Strategic Machine Learning-Based Design Methods and Manufacturing Applications

In this Merric Webinar presentation, we will explore how research and development trends in materials science and the manufacturing industry have been significantly transformed by the emergence of machine learning (ML). Data-driven methodologies have accelerated the discovery, production, and product development of new materials by accurately and swiftly predicting complex physical processes and mechanisms that cannot be fully explained by traditional material or physical theories through correlations in data.
However, despite the availability of various ML models, the most important and challenging question remains: which ML algorithms are best suited for the design problems we face? In this presentation, we aim to segment challenges in material/shape/process design into categories based on data characteristics and design space size, providing guidelines for selecting ML algorithms to address these questions.

[@MERRICS]

슬라이드 자료 받기: sites.google.com/site/seunghwalab / 유승화 교수님 이메일: [e-mail]

[@user-id2oz7nx7l]

기계공학관련전공 학생입니다. AI/ML을 연구에 적용하는데 많은 참고가 되었습니다. 좋은강의 감사드립니다.

[@ryush83]

도움 되었다니 기쁩니다 =b

[@MERRICS]

49:40 도메인 지식을 가지고 있는, 다년간 현장 경험을 쌓은 엔지니어가, 수학적 지식과 함께 ML, DL에 관심이 있어서 관련 지식을 동시에 가지고 있다면 최상의 조합일 것이라 생각합니다. 현재 제조업 기업들은 ML, DL 적용에 대한 니즈가 있는 것 같지만, 현업의 mechanical engineer들은 AI 관련 관심이 많아 보이지는 않습니다.
도메인 지식을 가지고 있고, 동시에 AI 관련 지식도 가지고 있는 인재가 국내/국외에 충분히 양성되고 있는지 궁금합니다. 추가로, 어떤 방법/과정으로 양성되야 할 지 교수님의 의견이 궁금합니다.
52:00 데이터 생성 시, 수학적 모델에서 생성된 데이터는 실제 데이터와 차이가 있을 수 밖에 없습니다. 이 간격을 좁히기 위해서 수학적 모델에서 생성된 데이터에 어떠한 처리를 하는지 궁금합니다. (예를 들어서 난수 정보 or 인위적 노이즈를 추가한다던지 등)
52:50 다양한 분야에 머신러닝을 적용하고 계신데 주제를 어떻게 정하고. 업체로 부터의 다양한 요구가 있는지 궁금합니다.
54:23 Training data가 적다면 AI algorithm이 overfitting 가능성이 높은데, 이를 어떻게 측정하고 극복하였는지 궁금합니다.
56:34 multi fidelity 문제 등에서 실제 검증은 어떻게 진행되나요? 어떠한 데이터로 검증이 가능하다면 이 데이터를 학습 데이터 단에서 데이터를 생성할 수도 있을 것 같은데요. 학습 데이터에서 활용하는 것과, multi fidelity에 대처하는 transfer learning 등의 방법론 후에 검증 데이터로만 활용하는 것에 차이가 있을까요?