윤승리, 전우상, 최상혁, 김태형, 안태인 연구팀이 개발한 광합성 연구 어시스턴트(PRAG)는 AI를 활용하여 광합성 연구의 지식 통합과 연구 격차 파악에 혁신적인 발전을 가져올 것으로 기대됩니다. RAG 기법과 프롬프트 최적화, 지식 그래프 활용을 통해 정확성과 투명성을 높였으며, 광합성 연구 및 더 넓은 식물 과학 분야에 적용 가능성을 제시했습니다.

인도 연구진이 심층 신경망을 이용해 부울 함수의 비선형성을 예측하는 모델을 개발, 4~5 변수 함수에서 95% 이상의 정확도를 달성했으나, 변수 증가에 따른 정확도 저하 및 기존 알고리즘 대비 효율성 검증은 추가 연구 과제로 남았습니다.

Li 박사 연구팀이 개발한 FetDTIAlign은 딥러닝 기반 태아 뇌 dMRI 영상등록 프레임워크로, 기존 방법보다 정확하고 신뢰할 수 있는 결과를 제공하여 태아 뇌 발달 연구에 새로운 가능성을 열었습니다.

Thomas Fel의 연구는 딥러닝 모델의 설명 가능성을 향상시키는 획기적인 방법들을 제시했습니다. Sobol indices와 EVA 방법을 통해 기존 방법의 한계를 극복하고, 인간의 추론 과정을 모방하는 훈련 루틴과 CRAFT, MACO와 같은 새로운 개념적 설명 가능성 접근법을 통해 모델의 작동 원리를 더욱 명확히 이해할 수 있게 되었습니다. ImageNet을 활용한 실험 결과는 이 연구의 실효성을 보여주며, 향후 AI 시스템의 투명성과 신뢰성 향상에 크게 기여할 것으로 기대됩니다.

후지모토 타쿠미와 니시 히로아키 연구팀이 개발한 EAGLE 최적화 알고리즘은 기존 방법보다 빠른 학습 속도와 안정성을 제공하며, AI 모델 학습 시간 단축에 기여할 것으로 기대됩니다. Adam과의 적응형 전환 메커니즘을 통해 안정성을 확보한 EAGLE은 향후 다양한 AI 응용 분야에서 활용될 가능성이 높습니다.