실시간 인터랙티브 작품을 위한 생장형 인공지능 모델 개발
생장 규칙에 기반한 지의류 생장 과정 생성을 중심으로
Keywords생장형 인공지능 모델, 지의류, NPGA, 신경 세포 자동자, 실시간 인터랙티브 작품
학술지인공지능 활용 공공미술작품의 유형 및 특성 연구 : 시민 데이터의 학습 시점을 중심으로
연구 요약
지의류를 학습한 NPGA를 중심으로
지의류 사진에서 생장 방식을 배우는 인공지능 생장 모델(NPGA: Neural Particle Growth Automata)을 만든다.
이 모델로 사진 속 지의류가 자라는 과정을 가상으로 재생하고, 새 씨드로 키운 가상 지의류를 관객의 포자에 반응하는 실시간 작품에 쓴다.
학습 자료
지의류 사진의 외곽선 · 안쪽 무늬 · 색
목표 외곽선 1,000장 이상
지금은 100장으로 방법을 시험
몸 · 문헌의 생장 원리
자원의 생산과 수송
가장자리 공급
비후의 한계
모든 생장이 지키는 제약
공유 신경망 + 씨드
씨드: 사진마다 다른 개체 정보
신경망이 씨드를 읽고 몸의 움직임을 정함
어디로 얼마나 자랄지 · 언제 굵어질지 · 자라며 바뀌는 색
두 기능
① 사진 → 씨드 역추론 → 사진 재현용 모델의 생장(씨앗 기준 위치 · 방향을 씀)
② 배운 분포의 새 씨드 → 공통 모델의 생장(위치 · 방향 없음)
사진에 맞춘 생장
모델 학습 ·
처음 보는 사진과 시간차 사진 쌍으로 검증
수정 델파이 · 1차 전문가 평가
새 씨드와 실시간 적용
3D 오브젝트에 입힌 생장 · 관객의 포자 입력
반응 시간 측정 · 2차 전문가 평가
작품과 관람객
작품 완성과 전시
관람객 설문 30명 이상 · 면담 5–8명
목차
실시간 인터랙티브 작품을 위한 생장형 인공지능 모델 개발
생장 규칙에 기반한 지의류 생장 과정 생성을 중심으로
제1장 서론
제2장 이론적 배경
제3장 연구 설계
제4장 연구 결과(예상)
제5장 결론
참고문헌
부록
1장 서론1.1.1 연구 배경 ① 사진과 생장 과정 사이
지의류를 학습한 NPGA를 중심으로
인공지능생장을 배우는 모델
- 정해진 목표 형태를 한 점에서 키우도록 국소 규칙을 학습(Mordvintsev et al., 2020)
- 3D 메시 표면 위에서도 자라는 신경 세포 자동자(Pajouheshgar et al., 2024)
- 실제 조직의 생장을 배운 사례는 시간 순서 영상·시계열로 학습하고 검증함(Richardson et al., 2024; Milite et al., 2025)
- 한 시점의 자료로 변화를 추론하려면 생물학적 사전 지식이 필요함(La Manno et al., 2018)
지의류느리게 자라고 사진만 남는 대상
- 가장자리에서 자라며 매우 느림: 성숙 개체 다수 연 1–5 mm, 보고 범위 연 0.01–27 mm(Hale, 1967; Armstrong & Bradwell, 2011에서 재인용)
- 한 개체 안에서도 갈래마다 생장 속도가 최대 50% 다름(Lawrey & Hale, 1977; 같은 종설에서 재인용)
- 생장을 찍은 영상은 얻기 어렵고, 다 자란 정지 사진은 공개 자료로 많음
1장 서론1.1.1 연구 배경 ② 작품 속 생장
지의류를 학습한 NPGA를 중심으로
계보작가가 정한 규칙으로 자라는 형태
- 단순한 세포 규칙에서 생명 같은 형태가 나타남(Conway, 1970)
- 관객의 선택으로 형태가 진화하는 설치(Sims, 1997)
