이 과목은 신경영상(neuro-imaging) 및 신경영상 처리(neuro-image processing) 기법에 대한 개요를 제공한다. 신경영상 기술의 역사적 발전과 최근 동향, 그리고 관련 영상 처리 기법들을 함께 다룬다. 다양한 신경영상 기법 중 특히 광학 영상(optical imaging)에 중점을 두어 설명하며, 영상 처리 측면에서는 일반적인 영상 처리 기법뿐만 아니라 신경영상에 특화된 기법들도 함께 다룰 예정이다.

이 강의는 고급 멀티미디어 처리 및 학습 기술을 다룬다. 멀티센서리 신호, 영상, 오디오, 언어는 멀티미디어의 핵심 요소이며, 이들을 활용한 멀티모달 학습은 지능형 감시 시스템, 스마트 TV, 인간-기계 인터페이스 시스템 등 실제 응용 분야에서 핵심 기술로 활용되고 있다. 강의에서는 이미지, 비디오, 오디오, 언어의 표현 학습을 포함한 멀티미디어 학습의 기초, 멀티미디어 융합 기법(multimedia fusion schemes), 정렬(multimedia alignment), 주의(attention) 메커니즘 등을 다룬다. 또한, 학생들은 멀티모달 처리 및 학습 분야에서 최근 발표된 논문을 읽고, 학기말 프로젝트를 수행함으로써 실질적인 이해를 심화하게 된다.

딥러닝 기반의 음성전처리, 음성인식, 화자인식, 음성합성 등의 최신 기술을 소개하며 깊이 있고 폭넓게 다루어서, 최근 급속히 확대되고 있는 음성지능 기술의 응용 영역 확장에 필요한 기술적 능력을 배양한다.

본 과목은 다채널 음향 신호로부터 각종 정보를 추출하고 탐지하기 위한 기법과 배경 이론을 다룹니다. 음파의 전파 현상에 대한 물리적 이해에서 출발하여, 음향 홀로그래피, 빔 형성 기법, 가상 현실을 위한 오디오 취득 및 전송, 그리고 심층강화학습 기반 기술을 공부합니다.

영상 복원(image restoration) 및 향상(image enhancement)은 영상 처리와 컴퓨터 비전 분야의 근본적인 문제로 다뤄져 왔다. 영상 복원은 모션 블러, 노이즈, 카메라 초점 흐림 등 다양한 형태로 손상된 입력 영상으로부터 원래의 깨끗한 영상을 추정하며, 이는 손상 과정을 역으로 복원하는 방식으로 수행된다. 반면, 영상 향상은 과학적인 관점에서 실제 데이터를 복원하는 것보다는 손상된 영상의 주관적인 시각 품질을 향상시키는 데 목적이 있으며, 일반적으로 영상이 생성된 과정에 대한 사전 지식 없이 수행된다.

최근 영상 복원 및 향상 기술의 발전과 함께 초고화질 영상에 대한 수요가 증가하고 있다. 특히, 딥러닝 기반 영상 복원 및 향상 기술은 기존 방법에 비해 매우 뛰어난 성능을 보이며 큰 성과를 이루었다. 본 과목에서는 기존의 영상 복원 및 향상 기법과 그 한계를 분석하고, convolutional neural networks, recurrent neural networks, generative networks를 활용한 최신 딥러닝 기반 방법들을 학습한다. 수업, 과제, 학기말 프로젝트를 통해 학생들은 영상 복원 및 향상 분야의 최신 기법을 직접 접하고 경험하게 된다.

이 수업에서는 주로 고급 기계 기우는 알고리즘의 기본 모델 아키텍처와 훈련 원리와 그 응용에 대해 소개할 것입니다. 이 수업은 특히 chatGPT에 사용되는 변압기 네트워크 및 생성 모델뿐만 아니라 컨볼루션 신경망, 순환 신경망, 강화 학습을 다룰 것입니다. 또한 이러한 고급 변압기 모델은 설계를 추정하고 안테나, 회로, 장치, 무선 전력 전송 시스템, 패키지 및 반도체를 포함한 고속 및 주파수 전자기 시스템을 최적화하는 데 사용될 것입니다. 자세한 관련 적용 예시에 대해서는 수업에서 토론을 하며 논의할 예정입니다.

이 과목에서는 딥 뉴럴 네트워크(Deep Neural Network), 컨볼루션 뉴럴 네트워크(Convolution Neural Network), 순환 뉴럴 네트워크(Recurrent Neural Network), 강화 학습(Reinforcement Learning)을 포함한 머신러닝 알고리즘의 기초 개념을 소개한다. 특히 강화 학습의 기본 원리와 핵심 응용 분야에 대해 학습하고 토의한다. 또한 GPU, HBM, AI 칩 등 AI 가속기 컴퓨팅 구조에 대해서도 다룬다. 마지막으로, 이러한 강화 학습 기법을 안테나, 회로, 소자, 반도체 등 전자기 시스템의 추정, 설계 및 최적화에 적용한다.

전자공학 전공학생들에게 생성 인공지능과 초거대 인공지능의 기본적인 원리를 강의합니다. 특히 LLM과 v-LLM 과 같은 초거대 인공지능에 대해서 강의합니다. 여기에는 GAN, Transformer model, Diffussion Model 의 원리와 구조도 강의합니다. 최종적으로 이러한 원리에 기초해서 공학설계에 적용합니다. 특히 반도체 설계에 생성 인공지능 방법을 사용합니다.

본 과목은 정규과목에 포함되어 있지 않은 광공학 분야의 최신 연구 동향을 강의하기 위한 것이다.

물리전자공학에서의 새롭게 등장하는 분야를 깊이 있게 다룬다.