 지만 느린 SL(Supervised Learning) Policy Network, RL(Reinforcement Learning) Policy Network가 있다. 정책망이 다음 수를 알아내는 역할이라면,

지금까지 설명한 내용을 종합하여 간단하게 정리하면, 알파고는 두 신경망 (SL Policy Network, Value Network)을 통해 구현된 MCTS를 통해 바둑을 둔다. 알파고는 상대가 수를 둔 순간에 자신에게 주어진 1분 정도의 시간 동안 바둑 고수를 모방한 정책망을 통해 현재 국면에서 상대가 할 수 있는 다음 수를 여러 가지 예상한다. 그 후에 예상했던 수 중 하나를 골라 그 수에서부터 Rollout Policy를 이용하여 게임을 끝까지 빠르게 진행해본다. 이를 각 다음 수에 대하여 여러 번 반복하여 다양한 다음 수의 가치를 계산한 뒤에, 가치망의 값과 자체 게임의 결과를 종합하여 최종적으로 가장 승률이 높게 계산된 곳에 자신의 다음 수를 둘 곳을 결정한다.

가치망은 바둑 경기의 상태를 보고 어느 곳에 다음 수를 두었을 때 자신의 승률 이 가장 높은지를 분석하는 역할을 한다. 이를 통해 현재 바둑 경기 상태를 가치 망에 단순히 입력함으로써 어떤 수가 가장 승률이 높은지를 알 수 있다.

3) Rollout Policy는 사람들이 기존에 분석해놓은 정형적인 패턴을 활용하여 학습되었고 Policy network보다 간단한 1층짜리 뉴럴 네트워크이어서 결과 도출 속도가 빠르다. 이런 특징들 때문에 부정확하지만, 결과를 끝까지 내서 현 기보의 승률을 어느 정도 근사 하는 데 쓰인다.

Chapter 5. 알파고 제로의 기본 이해 여기까지 알파고의 전체적인 알고리즘과 딥러닝 기술이 사용된 부분에 대하여 알아보았다. 알 파고 제로는 알파고와 완전 다른 것은 아니지만, 크게 2가지 정도의 큰 차이가 있다. 이번 챕터에 서는 알파고 제로와 알파고의 차이점을 간략하게 소개하고 알파고 제로의 작동 과정에 대해 간 단하게 설명하는 것으로 이 기사를 마치려고 한다. 먼저 알파고 제로는 사람이 가지고 있었던 바둑 경기 데이터나 인간이 가지고 있던 바둑 개념 등을 전혀 사용 하지 않고 처음부터 바둑의 법칙 그 자체만을 가지고 학습했다. 즉, 기존 CNN 네트워크를 학습할 때처럼 활로의 개수나, 단수의 개수 같은 추가적인 바둑 개념을 사용하지 않고, 바둑의 기본적인 룰인 “집이 많으면 이기고, 다 른 돌에 둘러싸이면 죽는다.”만 가지고 학습을 진행한 것이다. 또 기존 알파고처럼 어느 정도 실력이 있는 사람들 의 데이터를 학습한 것이 아니라 아무렇게나 돌을 놓고 나중에 각 행동에 대해 평가하는 방법으로 학습했다. 어 떤 튜토리얼이나 예시처럼 사용할 수 있는 사람의 데이터가 없었기 때문에 처음에 알파고 제로는 정말 아무 데나 돌을 놓았고 이 경기 결과를 바탕으로 평가 받았다. 하지만 이와 같은 방법으로 계속 학습을 거듭한 결과 72시간 후에는 이세돌을 이긴 알파고 (이하 알파고 Lee)를 100전 100승 할 정도로 엄청나게 성장하였고, 이후에는 Elo Rating (바둑 수준을 나타내는 점수)도 알파고 Lee보다 1000점 더 높아지게 되었다. 처음에 참고할 어떤 데이터

정리하자면, 알파고 제로는 임의의 행동 양식을 가진 채 자신과 계속 연습을 하면서, 연습하면서 생각한 결과

도 없었지만, 사람이 가지고 있었던 비효율적 행동도 배우지 않은 것이다. 우리는 이것을 통해 알파고 제로가 인

(MCTS)를 바탕으로 앞으로 어떤 식으로 행동하면 좋은지, 어떻게 두면 이기는지 자신의 행동양식과 안목(Unified

간이 수천 년 동안 쌓아온, 경험에서 오는 바둑 지식 외의 알파고 제로 스스로의 바둑 지식을 만들어 냈고, 그것이

Policy & Value Network)을 계속 바꿔가는 것으로 현재의 자리까지 올라왔다. 알파고처럼 기존 바둑 고수를 흉내

인간의 바둑 지식보다 더욱더 좋았다고 생각할 수 있다. 그렇다면 인간들이 이때까지 쌓아온 지식은 전부 헛된 것

내는 것을 목표로 한 것이 아니라 바둑 그 자체를 잘 하려고 끊임없는 학습을 한 것이다. 알파고 제로가 우리에게 줄

일까? 다행히도 어느 정도 학습이 된 알파고의 경기를 봤을 때 우리가 포석이라고 불렀던 초반 플레이나, 축, 패

수 있는 가장 큰 뜻은 ‘사람의 사전 지식 없이도 어떤 Task를 학습만으로 사람보다 잘 할 수 있게 될 수 있다’이다.