- 세포 증식 규칙으로 만든 3D 형태 발생(Lomas, 2014)
- 연속 세포 자동자에서 나타나는 생명형(Chan, 2018)
- 공통점: 규칙은 작가가 손으로 정하고, 실제 생물에서 배우지 않음
확장학습된 행동과 실시간 반응
- 학습된 행동 자체를 예술의 매체로 보는 관점(Audry, 2021)
- 학습된 국소 규칙이 화면에서 자라는 전시작(Mordvintsev, 「Autumn Life」)
- 3D 오브젝트 표면 위 생장 도구, 관객 입력에 반응해 무늬가 생기는 작품(2026년 9월 공개 사례)
1장 서론1.1.2 연구의 필요성: 선행연구와 본 연구
지의류를 학습한 NPGA를 중심으로
| 구분 | 연구 | 하는 것 | 한계 | 본 연구에 주는 것 |
|---|---|---|---|---|
| 신경 세포 자동자 | Mordvintsev et al.(2020) | 한 점에서 목표 형태를 키우고 재생 | 생장 과정은 학습의 부산물 · 생물 원리 없음 | 국소 규칙 학습의 토대 |
| 표면 위 자동자 | Pajouheshgar et al.(2024) | 3D 메시 표면에서 자람 | 생물 대상이 아님 | 작품 환경(표면)의 근거 |
| 생물 생장 자동자 | Richardson et al.(2024) · Milite et al.(2025) | 실제 조직의 생장을 재현 | 시간 순서 자료가 필요 | 정지 사진만으로 배우는 방법 필요 |
| 조건부 생성 | Palm et al.(2022) | 잠재 값에 따라 다른 형태를 생성 | 최종 형태 중심 · 과정 검증 없음 | 개체별 형태 조건(씨드)의 선례 |
| 사진→생장 값 | Li et al.(2024) | 효모 군체 사진에서 생장 값을 추정해 다시 생성 | 실험실 미생물 · 개체마다 따로 추정 | 가장 가까운 선례 · 우리는 여러 사진이 규칙을 공유 |
| 절차적 지의류 | Desbenoit et al.(2004) | 확산 부착 규칙으로 지의류 표면을 생성 | 학습 없음 · 실제 사진과 대조 없음 | 고전 비교 대상 |
| 연구실 선례 | 심현준(2026) | 자료 구축 · 학습형 지표 · 독립 검증 | 평가 도구 개발 연구 | 개발과 독립 검증을 나누는 틀 |
1장 서론1.1.3 연구 목적
지의류를 학습한 NPGA를 중심으로
본 연구는 문헌의 지의류 생장 원리를 몸의 제약으로 두고, 씨드를 읽는 공유 신경망이 외곽 · 갈래 · 비후로 드러나는 안쪽 무늬 · 자라면서 바뀌는 색을 학습하는 생장 모델(NPGA)을 개발한다. 이를 실시간 인터랙티브 작품으로 구현하고 전문가와 관람객의 평가로 검증한다.
- 첫째
- 공통 생장 규칙을 학습하고 사진에서 씨드를 역추론한다. 사진 재현용 모델은 씨앗 기준 위치 · 방향을 쓰며, 처음 보는 사진 · 시간차 사진 쌍 · 1차 전문가 평가로 검증한다. (연구 1)
- 둘째
- 배운 분포의 새 씨드를 공통 모델(위치 · 방향 없음)로 키워 3D 오브젝트에 입히고, 관객의 포자 입력에 대한 실시간 성능을 재며 2차 전문가 평가를 받는다. (연구 2)
- 셋째
- 작품을 완성해 전시하고 관람객 평가를 받는다. (연구 3)
씨드: 공유 신경망에 넣는 개체별 형태 조건. 몸의 공급에 직접 연결하지 않음. 실제 환경을 복원한 값이 아니며, 난수 · 첫 입자 · 관객의 포자와 다름.
