**1. 서론** 그래핀은 뛰어난 전기적, 기계적 특성을 지닌 2차원 탄소 재료로서, 다양한 분야에 응용 가능성이 높다. 특히 그래핀을 다른 물질과 복합화하여 특정 물성을 강화하는 연구가 활발히 진행되고 있다. 그러나 복합체 내 탄소 원자의 배열 (배향, 결함 분포, 층간 간격 등)은 최종 물성에 지대한 영향을 미치므로, 이를 정밀하게 제어하고 예측하는 것이 핵심 과제이다. 본 연구에서는 섭동 이론을 기반으로 한 머신러닝 모델을 구축하여, 그래핀 기반 복합체 내 탄소 원자 배열 변화에 따른 Young's Modulus 변화를 예측하고, 최적의 배열 조건을 탐색하는 것을 목표로 한다.

### 1. 서론 최근 조합 최적화 문제는 물류, 금융, 신약 개발, 머신러닝 등 다양한 분야에서 핵심적인 역할을 수행하고 있다. 이러한 문제들은 변수들의 조합 수가 기하급수적으로 증가함에 따라 전통적인 컴퓨터로는 해결하기 어렵다는 NP-hard 문제의 특성을 가진다. 양자 어닐링(Quantum Annealing, QA)은 양자역학적 터널링 효과를 이용하여 이러한 조합 최적화 문제의 해를 효율적으로 탐색할 수 있는 잠재력을 가진 기술로 주목받고 있다. 하지만 현재 상용화된 양자 어닐링 하드웨어는 큐비트 수, 연결성, 코히어런스 시간 등의 물리적 제약으로 인해 복잡한 실세계 문제에 직접 적용하는 데 어려움이 있다.

**Abstract** 본 연구는 이온 트랩 큐비트 기반 양자 컴퓨팅 시스템의 핵심 과제 중 하나인 다중 이온 제어 기술의 혁신적인 접근 방식을 제시합니다. 특히, 마이크로웨이브와 레이저 펄스를 이용한 정밀한 이온 제어 방법을 결합하여, 큐비트의 얽힘, 양자 게이트 구현의 효율성을 극대화하는 데 초점을 맞춥니다. 본 연구는 실시간 피드백 제어 시스템과 머신러닝 알고리즘을 통합하여 양자 게이트의 정확도를 향상시키고, 다중 큐비트 시스템의 스케일업 가능성을 높이는 것을 목표로 합니다.

### 초록 본 연구는 엣지-클라우드 환경과 같은 분산형 이종 컴퓨팅 환경에서 다양한 워크로드 유형에 대한 효율적인 적응형 관리 시스템을 제안한다. 워크로드의 실시간 요구사항과 가변적인 컴퓨팅 리소스 상황을 고려하여 자원 할당, 워크로드 배치, 스케줄링 전략을 동적으로 조정하는 메커니즘을 개발한다. 머신러닝 기반 예측 모델을 통해 워크로드 변화를 예측하고 사용자 정의 정책을 이용하여 시스템의 성능 목표를 달성하며, 컨테이너 오케스트레이션 기술을 활용하여 워크로드의 이동성과 확장성을 극대화한다.

### 초록 본 연구는 급증하는 사이버 물리 시스템(CPS)의 보안 위협에 대응하기 위해 양자 컴퓨팅과 엣지 컴퓨팅을 통합한 새로운 보안 프레임워크를 제안한다. 기존 CPS 보안 시스템의 한계를 극복하기 위해, 양자 키 분배(QKD)를 활용한 안전한 엣지 노드 구축, 양자 머신러닝(QML) 기반의 실시간 이상 탐지, 그리고 적응형 위협 대응 전략을 결합하여 CPS의 보안성을 획기적으로 향상시키는 것을 목표로 한다. 본 프레임워크는 산업 제어 시스템(ICS), 스마트 그리드, 자율주행 시스템 등 다양한 CPS 환경에 적용 가능하며, 실시간으로 변화하는 사이버 위협에 능동적으로 대응할 수 있는 유연하고 확장 가능한 아키텍처를 제공한다.