같은 개념을 알파고 제로에서도 똑같이 사용하는 것을 확인할 수 있었다. 인간을 넘어, 알파고 제로는 그야말로

드디어 컴퓨터가 스스로 배우기 시작한 것이다.

바둑의 새로운 경지에 자기 스스로 다다른 것이다. 알파고 제로는 발전한 머신 러닝 기술을 활용하여 단순한 사람의 모방을 넘어서는 스스로 학습하여 사람을 뛰어 그렇다면 알파고와 알파고 제로는 어떤 차이가 있기에 결과가 이렇게 차이가 난 것일까? 먼저 알파고에서 사용

넘는 경지에 도달하는 기계를 만드는 것이 가능함을 보여주었다. 허나 알파고 제로는 바둑만을 할 수 있는 인공지

했던 4가지 Network나 Policy가 없어지거나 합쳐져 하나의 Network가 되었다. 사람의 경기 데이터를 사용하

능이라는 한계가 있고, 인간이 모든 학습구조를 만들었기 때문에 아직까지는 파워플한 인공지능이라 보기 힘들다.

지 않았기 때문에 알파고에서 사람의 데이터를 학습하던 SL Policy Network가 없어졌고, 사람이 만든 바둑 개념

하지만 관련 연구가 진행되고 기술이 더욱 발전하면, 바둑뿐만 아니라 다른 일을 광범위하게 할 수 있고 자체적으

을 사용해 형태를 빠르게 분석하던 Rollout Policy도 없어졌다. 대신에 RL Policy Network와 Value Network

로 학습하는 방법을 깨우치는 강인공지능이 개발될 수 있다. 예를 들어, 알파고 제로와 같이 어떤 일에 대한 기본적

가 합쳐져 새로운 하나의 Neural Network가 되어서 처음부터 랜덤한 Policy를 가지고 있다가 자체 경기를 통해

인 룰만을 제공하면 그 일이 어떤 일이든 어느 정도 학습을 통해 처리할 수 있는, 그야말로 우리가 옛날부터 생각해

학습하는 RL 컨셉만이 살아남게 되었다. 또한, Neural Network를 합치는 과정에서는 원래는 두 개의 네트워크

왔던 로봇에 가까운 인공지능이 나올 수 있는 것이다. 알파고를 무서워하는 것은 사실 어느 정도는 당연해 보인다.

에서 다른 평가기준으로 답이 나올 수 있었던 것을 하나로 합쳐 결과를 내게 되었고, 결과가 더욱 일관성 있게 되

처음으로 강인공지능에 가까운, 사람을 생각으로 이긴 것이라 생각할 수 있기 때문이다. 하지만 그럼에도 불구하

었다. 복잡했던 네트워크들이 사라지고 하나의 네트워크로 더욱 좋은 결과를 낼 수 있게 된 것이다. 더 나아가 합

고, 설사 강인공지능이 나왔다고 할지라도, 그 정체에 대해 두려워하고 눈을 피하는 것은 미래를 살아가는 태도로

친 새로운 네트워크에는 CNN 대신 새롭게 개발된

Residual Network를 사용함으로써 더욱 향상된 성능을 달

성 할 수 있었다. Network 말고도 MCTS도 알파고 제로로 넘어오면서 쓰는 방법이 달라졌는데, 알파고에서 사용

적합하지 않다. 무작정 무서워 할 것이 아니라 어떤 부분에서 인간보다 나은 능력으로 인간을 도울 수 있을지 더 공 부해보는 것이 좋지 않을까. 적어도 아직까지는 이 인공지능에게 걱정 어린 기대를 보내야 할 때다.

했던 MCTS와는 달리 알파고 제로에서는 학습을 할 때도 MCTS가 쓰였다는 점이다. 즉, MCTS를 policy를 향상 시키는 메커니즘으로 사용하여 학습을 거듭할수록 더욱 성능이 향상 될 수 있게 하였다. 이처럼 알파고 제로는 알 파고의 핵심만을 모아 만들었다고 해도 과언이 아니라고 할 수 있겠다. 강민기 zzxc1133@kaist.ac.kr

이도혁 dohyeoklee16@kaist.ac.kr

최호용 chy0707@kaist.ac.kr 4) 몇몇 Layer를 뛰어넘는 방식을 사용함으로써 CNN에 비하여 많은 층수를 가질 수 있고 더 좋은 성능을 보인다.