1장 서론1.1.4 연구문제
지의류를 학습한 NPGA를 중심으로
문헌의 생장 제약 아래 공통 규칙을 학습하고 사진에서 씨드를 역추론하는 방법은 타당한가? 씨앗 기준 위치 · 방향을 쓰는 사진 재현용 모델의 생장은 처음 보는 사진 · 시간차 사진 쌍 · 전문가 평가에 비추어 타당한가?
- 1-1. 평가 항목(외곽 · 갈래 · 무늬 · 비후 · 색 · 생장 과정)은 전문가 합의로 어떻게 정해지는가? (수정 델파이)
- 1-2. 학습 사진의 외곽과 형태 특성을 어디까지 재현하는가?
- 1-3. 처음 보는 사진에서 찾은 씨드로 만든 생장은 그 사진에 맞고, 시간차 사진 쌍의 실제 변화와 어긋나지 않는가?
- 1-4. 전문가(생물 + 미디어아트·기술)는 생장의 형태 · 과정 · 표면을 어떻게 평가하는가? (1차)
배운 분포에서 뽑은 새 씨드를 공통 모델(위치 · 방향 없음)로 키운 지의류는 실물의 형태 범위 안에 들며, 관객의 포자에 실시간으로 반응하는가?
- 2-1. 새 씨드 생장의 형태 특성은 실물 분포 안에 드는가?
- 2-2. 3D 오브젝트에 입힌 생장은 포자 입력부터 화면 반응까지 정한 시간 안에 반응하는가?
- 2-3. 전문가(미디어아트·기술)는 표현의 설득력 · 작가의 조절 가능성 · 작품 적용성을 어떻게 평가하는가? (2차)
이 모델을 적용한 실시간 인터랙티브 작품을 관람객은 어떻게 경험하고 평가하는가?
- 3-1. 관람객은 포자를 뿌려 자라는 생장을 어떻게 지각하고 참여하는가?
- 3-2. 관람객 평가는 전문가 평가와 어떻게 같고 다른가?
1장 서론1.1.4 연구가설
지의류를 학습한 NPGA를 중심으로
| 가설 | 내용 | 확인하는 자료 |
|---|---|---|
| 1-1 | 씨드를 읽는 공유 신경망은 신경망을 끈 모델과 절차적 기준선보다 사진의 외곽 · 갈래 · 안쪽 무늬 · 색을 실물에 가깝게 재현하고, 씨드를 바꾸면 형태가 그 씨드의 사진 쪽으로 바뀐다. | 학습 사진 · 학습에 안 쓴 입자 배치 |
| 1-2 | 내부 무늬 · 비후 · 색의 통계는 실물 범위 안에 든다. | 실물 사진끼리의 변동 폭 |
| 1-3 | 처음 보는 사진에서 찾은 씨드로 만든 생장의 외곽 오차는 정한 기준 이하이다. | 최종 검증 29장(한 번만) |
| 1-4 | 시간차 사진 쌍에서 모델이 키운 쪽은 실제로 자란 쪽과 우연보다 잘 맞는다. | 시간차 사진 쌍(최종 검증에만) |
| 2-1 | 학습한 씨드 분포에서 뽑은 새 씨드로 키운 생장의 형태 특성은 실물 분포 범위 안에 든다. | 실물 사진의 형태 분포 |
| 2-2 | 포자 입력부터 화면 반응까지의 시간은 정한 기준 이하이다. | 작품 실행 장치에서 측정 |
델파이 · 1차·2차 전문가 평가 · 관람객 평가는 가설 없이 '어떻게 평가하는가'로 둠 · 기준 숫자는 연구 설계에서 실행 전에 고정
1장 서론1.2 연구의 방법 및 범위
지의류를 학습한 NPGA를 중심으로
| 구분 | 범위 |
|---|---|
| 대상 | 지의류 사진 · 지금은 시험 단계로 1종 125장 · 목표는 외곽선 1,000장 이상(종류는 늘리거나 바꿀 수 있음) |
| 내용 | 외곽 · 갈래 · 큰 모양 · 내부 무늬 · 비후 · 색 · 생장 과정 · 관객 상호작용 |