### 초록 본 연구는 도시 환경의 복잡하고 역동적인 변화를 실시간으로 감지하고 분석하기 위해 자기 적응형 분산 센서 네트워크(SA-DSN, Self-Adaptive Distributed Sensor Network)를 제안한다. 기존의 고정형 센서 네트워크의 한계를 극복하고, 변화하는 환경 조건에 유연하게 대응할 수 있도록 설계된 SA-DSN은 이기종 센서 노드 간의 협업, 데이터 융합, 머신러닝 기반의 이상 감지 기술을 통합하여 도시 환경 모니터링의 정확성과 효율성을 극대화한다. 특히, 본 연구에서는 SA-DSN의 핵심 요소인 센서 배치 최적화 알고리즘, 에너지 효율적인 통신 프로토콜, 그리고 실시간 데이터 분석 및 예측 모델을 상세하게 제시하고, 실제 도시 환경 데이터를 활용한 시뮬레이션 및 프로토타입 구현을 통해 제안된 시스템의 성능을 검증한다.

### 1. 서론 지구온난화, 해수면 상승, 연안 개발 등으로 인해 전 세계적으로 해안선 변화가 가속화되고 있다. 이러한 변화는 연안 생태계 파괴, 인프라 손실, 재해 위험 증가 등 다양한 문제를 야기한다. 따라서 해안선 변화를 정확하게 탐지하고 예측하는 것은 효과적인 연안 관리를 위해 필수적이다. 본 연구에서는 고해상도 위성 이미지를 활용하여 해안선 변화를 탐지하고, 시계열 분석 및 머신러닝 기법을 결합하여 미래 해안선 위치를 예측하는 모델을 개발하고자 한다.

### 초록 본 연구는 항공기 복합재 구조의 충격 후 잔류 강도를 정확하게 예측하고 최적화하기 위한 데이터 기반 모델링 기법을 제시한다. 최신 머신러닝 알고리즘과 실험 데이터를 융합하여 개발된 예측 모델은 기존의 경험적 모델이나 유한 요소 해석의 한계를 극복하고, 실제 항공기 구조의 설계 및 유지보수에 활용될 수 있도록 높은 신뢰성과 효율성을 제공하는 것을 목표로 한다. 특히, 베이지안 최적화 기법을 통해 모델의 성능을 극대화하고, 예측 불확실성을 최소화하는 방법을 제시함으로써, 항공기 안전성 향상에 기여하고자 한다.

### 1. 서론 머신러닝 모델의 복잡도가 기하급수적으로 증가함에 따라, 대규모 데이터 처리와 효율적인 모델 압축 기술의 중요성이 더욱 부각되고 있다. 특히 스파스 텐서 분해(Sparse Tensor Decomposition, STD)는 고차원 데이터의 핵심 패턴을 추출하고, 모델의 크기를 줄여 메모리 사용량과 계산 비용을 절감할 수 있는 효과적인 방법론으로 주목받고 있다. 기존의 CPU 및 GPU 기반 STD 알고리즘은 연산 복잡도가 높아 대규모 텐서 처리에 상당한 시간이 소요된다는 한계점을 지닌다.

**초록** 본 연구는 별 형성 과정에서 발생하는 기체 역학적 불안정성(GMI)과 별 형성 효율성(SFE) 간의 관계를 규명하고, 이를 활용하여 GMI의 시뮬레이션 및 관측 데이터를 기반으로 SFE를 정량적으로 예측하는 모델을 개발하는 것을 목표로 합니다. 본 연구에서는 자기 유체 역학 시뮬레이션(MHD 시뮬레이션)을 통해 GMI와 관련된 물리적 변수들을 추출하고, 이를 머신러닝 모델에 적용하여 정밀한 SFE 예측을 가능하게 합니다. 개발된 모델은 항성 형성 연구 분야의 정확성을 향상시키고, 별 형성 과정에 대한 이해를 심화시키는 데 기여할 것으로 기대됩니다.