ERTI의 인공지능 전문가, 김귀훈 동문

전자과 학우들에게 연구소라고 하면 단순히 연구를 하는 곳이라고 막연하게 인식하고 있는 경우가 많 은 것 같습니다. 학우들을 위해 ETRI가 어떤 곳인지 설명 부탁드립니다. 선배님은 어떤 계기를 통해 현 재의 진로를 선택하시게 되었나요? 카이스트를 졸업하면 보통 국책 연구소 연구원, 산업체 직 원이나 대학교 교수로 가게 됩니다. 저는 졸업 후 처음에 는 LG 데이콤이라는 통신 산업체에서 VoIP(인터넷 전화) 시스템을 개발하는 연구자 일을 했었습니다. 그 이후에 들

매년 그렇듯, 한 해가 지나가며 올 한 해를 되돌아보고

어간 곳이 현재까지 일하고 있는 ETRI입니다. ETRI는 국

내년을 다짐하는 시기가 찾아왔습니다. 내년을 다짐하

김귀훈 동문

다 보면 자연스레 더 먼 미래를 고민하게 되고, 너무나도

가에서 지원하는 국립연구소이고 국가에 필요한 미래 과 학기술과 ICT(정보통신기술)를 예측하고 사전 연구하여

친숙한 친구인 진로 고민이 찾아옵니다. 하지만 고민만

국가 경제 사회 발전에 이바지하는 것을 목적으로 하는 연

한다고 쉽게 해결될 리가 없겠죠. 그래서 이번 기사에서는 진로 고민에 특효약인 간접경

구소입니다. 이런 이념을 바탕으로 국가 전체 산업에 이익

반갑습니다. 인터뷰에 응해주심에 감사드리며, 간

이 되는 원천 기술을 연구하는 것이 제일 큰 특징입니다.

단한 자기소개 부탁드립니다.

에서 활동하고 계시는 선배님이 계시다는 소식을 접하고 EE NewsLetter에서 만나보았습니다. (이 기사는 2017년 기준으로 작성되었습니다.)

ETRI에서 근무하며 어떤 순간에 가장 큰 보람을 느 끼시나요?

일반 기업연구소와 차이점은, 주로 기업연구소는 회사의

험의 기회를 드리려고 합니다. 세계적으로 인공지능에 대한 관심과 수요가 커지는 요즘, 실제로 인공지능 분야

안녕하세요, 저는 현재 ETRI(한국전자통신연구원)에서 KSB융합연구단에서 인공지능 관련 업무를 맡고 있는 김 귀훈입니다. 저는 여러분의 동문으로, 카이스트에서 학, 석사 학위를 취득하고 박사과정을 수료했습니다. 현재는 ETRI에서 인공지능 공통 프레임워크 및 에지 컴퓨팅 개발 에 대한 연구를 진행하고 있습니다.

수익이 되는 단기 연구를 위주로 하지만, ETRI는 수익성

제가 느끼는 보람은 회사와 개인의 두 가지 측면으로 나눠

보다는 국가의 5~10년 미래를 보고 중장기 연구를 수행

서 볼 수 있습니다. 회사의 측면에서는 지난 35년 동안 삼

한다는 것이죠.

성전자, LG전자 등 우리나라 기업이 세계 최고가 될 수 있

제가 연구자로서 성장하며 가지게 된 목표는 사람들이 편

도록 메모리반도체, LTE 등의 기술을 개발하여 전수해 준

리하고 행복한 생활을 할 수 있게 도와주는 것이었습니다.

것에 큰 보람을 느낍니다. 이와 더불어 개인적인 측면으로

자연스레 사람들의 편리를 추구하는 과학기술과 ICT를 공

는, 우리나라 정보통신 분야의 국가대표로 세계에 나가 우

부하게 되었고, 이를 통해 구상한 아이디어로 여러 사람을

리의 기술을 국제표준안으로 승인시켜서 전 세계에 상용

행복하게 해주고 싶었습니다. 이런 제 목표가 위에서 말한

화시켰다는 것에 개인적으로 매우 큰 보람을 느꼈습니다.

ETRI의 특성들과 잘 부합된다고 생각했고, 단기적인 이익 이 아니라 중장기적으로 사람들에게 편의를 가져오는 연 구를 하고자 ETRI를 선택하게 되었습니다.

앞서 ETRI에서 인공지능과 관련된 연구를 진행 중 이라고 말씀해주셨던 게 인상에 남는데요. 최근 들 어 인공지능은 사람들의 많은 관심을 받고 있는데,

연구소에 재직하면서 겪은 어려움에는 어떤 것이

인공지능의 시작은 언제부터였나요?