| 기술 | 입자 생장 엔진 · 개체별 형태 조건 · 공유 신경망(GPU 학습) · 실시간 렌더(3D 오브젝트에 입힘) |
| 평가 | 수정 델파이 · 1차·2차 전문가 평가 · 관람객 설문과 면담 |
| 기간 | 2026년 7월 ~ 2027년 6월 |
| 제외 | 실제 개체의 과거 생장 복원(사진 한 장으로 출생 순서를 가릴 수 없음) · 실제 두께(사진의 요철은 밝기에서 나옴) · 종 분류 · 3D 표면 위 직접 생장과 군체끼리의 만남(확장 목표) |
자료 사용 순서
제1장 서론
배경 · 필요성 · 연구문제 · 목적 · 범위
제2장 이론적 배경
생장 규칙 · 측정 지표 · 생장 모델 · 역할 분담 도출
제3장 연구 설계
연구 1 사진에 맞춘 생장 → 연구 2 새 씨드·실시간 → 연구 3 전시·관람객
제4장 연구 결과(예상)
연구별 결과 · 교차 확인
제5장 결론
요약 · 시사점 · 한계와 제언
1장 서론1.2 연구의 방법 및 범위 ② 사진 자료: 목표 · 가능 · 확보
지의류를 학습한 NPGA를 중심으로
| 정지 사진 · 외곽과 형태 학습 | 시간차 사진 · 생장 과정 검증 | |
|---|---|---|
| 목표 | 외곽선 1,000장 이상 · 종류는 늘려 감 | 모든 선택을 굳힌 뒤 최종 검증 |
| 가능 | 공개 목록 252,553장 · 지의류 2,041종(1,000장 넘는 종 42개) · 공개 라이선스(CC BY · CC0) | 공개 시계열 자료 18곳(균류 · 토양 생물막 포함) · 최종 검증 자료를 준 연구자의 전체 자료(표본 확인 회신 뒤) |
| 확보 | 4090에 4종 24,896장(자동 분할로 쓸 만한 것 15,545장) · 연구자 판정 명부 3종 716장 · 공개 목록 전체를 외장 디스크에 받는 중(2026.10.3~) | 정합을 마친 후보 1,000쌍 · 최종 검증 전용 1종 16개체 × 4방향 · 전후(0일 · 28일) |
| 지금 시험 | 1종 125장(학습 84 · 개발 12 · 최종 검증 29) | 최종 검증 전용 자료는 아직 열지 않음 |
2장 이론적 배경2.1.1 지의류의 생장 원리: 문헌 규칙 18개
지의류를 학습한 NPGA를 중심으로
① 출생과 채움
갈래 끝 상태가 붙을 자리를 바꿈 · 둘러싸인 빈틈을 메움 · 채울 수 없는 자리만 멈추고 가장자리는 계속 자람
② 갈래의 폭·분기·차이
갈래마다 옆으로 퍼지는 양과 속도가 다름 · 성숙한 끝이 갈라짐 · 넓은 갈래가 더 빨리 자람 · 이웃과 경쟁
③ 중심의 변화와 재생
가장자리에서 중심으로 두꺼워지고 생산성이 낮아짐 · 중심과 가장자리는 따로 움직임 · 상처에서 새 갈래
④ 생애와 속도
크기에 따라 빨라졌다 일정해지고 느려짐 · 개체마다 연간 속도가 다름
2장 이론적 배경2.1.2–2.1.3 외곽·표면의 형태 특성과 개체 차이
지의류를 학습한 NPGA를 중심으로
높낮이는 어디서 오나
- 두께는 갈래 끝 1–2 mm 안에서 정해지고 그 뒤 거의 멈춤(Hale, 1970; 종설에서 재인용)
- 성숙한 몸은 두께가 거의 일정한 원판으로 볼 수 있음(Seminara et al., 2018)
- 보이는 높낮이는 갈래가 겹치는 곳과 자실체에서 생김
