top of page
-W.png){kind=logo}
FPGA 기반 실시간
Neural Network 실험
플랫폼
Moku: 인스트루먼트
Python에서 오프라인 학습 후 장비에 업로드하여 실시간 추론(Real time inference)을 수행합니다.
계측(Measurement), 제어(Control), AI 실습을 하나의 플랫폼에서 연결하세요.
지연 최소화
18 비트 고정 포인터
전체 5층 레이어
최고 80개 뉴런/레이어
30.5 KSa/s 처리 속도
왜 지금 'Physical AI' 실습 장비인가?
이미 AI 혁명 시대가 시작 되었습니다. 지금 우리에겐 GPU 시뮬레이션을 넘어, 실제 물리 신호 기반의 AI 제어 실습 환경이 절실히 필요합니다.
미래 인재가 갖춰야 할 실무 역량 준비
산업체 및 연구 분야에서 AI는 더 이상 소프트웨어 내부에서만 동작하지 않습니다.
자율 주행, 로봇, 스마트 시스템 등 물리 환경과 결합된 AI 기술이 핵심으로 떠오르고 있으며, 이런 기술은 산업 전반에 걸쳐 수요가 증가하고 있습니다.
실무 중심으로 완성되는 AI 학습
단순한 이론 수업만으로는 AI가 실제로 환경과 상호작용하며 동작하는 방식을 완전히 이해하기 어렵습니다. Physical AI 실습은 센서, 액추에이터, 로봇 등 물리 장치가 AI 알고리즘과 결합해 실제 행동을 수행하는 과정을 직접 경험할 수 있게 합니다. 이런 실습은 디지털 데이터 처리뿐 아니라 인지–판단–행동의 물리적 피드백 루프를 체득할 수 있도록 해 줍니다.
문제 해결 능력과 창의적 사고 함양
Physical AI 실습은 단순히 코드 작성이나 이론적 알고리즘 이해를 넘어 실제 환경 변화에 대응하는 시스템을 설계·개발·테스트하게 합니다.
이런 과정은 문제를 파악하고, 설계하며,
반복적으로 테스트하고 개선하는 창의적 문제 해결 능력을 키웁니다. 실수가 곧 학습 과정의 일부가 되기 때문에 시도–실패–개선의 경험적 학습이 촉진됩니다.
'Moku:Go Neural Network' 란 무엇인가?
사용자 정의 계측기(UDI)의 FPGA에서 신경망을 실행하여, 결정론적(Deterministic) 실시간 추론 기능을 제공합니다.
FPGA 고속 실시간 추론
초 저지연(Ultra low latency)과 18 bit 정밀도로 실험에 바로 적용합니다.
Python 오프라인 학습
훈련 데이터는 Moku: 에서 수집하거나 시뮬레이션으로 생성한 후, 실제 오프라인 에서 학습합니다.
학습된 네트워크 업로드 & 실행
학습된 네트워크를 설정 파일(.linn)로 컴파일하여 장비에 업로드하여 즉시 추론합니다.
핵심 사양 / Key Specification
Moku:Go Neural Network 기능 주요 사양
레이어 최대 개수 5
Moku:Go는 5개 레이어를 제공합니다.
레이어당 최대 뉴런수
80 (2-slot) / 50 (3-slot)
지원하는 레이어당 최대 뉴런(로드)의 수
최대 입력 샘플링 속도
Up to 30.5 KSa/s
FPGA에서 처리되는 입력 신호에 대한 샘플링
속도
시간 지연
Sub-millisecond
초 저지연은 실시간 제어/필터링에 적합합니다.
활성화 함수
ReLU, Softsign, Tanh, Sigmoid
(+ Linear)
지원되는 활성함수는 총 5가지 입니다.
Use Cases
활용 분야 / Use Cases
수업 / 연구에서 바로 연결되는 대표적인 실습은 아래와 같습니다.
실시간 제어 시스템 / Real-time Control Systems
-
피드백 루프에서 NN 기반 보정/추정
(예: 비선형 보상, 상태 추정) -
Deterministic latency로 반복 실험/교육에 유리
-
계측 신호와 추론 결과를 동시에 로깅하여 비교/분석
센서 컨디셔닝 / Sensor Conditioning
-
센서 비선형/드리프트 보정 (온라인 보정 파이프라인)
-
간단한 모델로부터 시작해 점진적으로 확장 가능
-
실험 데이터 기반의 보정 성능을 실히간 확인
신호 분류 및 이상 감지 / Classification & Anomaly Detection
-
신호 패턴 분류/상태 식별 (라벨 기반 학습)
-
이상 상태 감지 및 알람/로깅 연계
-
테스트 벤치에서 재현 가능한 실험 설계
잡음 감쇄 및 적응 필터 / Denoising & Adaptive Filtering
-
노이즈 제거/신호 복원 (실시간 필터링)
-
적응 필터링 개념을 NN으로 확장해 비교 교육
-
입력, 출력 동시 로깅으로 효과를 정량 비교
적용 예시 (수업 / 실험실) / Course & Lab Examples
-
제어 공학 : 모델 불확실성 보정 실습
-
신호 처리 : 적응 필터/예측기 구현 비교
-
센서/계측 : 실험 데이터 기반 보정 파이프 라인
학과 · 교과 매칭 / Education
기계/메카트로닉스, 전자·전기, 물리·광학, AI 융합 교과에 적용 가능합니다.
기계·메카트로닉스 / Mechatronics
제어/로보틱스/센서 실습에서 “추론 →
물리 응답”까지 한 흐름으로 구성합니다.
전자·전기 / Electric-Electronics Eng
신호처리·임베디드·계측 자동화 과목에서 실시간 NN을 직접 체험합니다.
물리·광학·센서 / Physics & Photonics
실험 데이터의 분류/디노이징 및 피드백 제어 시나리오를 빠르게 검증합니다.
Workflow
수업 진행 / Workflow
데이터 수집 / Collect
Moku:Go 에서 학습 데이터를 수집하거나, 복잡한
프로세스를 시뮬레이션 합니다.
업로드 / Upload
학습된 모델을 .linn 파일로 컴파일하여 Moku:Go에
업로드 합니다.
오프라인 학습 / Offline Training
Python 환경에서 네트워크를 설계 및 학습합니다.
(PyTorch/NumPy 등)
실시간 추론 / Inference
FPGA에서 Deterministic Inference 실행.
계측, 로깅, 제어와 통합합니다.
bottom of page