있나요? 연구원이라는 직업이 어떤 사람에게 적합 하다고 생각하시나요?

1956년, 미국 다트머스 대학에 있던 존 매카시 교수가 개 최한 다트머스 회의를 통해 처음으로 인공지능(AI)이라는

연구를 진행하다 보면 늦게 퇴근하거나 잠이 부족한 경우

용어가 사용되기 시작했습니다. 당시 인공지능 연구의 핵

가 많습니다. 또한, 책상에 오래 앉아 있기 때문에 스스로

심은 추론과 탐색이었죠. 마치 인간처럼 생각하고 문제를

운동을 하면서 자기관리를 잘 해나가는 것이 중요할 것입

풀 수 있는 인공지능을 구현하려는 연구는 1970년대까지

니다. 연구원이라는 직업은 신체적으로 특별히 필요로 하

활발히 진행되었는데, 인공지능이 간단한 문제 풀이를 넘

는 사항이 없기 때문에 새로운 것에 호기심이 많다면 누

어서 좀 더 복잡한 문제를 해결하게 하려는 도전에서 좌절

구나 고려해볼 수 있다고 생각합니다. 특히, 새로운 제품

되고 말았습니다. 한때 활발했던 인공지능 연구가 이후 급

을 사용하기 좋아하고 새로 나온 기계를 만지는 것을 좋아

격한 빙하기를 맞이하게 된 것이죠. 하지만 최근 하드웨어

한다면 적극적으로 추천합니다. 빌 게이츠, 스티브 잡스와

적인 발전과 함께 탁월한 성능을 이룩하며 인공지능에 대

같이 세상을 편리하게 변화시키는 일을 하고 싶다면 ETRI

한 연구가 다시 활성화되어 현재의 큰 시장을 이루게 되었

와 같은 연구소에서의 일이 매우 잘 맞을 것입니다.

습니다.

미래에 인공지능이 실생활에서 사용된다면 어떤 분

많아지고 있습니다. 이처럼 인공지능의 발전 가능성은 무

야에서 활용될 것으로 예상하고 계시나요?

궁무진합니다. 현재 음성 인식, 이미지 인식, 번역 등은 이

전자과 고오급 과목사전 - EE4--

미 인간의 인지능력을 능가했습니다. 앞으로의 기술력 발 우선 첫째로, 인공지능은 의료 쪽에서 활용될 수 있습니

전이 더 기대됩니다.

다. 의료-인공지능은 수술할 때, 손 떨림 없이 정확하게

전기 및 전자공학부(이하 전자과)에서는 많은 분야의 연구가 진행되는 만큼 다양한 수업이

수술할 수 있기 때문에 사람보다 정확할 것입니다. 질병의 진단에서도 인공지능은 많은 의학적 근거들과 자료들을 토대로 정확한 판단을 내릴 수 있을 것입니다. 다음으로는, 자동운전(혹은 무인운전)에 쓰일 것입니다. 자동운전-인공지능은 이미지 인식 기능을 이용하여 앞의 교통 상황이 어떠한지 사람이 눈으로 보는 것처럼 보고 판 단할 수 있습니다. 이를 통하여 위험한 상황에서도 빠르고

트렌드에 따라 전자과 내에서도 인공지능에 대한

개설되고 있다. 학생들은 2~300단위 전공 수업으로 기초 지식을, 400단위의 수업으로 심

관심이 매우 커졌고, 미래의 인공지능 전문가를 꿈

화된 전공 지식을 쌓는다. 다양한 분야를 가진 전자과인 만큼 400단위 수업은 보다 세분화

꾸는 학우들이 많이 있습니다. 이런 후배들에게 현

된 전공 지식을 다루기 때문에 전자과 학생들은 어떤 수업을 어떤 순서로 들어야 할지 고민

재 인공지능 분야의 최전선에 계시는 선배로서 조

하기 마련이다. 또한 400단위라는 이유로 특정 과목들을 수강하기 두려워하는 2, 3학년 학

언 부탁드립니다.

생들도 있다. 이런 학생들을 위해 400단위 전자과 수업의 내용, 필요 선수과목, 수강 팁 등 을 EE Newsletter에서 준비해보았다.

정확하게 대응할 수 있을 것입니다.

인공지능 전문가가 되기 위해서는 우선 공부를 열심히 해

참고로 아래 나오는 내용은 최근의 수강 후기를 토대로 모인 정보로, 담당 교수님과 실라버

마지막으로, 검색엔진에 널리 이용될 것입니다. 검색엔

야 합니다. 특히 수학을 잘 해야 하지요. 그렇다고 수학만

진-인공지능을 검색엔진에 활용시키면, 웹사이트에 사용

스의 변화에 따라 달라질 수도 있다는 점을 유의하기 바란다.

