공정과 설비가 달라도 활용할 수 있는 MFM.
제조 현장의 저주파·고주파 시계열, 이미지, 문서 등에서 재사용 가능한 표현을 학습합니다. 인코더의 일반화 능력과 디코더의 현장별 특화를 결합하여, 새로운 설비와 과제에 적응하는 방법을 연구합니다.
THE RESEARCH CHALLENGE공정과 설비마다 센서, 운전 조건, 데이터 분포가 다릅니다. 이 차이를 무시하지 않으면서 지식을 재사용하는 것이 핵심 과제입니다.
MFM · 연구 아키텍처 개요모바일에서는 좌우로 이동
입력 모달리티의 특성 보존일반화 표현 학습과제별 특화
연구실에서 제공한 MFM·MatFM 아키텍처 자료를 홈페이지용으로 단순화한 개념도입니다. 모든 구성요소의 구현·실증 완료를 의미하지 않습니다.
01 / REPRESENTATION서로 다른 데이터의 학습
시간 척도가 다른 시계열과 비전·텍스트를 각 모달리티에 맞게 표현하고 연결합니다.
02 / ADAPTATION현장과 과제에 맞는 특화
공통으로 학습한 표현을 품질 검사, 설비 진단, 공정 최적화 등의 개별 과제에 적응시키는 방법을 연구합니다.
03 / TRUST불확실성과 현장 변화
학습한 범위를 벗어난 조건, 데이터 부족, 공정 변화에 대응하는 모델의 활용 범위와 신뢰성을 검토합니다.
MFM과 MatFM은 같은 모델의 다른 이름이 아닙니다. 각각 제조 공정과 소재·화합물을 중심으로 연구하며, 인코더의 일반화와 디코더의 특화라는 설계 관점을 공유합니다.