안쪽 무늬와 색
- 가장자리에서 중심으로 두꺼워지며 엽록소가 줄어듦(Valladares et al., 1994)
- 색은 최근 자란 가장자리의 색에서 안쪽의 짙은 색으로 바뀐다고 봄(연구자 관찰) · 생장 중 색과 색 안의 무늬·결을 학습함
- 비후로 드러나는 안쪽 무늬를 학습함 · "입자가 붙은 순서가 안쪽 무늬를 만든다"는 아직 미검증 가설
- 단안 깊이 모델의 요철은 밝기 무늬에서 나옴(본 연구 검사)
개체 차이
- 크기 단계와 연간 속도가 개체마다 다름(Hale, 1967; 재인용)
- 따라서 사진마다 다른 조건을 개체별 형태 조건(씨드)으로 둠
2장 이론적 배경2.2 지의류 형태 자료와 판정
지의류를 학습한 NPGA를 중심으로
무엇을 어떻게 재나
| 지표 | 재는 것 | 놓치는 것 |
|---|---|---|
| 외곽 오차 | 사진 외곽과 생성 외곽의 어긋남(평활한 겹침의 반대) | 잔 갈래 |
| 큰 모양 차 | 윤곽의 큰 굴곡 차이 | 갈래 수·깊이 |
| 갈래 통계 | 갈래 수 · 골 깊이 · 폭 분포를 실물과 비교 | 전체 실루엣 |
| 실물끼리 변동 폭 | 실물 사진끼리 같은 지표를 잰 값(비교 기준) | 생물학적 정답은 아님 |
자료와 사람 판정
- 공개 사진에서 개체 영역 · 외곽선 · 갈래를 추출하고 학습 · 개발 · 최종 검증으로 나눔
- 잔 갈래 통계만 맞추면 전체가 둥근 채 남을 수 있음(예비 연구에서 실제로 일어남)
- 사람 판정은 수치가 놓치는 형태와 과정을 보완: 평가 항목은 전문가 합의(수정 델파이)로 세우고, 눈가림 · 순서 무작위 · 평가자 간 일치도를 지킴
2장 이론적 배경2.3.1 생장 모델의 계보와 본 연구의 위치
지의류를 학습한 NPGA를 중심으로
| 모형 | 공간 표현 | 규칙을 누가 정하나 | 자료 | 본 연구 반영 |
|---|---|---|---|---|
| 표면 증식 · 확산 부착(Eden, 1961; Witten & Sander, 1981) | 격자 · 입자 | 사람이 정한 확률 규칙 | 없음 | 입자가 붙어 자라는 기본 구조 |
| 반응확산(Turing, 1952) | 연속장 | 방정식 | 없음 | 무늬 형성의 고전 근거 |
| 절차적 지의류(Desbenoit et al., 2004) | 입자 + 미리 만든 3D 모델 | 사람이 정한 부착 규칙 | 없음 | 지의류 생장 그래픽스의 선례 |
| 생장 한계 물리 모형(Seminara et al., 2018) | 원판 | 물리 법칙(가장자리 확산) | 모형 | 가장자리가 생장을 이끈다는 근거 |
| 효모 군체 입자 모형(Li et al., 2024) | 격자 없는 입자 | 사람 규칙 + 사진으로 값 추정 | 군체 사진 | 사진에서 생장 값을 찾는 절차 |
| 신경 세포 자동자(Mordvintsev et al., 2020) | 격자 · 메시 | 학습한 국소 규칙 | 목표 이미지 | 공유 규칙을 학습하는 방식 |
| 본 연구(NPGA) | 입자 | 문헌의 생장 제약 · 씨드를 읽는 신경망의 외곽·무늬·색 학습 | 지의류 정지 사진 | 세 부분을 나눠 검증 |
2장 이론적 배경2.3.3 실시간 인터랙티브 작품의 생장 표현
지의류를 학습한 NPGA를 중심으로