해서는 안 되고 다양한 분야의 공부를 성실히 해야 합니

되는 키워드를 통해 그 사이트의 특징을 인식하고 학습시

다. 인공지능은 활용되는 분야의 스펙트럼이 넓기 때문에

킬 수 있습니다. 이를 통해 품질이 낮은 사이트나 유해한

다양성이 중요하기 때문이지요. 독서를 통해 식견을 넓히

사이트를 구분하여 인터넷을 최적화할 수 있을 것이고, 사

거나 많은 활동을 하는 것 또한 좋은 방법입니다. 보통은

용자들이 더 편하게 인터넷을 이용할 수 있을 것입니다.

인공지능 하면 컴퓨터공학과를 많이 생각하지만, 전자과 에서의 진로도 충분히 고려할 수 있습니다. 요즘에는 인공 지능 분야가 하드웨어와 같이 발전하고 있기 때문에 오히

400단위 과목 사전

최근 늘어나는 수요에 맞춰 인공지능의 연구가 활

려 이런 부분에서 전자과의 장점을 살려 앞서 말씀드린 부

발해지고 있다는 기사를 보았습니다. 현재 인공지

분과 함께 노력한다면 훌륭한 인공지능 전문가가 되실 수

능의 기술력은 어느 정도인가요?

있을 것입니다. 카이스트에서 인공지능을 연구하시는 대

EE403 아날로그 전자회로 [CS] BJT와 CMOS 아날로그 회로 설계 능력을 배양하는 것을 목표로 한다. EE304 전자회로 과목과 중복되는 내용에 조금 더 심화된 아 날로그 회로 개념이 첨가된 과목으로, 전자회로를 수강했다면 큰 어려움 없이 공부할 수 있을 것이다. 전자회로를 아직 수강하지 않 은 채로 아날로그 전자회로를 수강하려 하는 친구들은 꽤 많은 내용을 한 학기 내에 소화해야 함을 명심할 것.

표적인 전자과 교수님께서는 신진우 교수님, 김준모 교수 작년에 이세돌과 알파고가 바둑대국을 벌였던 것 기억하

님, 박경수 교수님이 계십니다.

지요? 예상과 달리 알파고가 4:1로 이기기까지 했습니다.

한 가지 더 팁을 드리자면 소프트웨어 공부에도 많은 시간

올해는 알파고마스터가 세계 1위 커제를 3:0으로 이기기

투자를 하셔야 합니다. 많은 프로그래밍언어 중에 어떤 언

까지 했죠. 바둑은 한정된 공간에서 벌이는 두뇌게임으로

어를 공부해야 하는지 모르겠다면, 인공지능 분야에서는

경우의 수가 헤아릴 수 없을 정도로 많아 이를 컴퓨터 프

C언어보다는 Python이 주로 쓰입니다. 그리고 대용량 데

로그래밍하는 것은 불가능하다고 간주되었던 분야입니

이터 처리를 위해서 SPARK 프로그램을 해야 하는데 이때

다. 그렇기 때문에 알파고의 승리에는 더욱 세간의 이목을

쓰이는 언어는 SCALA가 많이 쓰입니다.

집중되었습니다. 최근에는 바둑 이외의 인간이 불가능하 다고 판단했던 분야에도 인공지능을 적용하려는 시도가

[ 선이수 과목 ] EE201 회로이론, EE304 전자회로

EE405 전자디자인 랩 [ALL, 전공필수] 학부에서 배운 지식을 총동원하여 analog 및 digital, hardware 및 software가 결합한, 주어진 과제에 대해 설계를 하는 과목이 다. ‘Network of Smart Systems’, ‘Fundamentals for design of emerging devices’, ‘Robocam’, 이렇게 네트워크와 소자, 회로 세 가지 분야로 나누어져 있어 학생이 원하는 세부 분야를 선택하여 실험을 진행한다. EE405를 듣기 전에 EE305를 들을 필

인터뷰를 진행하다 보니 너무 인공지능 분야에 한정해서

요는 없다. 네트워크 실험의 경우 코딩의 비율이 꽤 높은 편이며 최근에는 딥 러닝 관련 실험이 많이 생겼다고 한다. 매해 네트워크

조언을 드린 것 같은데 꼭 인공지능이 아니더라도 후배님

분야 실험에 가장 많은 학생들이 몰린다.

들이 원하시는 분야에서 최선을 다하시길 바라며 건승을 기원합니다.

소자 실험의 경우 크게 광공학과 소자 두 분야를 배우며 교수님에 따라 실험 내용이 많이 달라진다. 전체 실험은 시뮬레이션을 통해 진행된다. 회로 실험의 경우 Beagle bone을 사용하여 Robocam을 디자인한다. 실험을 진행하면서 Beagle bone이 자주 탈 수 있으므로 주의해야한다.

