마이크로그리드는 대규모 영역에 분산되어 있는 독립형 전원으로, 여러 IoT 센서를 활용하여 데이터를 수집한다. 센서 동작의 고유한 특성은 상당한 데이터 전송 중복을 발생시키며, 그 결과 전체 파이프라인에 걸친 연산 오버헤드가 증가한다. 본 연구는 OPC 통합 아키텍처(UA) 기반 마이크로그리드와 OPC-CLOUD를 관리하기 위한 새로운 클라우드-엣지 협력 프레임워크를 제안한다. 주요한 특징은 클라우드 메트릭 엔진(CME)과 엣지 컨트롤러(EC)의 오케스트레이션에 있다. CME는 수집된 데이터를 분석하여 전송 구성을 전술적으로 결정하며, 특히 데이터의 변동에 적응적으로 대응한다. EC는 CME가 설정한 주파수 기반 및 임계값 기반 전송을 통해 네트워크 오버헤드와 자원 소모를 줄이면서 효과적인 전송 제어를 가능하게 한다. 최신 기술의 딥러닝 예측 접근법과의 비교를 통해, 엣지에서의 연산 오버헤드를 유의미하게 감소시키면서도 네트워크 전송을 안정적으로 유지하는 OPC-CLOUD의 유효성을 확인하였다. 또한, OPC-CLOUD는 네트워크 트래픽을 줄이면서 시계열 예측 모델의 성능을 유지할 수 있음을 보여준다.

본 연구에서는 입력 그래프를 더 작은 부분그래프로 분할하여 효과적이고 확장 가능한 그래프 표현 학습(GRL)을 두 수준에서 수행하는 새로운 GRL 모델인 Two-Level GRL with Subgraph-as-a-Node(SaaN 2L-GRL, 이하 간단히 SaaN 2L-GRL)를 제안한다. 이 모델은 1) 로컬 GRL과 2) 글로벌 GRL의 두 수준으로 GRL을 수행한다. 두 수준의 GRL을 효율적으로 구현하기 위해, 그래프의 상위 수준 토폴로지를 효과적으로 유지하면서 그래프의 크기를 크게 감소시키는 추상화 그래프인 Subgraph-as-a-Node Graph(SaaN, 이하 간단히 SaaN)를 제안한다. SaaN 그래프를 로컬 및 글로벌 GRL 모두에 적용함으로써, SaaN 2L-GRL은 각 부분그래프 내의 노드를 정밀하게 표현하는 동시에 전체 그래프의 전반적 구조를 효과적으로 보존할 수 있다. 시간 복잡도 분석을 통해, 원래 그래프를 사용하여 글로벌 GRL을 수행하는 기존 GRL 모델과 달리 SaaN 그래프를 글로벌 GRL에 사용하고 부분그래프에서 로컬 GRL을 병렬로 처리함으로써, SaaN 2L-GRL이 기존 GRL 모델의 학습 시간을 유의미하게 감소시킴을 확인하였다. 광범위한 실험 결과, SaaN 2L-GRL은 정확도와 효율성 모두에서 기존 GRL 모델보다 우수함을 보였다. 또한, SaaN 2L-GRL의 효과성은 다섯 가지 커뮤니티 탐지 알고리즘 및 대표적인 edge-cut 및 vertex-cut 알고리즘을 포함하는 다양한 그래프 분할 방법을 사용하여 입증하였다.

친환경 교통에 대한 관심이 증가함에 따라 전기자동차(EV)의 수요 또한 함께 확대되고 있다. 이러한 흐름 속에서 도시 환경에서 효율적인 충전 인프라를 구축하는 일은 필수적이 되었다. 그러나 충전소 인프라가 존재함에도 불구하고, 그 이용률은 여전히 낮은 수준이다. 본 연구에서는 위치 근접성과 충전 유형 선호를 고려하는 상황 인지형 정제(context-aware refining) 접근을 그래프 신경망(Graph Neural Network, GNN) 기반 추천 알고리즘에 통합하여 제안한다. EV 충전소 데이터에 대해서는 대규모의 실시간 데이터를 수집하고 관리한다. 또한 추천 시스템 개발에 필수적인 구성요소인 운전자 프로필 데이터의 부재 또는 접근 제한이 야기하는 한계를 극복하기 위해, 실제 운전자들의 충전 패턴과 행동 특성을 분석하고 재현하는 시뮬레이터를 개발한다. 이를 통해 현실적이고 신뢰할 수 있는 운전자 프로필 데이터를 생성할 수 있다. 우리는 기본 협업 필터링을 위해 최신 기술 수준의 GNN 기반 추천 모델을 사용한다. 이후 최종 추천 결과를 위해 사용자와 충전소 간의 위치 근접성과 충전 유형 선호(즉, 완속/급속)를 상황 인지 정제 요인으로 반영한다. 추천 성능을 추가로 향상시키기 위해, 충전소와 사용자 모두를 고려하여 실제 공간 분포를 반영하는 군집화 기반 접근을 적용함으로써 단순한 위치 근접성 활용을 넘어선다. 광범위한 실험을 통해, 다양한 협업 필터링 모델들에서 기준 GNN 접근과 비교하여 우리의 상황 인지 정제가 추천 품질을 일관되게 향상시킨다는 점을 보인다. 특히 충전 유형 정보와 공간 군집을 활용하는 경우 상당하고 안정적인 성능 향상이 나타났으며, 두 요소를 함께 사용할 때 가장 견고한 결과가 도출된다. 이러한 결과는 효과적인 EV 충전소 추천을 위해 기능적 선호와 지리적 맥락을 함께 모델링하는 것의 중요성을 강조한다.

스파이크 신경망(Spike Neural Networks)은 에너지 효율성을 제공하며 뉴로모픽 하드웨어에서 초저전력 추론을 위한 유망한 후보로 주목받고 있다. 컴퓨터 비전 분야에서는 광범위하게 연구되었지만, 자연어처리(Natural Language Processing)에서의 적용은 제한적이며 충분히 탐구되지 않았다. 기존 연구의 중요한 과제는 다음 세 가지이다. (1) 스파이크 발화 함수가 초기 조건에 민감하고, (2) 동일한 토큰 입력이 주어지더라도 스파이크 타이밍이 확률적으로 발생하여 문맥 정보의 안정적인 보존을 어렵게 하며, (3) 학습 유효성에 대한 스파이크 발생의 분석이 제한적이다. 학습 효율성과 안정성을 향상시키기 위해, 우리는 동적 스파이크 예측기(Dynamic Spike Predictor, DSP)를 제안하며 이를 통해 스파이크 생성을 적응적으로 조절한다. DSP는 각 시간 단계에서 스케일이 조정된 입력 전류를 예측하여 스파이크 활동을 조절함으로써 안정적인 그래디언트 흐름을 유지하고, 백본 SNNs에 대해 추가 파라미터는 약 0.2%에 불과하다. 우리는 세 가지 NLI 벤치마크(CB, RTE, SICK)에 대한 종합적인 실험을 통해 그 효과를 검증하고, DSP의 학습 성능, 견고성, 확장성에 관한 연구 질문들을 다룬다. 코드는 https://github.com/bigbases/Spike-Predictor 에서 제공된다.