사례에서 가져올 것
- 세포 증식으로 형태가 쌓이는 과정 자체를 작품으로 보여 줌(Lomas, 「Cellular Forms」, 2014)
- 학습된 규칙이 화면에서 계속 자람(Mordvintsev, 「Autumn Life」)
- 출생 시각으로 색을 입혀 생장 이력을 한 장에 보여 줌(Duda, 「GYRUS」, 2026년 공개 사례)
- 3D 표면 위 신경 세포 자동자는 표면 생장의 계산 선례(Pajouheshgar et al., 2024)
- 브라우저 실시간 유체(붓질 입력)는 반응 방식의 기술 참고(생장 작품 아님)
연구 2가 잴 실시간 요건
- 관객 입력 → 화면 반응까지의 지연
- 한 장면을 갱신하는 주기
- 동시에 자라는 군체 수 · 입자 수
- 실행 장치와 해상도 · 오래 켜 두었을 때의 안정성
- 저장된 장면 재생과 실시간 계산을 나눠서 잼
2장 이론적 배경종합 · 잠정 도출: 몸 · 씨드 · 공유 신경망
지의류를 학습한 NPGA를 중심으로
몸생장 엔진
- 점 하나에서 입자가 붙으며 자람
- 탄소를 만들고 나르며, 가장자리에서 바깥 공급을 받음
- 문헌 규칙이며 학습이 깨지 못하는 제약
씨드개체별 형태 조건
- 사진마다 다른 형태 조건
- 씨드는 신경망 입력 · 사진 재현용 모델은 씨앗에서 본 방향도 씀
- 신경망이 씨드를 직접 읽어 생장을 조절함
공유 신경망공통 조절
- 모든 입자가 같은 작은 신경망을 씀
- 씨드를 읽어 외곽 · 갈래 · 골 · 폭과 비후 무늬 · 생장 중 색을 배움
- GPU에서 여러 사진으로 함께 학습
- 공통 모델은 위치 · 방향 없음 · 사진 재현용 모델만 씨앗 기준 위치 · 방향을 씀
3장 연구 설계3.1 연구 개요 ① 세 연구
지의류를 학습한 NPGA를 중심으로
| 연구 1 · 사진에 맞춘 생장 | 연구 2 · 새 씨드와 실시간 적용 | 연구 3 · 작품과 관람객 | |
|---|---|---|---|
| 연구문제 · 가설 | 1-1 ~ 1-4 · 가설 1-1 ~ 1-4 | 2-1 ~ 2-3 · 가설 2-1 · 2-2 | 3-1 · 3-2 |
| 자료 | 학습 84장 → 개발 12장 → 최종 검증 29장 · 시간차 사진 쌍 | 학습 사진의 씨드 분포 · 3D 오브젝트 · 관객의 포자 입력 | 전시 · 관람객 |
| 비교 대상 | 신경망 끔 · 씨드 바꿈 · 입자 상태 섞기 · 앞 실험의 씨드 직결 · 절차적 기준선 · 실물끼리 변동 폭 | 실물 분포 · 저장 재생 대 실시간 계산 | 1차·2차 전문가 평가 |
| 사람 평가 | 수정 델파이(평가 항목) · 1차 전문가 평가 | 2차 전문가 평가 | 관람객 설문 30명 이상 · 면담 5–8명 |
| 산출물 | 학습을 굳힌 모델 · 검증 보고서 · 생장 과정 영상 | 새 씨드 생장 · 작품 실행 기록 · 성능 기록 | 작품 · 전시 기록 · 관람객 평가 결과 |
| 현재 | 진행 중 | 예정 | 예정 |
3장 연구 설계3.1 연구 개요 ② 사람 평가의 흐름
지의류를 학습한 NPGA를 중심으로
① 수정 델파이
연구 1 처음 · 2026.12–2027.1
평가 항목 체계(외곽 · 갈래 · 무늬 · 비후 · 색 · 생장 과정)
미디어아트·기술 패널 5–6명 · 2라운드