해외 출장 중에도 불구하고 후배들을 위해 귀한 시간 내어주신 선배님께 다시 한번 감사의 말씀을 전합니다.

[ 선이수 과목 ] 네트워크 - EE202 신호 및 시스템 소자 - EE211 물리전자개론, EE362 반도체소자, EE204 전기자기학 회로 - EE202 회로이론, EE304 전자회로

정준환 기자 hwani5832@kaist.ac.kr

[ 추천 과목 ] 네트워크 - EE321 통신공학, EE323 컴퓨터 네트워크

민영제 기자 yjmin313@kaist.ac.kr

EE412 빅데이터 분석 개론 [CNS]

EE432 디지털신호처리 [COM/SS]

본 과목에서는 머신러닝의 기초가 되는 빅데이터 분석에 필요한 수학적 방법론과 프로그래밍 모델을 다룬다. 웹 검색, 스팸 필터,

신호 및 시스템에서 배웠던 내용 중 이산(discrete) 신호 부분을 집중적으로 다룬다. 이산 시스템의 표현, 분석 그리고 설계의 기초

크라우드 소싱, 추천 시스템, 데이터 시각화 등 다양한 어플리케이션에서 필요한 데이터 분석 방법론들을 소개한다. 평균적으로

를 다루게 된다. 신호 및 시스템 이후 유일한 신호처리 관련 과목이므로, 해당 분야에 관심이 있다면 필수! MATLAB 과제가 있지만

프로젝트 두 개와 시험 하나, 과제를 수행하게 되는데, 프로젝트와 과제의 경우 그 난이도가 꽤 높은 편이다. 수학적 내용이 많이

난이도는 어렵지 않은 편이며, 수업에 성실하게 임하면 큰 어려움 없이 들을 수 있을 것이다.

들어가기 때문에 수학적 배경 지식이 필수적이다. [ 선이수 과목 ] EE202 신호 및 시스템 [ 선이수 과목 ] EE210 확률과 기초 확률과정

[ 배경 지식 ] 미적분학, 공학 수학, MATLAB 기본 지식

[ 추천 과목 ] MAS212 선형대수학, EE205 전자공학을 위한 자료구조 및 알고리듬, EE213 전자공학을 위한 이산 방법론

EE441 광통신개론 [EP] EE414 임베디드 시스템 [CNS, SS] 광통신의 기본 개념과 이에 사용되는 각종 광학, 전자, 통신 기술을 강의한다. 본 과목의 구체적인 내용은 광통신의 개요, 기본적 광 최근 전자 시스템의 중요한 구현 기술의 하나인 embedded 시스템에 대해, 그 구성요소인 hardware 및 software에 대하여 분

학이론, 광섬유, 광수신기 설계 및 잡음 분석, 광통신 시스템 디자인 등을 포함한다. 다른 수업에 비교해 로드가 상대적으로 적은 편

석하고, 시스템 구현 기술을 습득한다. 중간고사까지의 내용이 컴퓨터구조개론 내용과 많이 겹친다. 기본적인 interface들에 대한

이다.

device driver 실험을 병행하며, Beagle bone을 사용한다. 실험의 난이도가 꽤 높은 편이다.

[ 선이수 과목 ] EE342 무선공학

[ 선이수 과목 ] EE303 디지털시스템 [ 추천 과목 ] EE312 컴퓨터 구조개론, EE323 컴퓨터 네트워크, EE415 전자공학을 위한 운영체제 및 시스템 프로그래밍,

EE452 광공학개론 [EP] Nano photonics, 광공학의 기초 및 기본 원리들에 대하여 강의한다. 광공학에 관심이 있는 학생이라면 반드시 들어야 한다. 물

EE415 전자공학을 위한 운영체제 및 시스템 프로그래밍 [CNS]

리학과 광학 지식이 갖춰져 있다면 조금 더 쉽게 수업을 들을 수 있다. 학기 중 세네 번 정도의 시험이 있지만, 그 외의 과제가 없고 Q&A 세션이 매 시험 1주 전에 마련되어 있어 큰 부담을 느끼지 않을 수 있다.

운영체제(OS)에 관련된 병렬성, 동기화, 프로세스, 메모리 관리, 입출력 디바이스, 파일 시스템에 관련한 기본적 지식 및 기술들을 다룬다. 전산과의 운영체제 과목과 거의 동일한 내용을 배우게 되며, 전자과 전공 중 가장 많은 학습량을 요하기로 유명한 과목이

[ 선이수 과목 ] EE204 전기자기학

다. 한 학기에 평균적으로 네 번의 프로젝트를 거치는데, 각 프로젝트의 난이도가 매우 높으므로 학기 내내 추가적인 학습을 계속

[ 추천 과목 ] EE342 무선공학

해야 한다. 하지만 그만큼 OS와 C언어에 대한 보다 더 깊은 이해와 자신감을 확실히 얻을 수 있는 과목이다. [ 선이수 과목 ] EE209 전자공학을 위한 프로그래밍 구조, CS230 시스템프로그래밍 [ 필수 배경 지식 ] C언어 기초

