기술동향
강화학습 연구 및 융합 기술 동향
- 등록일2021-03-31
- 조회수7218
- 분류기술동향 > 종합 > 종합
-
자료발간일
2021-03-31
-
출처
정보통신기획평가원
- 원문링크
-
키워드
#강화학습#융합기술#융합기술동향
- 첨부파일
file152989681938878367-199002.pdf
강화학습 연구 및 융합 기술 동향
◈목차
I. 서론
Ⅱ. 비지도 강화학습
Ⅲ. 비지도 강화학습 응용분야
Ⅳ. 결론
◈본문
I. 서론
강화학습(Reinforcement Learning)은 MDP(Markov Decision Process) 기반의 최적화 개념과 동물심리학 개념(trial-and-)을 결합한 인공지능 기반 기계학습 알고리
즘 중 하나이며，시스템 최적화 문제를 풀기 위해 많은 연구 및 개발이 이루어지고 있다.
또한，강화학습은 모든 시스템 환경 정보를 담당하고 관여하는 시물레이션 혹은 시스템환경(Environment)을 중심으로 에이전트(Agent)가 환경에서 파생되는 데이터를 이용하
여 보상함수(Reward Function)를 구성하고 이를 반복적으로 개선하여 최적의 목표를 달성하는 시스템 제어 방법이다. 이를 위해서 에이전트는 환경으로부터 파생되는 복수의
환경 상태(State) 변화，에이전트의 행동(Action) 제어，시스템 보상함수 설계，정책 (Policy) 개선 및 최적화(Optimization) 모델 도출이라는 유기적인 프로세스를 진행하여
야 하며，이에 따른 환경 상태 정의，행동 결정，보상함수 및 정책 설계 등의 학습 지표들이 잘 맞물려서 작동해야 좋은 학습 효과를 얻을 수 있다.
강화학습은 다른 기계학습 알고리즘과는 달리 에이전트의 행동에 따른 보상 학습을 기반으로 시스템 제어를 달성하는 최적 제어 솔루션이기 때문에，보상함수를 설계하기 위한
사용자(엔지니어)의 노력이 매우 중요하며，시스템/시물레이션 환경에서 파생되는 데이터를 기반으로 학습 프로세스를 진행해야 하므로 시스템/시물레이션 환경이 반드시 존재해
야 하는 제약 사항이 있어 다양한 분야에 적용하여 폭넓게 발전하기에는 여전히 한계가 있다.
하지만，2013년 심층신경망(Deep Neural Network： DNN)을 결합한 심층 강화학습(Deep Reinforcement Learning) 방법이 도래하면서 학습을 위한 다양한 라이브러리
(Library)들이 제공되어 수많은 학습 데이터를 처리하기 위한 리소스 문제점들이 해결되고 있으며，실험 및 검증을 위한 많은 가상 시물레이션 환경들이 제공되어 강화학습 기반
최적 제어 문제를 풀기 위해 다양한 솔루션들과 함께 빠르게 발전해 나아가고 있다.
또한，강화학습은 2015년 2월 네이처에 게재된 DQN(Deep Q_Network) 알고리즘으로 인해 학습 패러다임이 바뀌는 현상들이 본격적으로 나타나기 시작했다. 기존 강화학습
은 학습 환경의 상태와 행동을 통해 출력되는 기댓값을 예측하는 방법으로 의사결정을 위한 Q 함수(Q-function)와 정책을 유기적으로 학습 개선하여 최적 제어를 달성하는
방법이다.
하지만 기존의 Q 함수를 학습하기 위해서는 많은 시간을 학습에 투자해야 하며，환경에서 제공되는 과도한 환경 상태 정보에 따라 학습이 잘 이루어지지 않거나，잘못
된 목표로 학습이 진행되는 경우가 발생하였다. 이러한 문제점을 극복하기 위해 Q 함수를 심층신경망으로 구성하여 학습을 진행하는 연구 방법들이 연구되었고，이 방법들을 통해
Q 함수의 학습효율 및 예측 정확도 성능을 높여 보다 효과적인 행동 제어 기반의 최적화 기계학습 알고리즘을 제공할 수 있게 되었다. 구글의 딥마인드는 DQN을 처음으로 소개
하였고，우리가 잘 알고 있는 Atari 게임부터 AlphaGo(2016)를 거쳐 현재 AlphaStar(2019)와 같은 고성능 게이밍 환경을 이용하여 강화학습의 성과를 이루어 내고 있다
...................(계속)
☞ 자세한 내용은 내용바로가기 또는 첨부파일을 이용하시기 바랍니다.
관련정보
지식
동향