② 1차 전문가 평가
연구 1 끝 · 2027.2
사진에 맞춘 생장의 형태 · 과정 · 표면
같은 패널 + 지의류·생물 전문가 2–3명
③ 2차 전문가 평가
연구 2 · 2027.3
새 씨드 생장과 실시간 적용 · 표현의 설득력 · 조절 가능성 · 작품 적용성
같은 패널
④ 관람객 평가
연구 3 · 2027.4–5
전시 한 번 · 관람 직후 5점 척도 설문 30명 이상 · 짧은 면담 5–8명
| 단계 | 판정 (실행 전 고정) | 연구실 선례 |
|---|---|---|
| 패널 구성 | 미디어아트·기술: 경력 10년 이상 또는 박사 · 지의류·생물: 해당 분야 연구자 | 백승범(2025) · 김이삭(2026) |
| 델파이 | 항목별 내용타당도(CVI) 0.80 이상 · 미달 항목은 고쳐서 다음 라운드 | 고재형(2026) · 김종민(2026) |
| 전문가 평가 | 5점 평정 + 서술 의견 · 눈가림 · 순서 무작위 · 평가자 간 일치도 | 심현준(2026) |
| 관람객 평가 | 5점 척도 설문 · 일부 문항을 전문가 평가와 맞춰 비교 · 면담은 범주로 정리 | 고재형(2026) · 김이삭(2026) |
3장 연구 설계3.2 연구 1 ① 학습 자료와 생장 엔진
지의류를 학습한 NPGA를 중심으로
엔진 검증 기준 (실행 전 고정)
- 처음 보는 입자 배치 8개에서 갈래 통계가 학습 사진(12장)의 실물 범위 안에 드는가
- 기작 끄기 대조: 바깥 공급을 끄면 · 몸 안 생산을 끄면 갈래가 어떻게 바뀌나
- 해상도를 바꿔도 유지되는가 · 손잡이를 올리면 한 방향으로 바뀌는가
- 생장 초기(25%)에 이미 갈래가 보이는가
통과의 뜻
- 엔진의 손잡이 조합이 실물 갈래 통계 범위를 만들 수 있다는 것까지
- 외곽 재현 · 새 사진 · 정지 · 학습 개선은 별도로 확인
- 결과는 예비 연구 ①(2026.10.1 통과)
3장 연구 설계3.2 연구 1 ② 씨드와 공유 신경망의 학습·비교
지의류를 학습한 NPGA를 중심으로
앞 실험(씨드 고정 + 신경망 학습)
입자 배치 8개에서 함께 맞춤(배치에 과적합 방지)
사진 84장의 씨드를 굳힘
출력부(탄소 지출 배분)만 GPU에서 학습 · 걸음마다 새 배치
학습에 안 쓴 입자 배치 16 × 학습 사진 24
| 판정 (실행 전 고정) | 기준 | 주의 |
|---|---|---|
| 외곽 유지 | 사진별 배치 평균 외곽 오차의 중앙값 ≤ 0.10 · 씨드만보다 0.01 넘게 나빠지지 않음 | 학습 사진 24장 기준 |
| 갈래 통계 개선 | 씨드만 대비 갈래 통계 거리 30% 이상 감소 · 4묶음 모두 감소 · 부트스트랩 95% 하한 > 0 | 새 사진 일반화의 증거는 아님 |
| 실행 가능 | 미도달 · 구멍 · 표면 없음 0건 | 평균으로 실패를 덮지 않음 |
| 상태 읽기의 기여 | 입자 상태를 섞은 신경망보다 나을 때만 주장 | 기록 항목 |
3장 연구 설계3.2 연구 1 ③ 내부 무늬 · 비후 · 색과 생장 과정
지의류를 학습한 NPGA를 중심으로
세 가지를 모두 학습하고 따로 판정
| 대상 | 무엇을 배우나 | 판정 |
|---|---|---|