EE463 반도체 집적회로 기술 [NDIS] 실리콘 기반 반도체의 패키징 단계까지의 공정을 배우는 과목으로, 소자 내부의 원리보다 제작 공정을 주로 배운다. 물리전자개론, 반도체소자 등 소자 분야의 기본적인 지식을 필요로 하지만 내용의 초점이 다르다. 소자 계열의 진로를 희망하는 학생들이 듣는 것

EE424 최적화개론 [CNS, COM, SS]

을 추천한다. [ 선이수 과목 ] EE211 물리전자개론, EE362 반도체소자

회로설계, 통신, 신호처리 및 제어 공학에 필수적인 최적화의 기초 개념 및 기법과 그 응용 분야를 다룬다. 선형 벡터공간, 선형 연 산자, 선형 추정 및 필터링, 함수 해석학, 최적 제어, 선형 계획법, 비선형 계획법, 동적 계획법, 진화 연산, 신경 회로망 등을 다룬 다. 매주 수학 문제를 푸는 과제가 나오며, 선형대수학 지식이 있으면 수업을 듣기 편하다. 프로그래밍 과제가 있는 학기도 있다고 한다. [ 선이수 과목 ] MAS109 선형대수학개론 [ 필수 배경 지식 ] MAS102 미적분학2 [ 추천 과목 ] MAS212 선형대수학, EE205 전자공학을 위한 자료구조 및 알고리즘, EE210 확률과 기초 확률과정

EE474 멀티미디어개론 [SS] 텍스트, 그래픽, 비디오 등의 멀티미디어 구성요소를 처리하는 방법을 배운다. 그래픽, 오디오, 딥러닝, 인코딩 및 디코딩 등 다양한 내용을 전반적으로 넓게 배우는 수업이다. 이후 실습 시간에는 Visual studio를 이용하여 이미지 프로세싱을 직접 하게 된다. 후반 부에는 자유 주제의 팀 프로젝트가 있다. [ 추천 과목 ] EE202 신호 및 시스템 [ 배경 지식 ] 프로그래밍 지식(언어 무관)

EE476 시청각 인지모델 [SS] 인간의 뇌가 시청각 정보를 어떻게 인식하는지를 배우는 수업이다. 생물학적 구조를 기반으로 인공신경망 모델을 학습하여 직접 MATLAB으로 프로그래밍하며 딥러닝의 기초를 배운다. 직접 딥러닝 프로그램을 라이브러리 없이 만들어야 한다. 필수적으로 이 전에 들어야 할 과목은 없으나, MATLAB 프로그래밍에 익숙하거나 Fast Fourier Transform 등의 내용을 알고 있으면 편하다. 내 용이 어렵진 않으나 수업을 잘 들어야 하며, 프로젝트가 난해한 편이므로 시간 투자를 많이 해야 한다.

HUMANS OF EE / / / / / / / / / / / /

세상에는 다양한 사람들이 존재합니다. 다양한 사람들이 여러 배경과 경 험을 가지고 각기 다른 삶을 살아가죠. 저희 EE Newsletter에서는 평소에 는 접하기 힘들었던, 하지만 우리와 같이 살아가는 다양한 전자과 사람들 의 이야기를 들어보고자 Humans of EE를 기획하였습니다. 해당 기사는 EE Newsletter 페이스북 페이지를 통해서도 받아보실 수 있습니다.

[ 배경 지식 ] MATLAB 기본 지식

EE488 전기 전자공학특강 <오디오 신호처리 입문> [SS] 오디오 신호를 처리하고 noise cancellation, spatial hearing 등 오디오 신호를 활용하는 내용을 다루게 된다. 신호 처리가 주가 되는 과목으로 EE202 신호 및 시스템을 필수적으로 들어야 하며, EE432 디지털 신호처리 과목을 들어 두면 도움이 된다. 과제로 는 MATLAB을 이용한 프로그래밍과 팀 프로젝트 등이 있다. 17년도에 처음 개설된 과목으로, 아직 수업 내용이 유동적이다 [ 선이수 과목 ] EE202 신호 및 시스템, EE432 디지털 신호 처리

