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.

전자공학 전공학생들에게 나노구조 반도체의 공학적 응용을 강의합니다. 특히 2차원 반도체의 전자 구조와 이의 변형, 그리고 저차원 나노구조 트랜지스터를 주로 다룹니다. 강의 후반부에서는 반도체 이외의 양자 물질도 강의합니다. 최종적으로 관련 논문들을 읽고 논의합니다.

집적회로분야의 최근 동향 및 연구 분야에 관한 내용을 다룬다.

이 과목은 인텔리전스 시스템(Intelligence System)의 기본 개념, 정의 및 계산 모델을 소개한다. 또한, 계산 모델과 실제 뇌와의 관계를 심리학 및 뇌 해부학 관점에서 함께 다룬다. 인텔리전스 시스템 온 칩(Intelligence System on a Chip)의 사례로는 시각적 주의 모델(Visual Attention Model)과 그 멀티코어 프로세서 구현을 머신러닝 알고리즘과 함께 학습한다.

본 과목은 “바이오메디컬 시스템반도체 융합설계 핵심인력 육성센터” 참여 학생을 대상으로 한 심화 PBL 수업으로, 다양한 설계주제를 융합/최적화하는 융합주제를 학기 초에 선택하여 주체적으로 수행하며 주제 제공 및 연구 과정 평가에서 담당 교수 및 센터 참여 교수진, 참여기업 연구진 등이 참여할 예정임.

뉴런의 전기적 동작 특성 분석과 이에 기반한 신경동역학적 모델링 기법 및 CMOS 회로 구현 방법을 학습한다. 다음 단계로, 개별 뉴런을 확장한 스파이크 기반 신경망 (SNN: Spike Neural Network)의 신호처리 및 연산과정을 학습한 뒤, 이들 원리를 어떻게 반도체 소자 및 회로에 적용하여 인공지능시스템을 구현하는지 각각의 사례들을 통해 학습한다.