**초록** 본 연구는 지진 조기 경보 시스템의 성능 향상을 목표로, 활성 단층 정보를 기반으로 하는 새로운 고해상도 지진파 앙상블 예측 기법을 제안합니다. 이 기법은 지진 발생 시뮬레이션, 머신러닝 기반의 특징 추출 및 앙상블 학습을 융합하여, 지진 규모 및 진앙 위치에 대한 불확실성을 줄이고, 지진파 도착 시간 및 최대 지반 운동 (PGV) 예측 정확도를 획기적으로 향상시킵니다. 특히, 활성 단층의 지질학적 특성을 반영한 지진 발생 시나리오를 생성하고, 이를 딥러닝 기반의 모델에 적용하여 지진파의 복잡한 특성을 효과적으로 학습합니다.

### 초록 본 논문에서는 이종 센서 네트워크에서 수집된 데이터를 활용하여 실시간으로 다중 위협을 예측하는 자기 적응형 시스템을 제안한다. 제안하는 시스템은 센서 데이터의 이상 징후를 감지하고, 머신러닝 모델을 사용하여 위협 유형을 분류하며, 상황 정보를 고려하여 예측의 정확도를 향상시킨다. 또한, 시스템은 운영 환경의 변화에 따라 예측 모델을 자동으로 재학습하여 예측 성능을 유지하고 향상시킨다. 실제 환경 데이터를 사용하여 시스템의 성능을 평가한 결과, 높은 정확도와 빠른 예측 속도를 보여주어 실시간 위협 예측 시스템으로서의 가능성을 입증하였다.

### 초록 본 연구는 급증하는 무선 통신 수요와 이로 인한 스펙트럼 부족 문제를 해결하기 위해, 분산형 엣지 컴퓨팅(Distributed Edge Computing, DEC) 환경에서 적응형 양자 머신러닝(Adaptive Quantum Machine Learning, AQML) 기반의 실시간 스펙트럼 예측 및 자원 할당 최적화 기법을 제안한다. 제안하는 시스템은 엣지 노드에 분산된 센서 데이터를 활용하여 스펙트럼 사용 패턴을 예측하고, 양자 알고리즘을 통해 실시간으로 효율적인 자원 할당을 수행함으로써 스펙트럼 효율성을 획기적으로 향상시킨다.

### 초록 본 연구에서는 리간드 기반 광촉매 시스템의 효율적인 설계를 위해 양자화학 계산과 머신러닝 기법을 융합한 새로운 접근법을 제시한다. 구체적으로, 밀도범함수 이론(Density Functional Theory, DFT) 계산을 통해 다양한 리간드 구조의 전자적 특성을 추출하고, 추출된 특징을 기반으로 광촉매 반응의 활성도 및 선택성을 예측하는 머신러닝 모델을 개발한다. 특히, 본 연구에서는 확장된 특징 공간을 활용하여 예측 정확도를 향상시키는 데 초점을 맞추었으며, 개발된 모델을 활용하여 새로운 고효율 광촉매 시스템 설계 가능성을 탐색한다.

### Abstract 본 연구는 스마트 팩토리 환경에서 에너지 소비를 최적화하고 실시간 모니터링을 통해 효율성을 극대화하는 지능형 에너지 관리 시스템(IEMS)의 설계 및 구현에 대한 내용을 담고 있습니다. 센서 데이터를 활용한 에너지 사용 패턴 분석, 머신러닝 기반의 예측 모델 구축, 그리고 실시간 제어 시스템 통합을 통해 에너지 효율을 개선하고 운영 비용을 절감하는 것을 목표로 합니다. 본 연구는 2025-2026년 사이에 상용화 가능한 기술들을 중심으로 하며, 수학적 함수와 알고리즘을 통해 이론적 배경을 명확히 제시하고, 실제 구현 가능성을 시뮬레이션 데이터를 통해 검증합니다.