“저희는 입시, 교과과정, 인사, 연구비, 산학, BK21+, 국제협력,

“2년간 EE Newsletter 기자 활동을 해왔어요. 하다가 보니까 매

홍보, 시설, 자산 등 전기 및 전자 공학부 내에서 일어나는 모든 업

번 인터뷰할 때, 교수님이나 특정 연구실, 혹은 선배님들과 같은 분

무를 수행하고 있습니다. 어느 대학에서도 보기 드물 정도로 구성

들만 인터뷰를 하더라고요. 그러다가 Humans of KAIST라는 페이

원의 수가 많은 대형 학부이기 때문일까요? 매우 다양하고 조치하

스북 페이지를 보았어요. 주위에서 쉽게, 자주 마주치는 분들부터

기 쉽지 않은 예민한 일들이 많이 발생하지만, 저희 부서원 모두는

자주 마주치지 못하는 분들까지, 인터뷰하고 사진을 찍어 포스팅을

머신 러닝, 딥 러닝과 강화학습의 기초에 대한 내용과 이를 인공지능에 응용하는 사례를 배운다. 수업을 통해 머신 러닝 분야의 넓

막.강.전.자 전기 및 전자 공학부의 위상에 걸맞은 행정서비스를 제

하시더라고요. 그게 굉장히 좋아 보였어요. 특히, OLEV 기사님과

은 지식의 기초를 쌓을 수 있으며, Python, 특히 Tensorflow를 이용한 실습을 통해 인공지능 agent를 직접 만들고 훈련을 시킴으

공하기 위해서 최선의 노력을 다하고 있습니다.”

미화원 아주머니분들과 인터뷰한 것을 보고 우리 EE Newsletter

[ 배경 지식 ] MATLAB 기본 지식

EE488 전기 전자공학특강 <딥러닝과 알파고> [CNS, COM, SS]

로써 프로그래밍 능력을 기를 수 있다.

“혹시 학생들에게 바라는 점이 있으신가요?”

[ 추천 과목 ] MAS202 선형대수학, EE326 정보이론 및 부호화 개론 [ 배경 지식 ] Python 기본 지식

EE488 전기 전자공학특강 <머신러닝 소개> [CNS, COM, SS] 머신러닝의 기초를 다루는 과목으로, 중간고사까지는 OLS, SVM, KNN 등 classification이나 regression에 사용되는 수학적 알 고리즘을 주로 공부하고, 중간고사 이후부터는 주로 Neural Network에 대해 배운다. 수업에서는 프로그래밍보다 수학적 알고리 즘이나 모델을 주로 다루며, 과제로는 프로그래밍 과제와 수학 문제가 각각 2번 나온다. 프로그래밍 과제는 수업 시간에 배운 알고 리즘을 직접 Python, Tensorflow로 구현하는 것으로, 각 알고리즘의 sudo code가 제시된다고 한다. 머신러닝에 대한 기본 지식 을 미리 알아두면 좋다.

에도 비슷한 것이 있으면 좋겠다는 생각을 많이 했어요. 정말 많이 마주치고 우리를 위해 힘써 주시지만 정작 대화를 나누어 본 적이

“무엇보다 저희 부서원들은 여러분의 관심과 따뜻한 격려의 한마

나 생각을 들어본 적은 없었으니까요. 이제 저는 대학원으로 진학

디가 큰 보람이 되고 있습니다. 불편사항은 언제든지 말씀 주시고,

하기에 기자 활동을 더 이상 할 수는 없겠지만 제가 원했던 코너를

앞으로도 많은 관심 부탁드립니다. 감사합니다.”

만들어서 기분이 좋아요! 앞으로 후배들이 열심히 해주길 기도해야

“We look over almost every aspects of the EE department; entrance, curriculum, human resources, research funds, industrial-educational cooperation, BK21+, international cooperation, public relations, facilities, assets…etc. Is it because of the huge size of our department that cannot be seen anywhere else? Many different and no-so-easy-to-handle things happen, but we, the members of EE administration are doing our best to provide the best service.”

[ 선이수 과목 ] EE210 확률과 기초 확률과정

“Is there anything that you expect out of the students?”

[ 배경 지식 ] 머신러닝 기초 지식

“Above all, a word of encouragement and your interest mean a lot to us. Please tell us any inconveniences, and show a lot of support to us. Thank you.”

겠죠. 그 동안 재미있었고 후회는 없어요.” “I’ve been working as the reporter for EE Newsletter for the last two years. Every time I do an interview, I always interview the same people; same professor, same lab…etc. Then I saw this facebook page called the Humans of KAIST. They post picture along with an interview with people who we see every day or people that we do not encounter often. It was very meaningful. Especially after seeing the interview with the OLEV driver and street cleaners, I thought that it would be nice to have similar thing in our EE Newsletter. Even though we meet them very often and they are work hard for us, we never had a conservation with them; so many people do not know what they think. Sadly, I can no longer work as a reporter since I am a graduate school student, now. However, I am very satisfied that I contributed to creating a corner that I really wanted.

한다빈 기자 handabin0617@kaist.ac.kr

Now, I will just have to pray that others will do their best in this corner. It was really fun, and I have no regrets.”

김윤성 기자 yskimno1@kaist.ac.kr 26