**1. 서론** 지구의 물 순환(Global Water Cycle)은 기후 변화, 물 부족, 자연 재해 등 다양한 문제와 밀접하게 연관되어 있으며, 정확한 예측은 이러한 문제를 해결하기 위한 중요한 첫걸음입니다. 이 연구는 Global Water Cycle 분야에서 **강우 패턴 예측**이라는 초세부 연구 분야를 중심으로, 비선형 시계열 분석 기법과 적응형 머신러닝 알고리즘을 융합하여 정확하고 실용적인 강우 예측 모델을 개발하는 것을 목표로 합니다. 기존의 강우 예측 모델은 종종 단순 선형 모델이나 고정된 파라미터를 사용하는 경우가 많아, 실제 복잡하고 변화무쌍한 강우 패턴을 정확하게 포착하는 데 한계가 있었습니다.

**Abstract** 본 연구는 극자외선(EUV) 리소그래피 공정의 고해상도 패턴 형성 및 결함 감소를 목표로, 머신러닝 기법을 활용한 공정 최적화 연구를 제시한다. EUV 리소그래피는 반도체 제조의 핵심 기술로, 고집적 회로 구현에 필수적이지만, 공정의 복잡성으로 인해 패턴 결함 발생 가능성이 높다. 본 연구에서는 EUV 리소그래피 공정 시뮬레이션 데이터를 기반으로 머신러닝 모델을 훈련하여, 공정 변수 조절을 통한 패턴 형성의 정밀도를 향상시키고, 결함 발생 빈도를 최소화하는 최적화 방안을 제시한다.

**초록** 본 연구는 CAN (Controller Area Network) 통신 기반의 차량 내 네트워크에서 발생하는 비정상적인 트래픽 및 오류를 감지하고 예측하는 시스템을 제안합니다. 본 시스템은 CAN 통신 데이터의 시계열 분석, 머신러닝 기법, 그리고 통계적 분석을 융합하여 차량 내 통신 환경의 안전성과 신뢰성을 향상시키는 것을 목표로 합니다. 특히, 실시간 데이터 수집, 이상 감지 알고리즘, 그리고 예측 모델을 결합하여 잠재적인 결함 발생 가능성을 사전에 인지하고, 차량의 안전 운행을 보장하는 데 기여하고자 합니다.

**초록** 본 연구는 차세대 통신 시스템 및 레이더 시스템의 핵심 부품인 자율형 고밀도 마이크로파 필터의 설계, 시뮬레이션, 제작 및 성능 검증에 관한 포괄적인 연구 결과를 제시한다. 특히, 메타물질 (Metamaterial) 기반의 필터 설계를 통해 초소형화 및 고집적화된 필터 구현 가능성을 탐구하고, 머신러닝 기반의 자동화된 설계 프로세스를 도입하여 필터 설계의 효율성과 성능을 극대화한다. 또한, 실제 제작된 필터의 성능을 정밀하게 측정하고, 시뮬레이션 결과와의 비교 분석을 통해 설계 정확성 및 구현 기술의 신뢰성을 확보한다.

**요약** 본 연구는 2025년-2026년 내 상용화를 목표로 변분 양자 회로 (Variational Quantum Circuit, VQC) 기반 적대적 생성 신경망 (Generative Adversarial Network, GAN) 모델을 제안한다. 제안하는 모델은 고차원 데이터 생성에 특화되어 있으며, 양자 컴퓨팅의 병렬성을 활용하여 기존 GAN 모델의 학습 속도 및 생성 품질 한계를 극복하고자 한다. 구체적으로, 판별자 (Discriminator) 네트워크의 일부 또는 전체를 VQC로 대체하여 복잡한 데이터 분포 학습 능력을 향상시키고, 생성자 (Generator) 네트워크 역시 양자 회로를 이용하여 더욱 다양하고 창의적인 데이터 생성을 가능하게 한다.