| 내부 무늬 | 입자의 생장과 비후로 드러나는 안쪽 무늬와 요철 | 공통 모델: 무늬 통계가 실물 범위 안 · 사진 재현용 모델: 얼룩 자리 재현(가설 1-2) |
| 비후 | 시간에 따라 두꺼워지며 면을 채움 | 보이는 요철 통계가 실물 범위 안 · 실제 두께는 주장하지 않음 |
| 색 | 자라면서 바뀌는 색과 색 안의 무늬·결 | 생장 중 색 변화 · 색 흐름 · 무늬 성질 · 그라데이션 기준선 대비 · 사진 재현용 모델의 위치별 색·무늬 재현 |
높이는 넷을 섞지 않음: 옆 채움 · 갈래 겹침의 높낮이 · 실제 두께(사진으로 잴 수 없음) · 보이는 요철(밝기 기반) · 기준 숫자는 실행 전에 고정
생장 과정 평가
- 실제 저장된 출생 · 반경 이력으로 초기 · 중기 · 종료 뒤를 봄
- 초기·중기에 목표의 갈래와 홈이 드러나는가
- 출생과 비후가 멈춘 뒤 형태를 유지하는가
- 지금은 목표 크기에서 관측을 멈춤: 자율 정지의 증거가 아님
- 최종 모습을 줄여 과거 상태로 쓰지 않음
3장 연구 설계3.2 연구 1 ④ 사진에 맞춘 생장과 검증
지의류를 학습한 NPGA를 중심으로
①사진 → 그 형태에 맞는 가상 생장
- 공통 규칙 학습 뒤 모델을 굳히고 사진마다 씨드를 역추론함 · 사진 재현용 모델에 씨앗 기준 위치 · 방향을 씀
- 찾는 예산 · 시작값 · 멈춤 규칙은 개발 12장으로 정한 뒤 고정
- 사진마다 찾는 시간은 실시간 재생 시간과 따로 보고
- 사진 · 입자 배치 · 평가자의 반복을 독립 표본처럼 합치지 않고, 실패와 미도달을 분모에 넣음
②검증
- 최종 검증 29장: 모든 선택을 굳힌 뒤 한 번만 엶 · 외곽 오차 · 큰 모양 · 갈래 통계 · 과정 그림(가설 1-3)
- 시간차 사진 쌍: 앞 사진에서 키운 생장이 실제로 자란 쪽과 맞는가 · 최종 검증에만(가설 1-4)
- 1차 전문가 평가: 형태 · 과정 · 표면 · 패널 + 지의류·생물 전문가 2–3명(연구문제 1-4)
3장 연구 설계3.3 연구 2 ① 새 씨드 생장과 작품 환경
지의류를 학습한 NPGA를 중심으로
①새 씨드 → 가상 지의류의 생장
- 배운 씨드 분포에서 새 씨드를 뽑아 공통 모델(위치 · 방향 없음)로 키움
- 사진이 없으므로 크기와 멈춤을 정하는 규칙을 따로 둠
- 판정: 형태 특성이 실물 분포 안인가(가설 2-1) · 생성물끼리 충분히 다른가
- 모든 임의 값에서 지의류가 나온다고 약속하지 않음
②작품 환경
필수: 평면 생장을 3D 오브젝트에 입힘 + 관객 포자 입력 · 확장: 3D 표면 위 직접 생장 · 여러 군체의 만남(몸 규칙을 넓혀야 해서 추가 검증 필요)
3장 연구 설계3.3 연구 2 ② 실시간 성능과 2차 전문가 평가
지의류를 학습한 NPGA를 중심으로
실시간 성능 측정
- 장치 · 해상도 · 입자 수 · 동시 군체 수별로 잼
- 포자 입력 → 화면 반응 지연(가설 2-2) · 생장 갱신 시간 · 화면 프레임률 · 오래 켜 둘 때의 안정성
- 저장된 장면 재생과 실시간 계산을 나눠서 잼
- 기준 숫자는 실행 장치와 작품 요구를 정한 뒤 측정 전에 고정
- 현재: 학습용 배치 한 판 약 22초(후보 33개 동시 · 학습용) · 작품 단위 실시간 속도는 미측정
2차 전문가 평가
- 평가자: 미디어아트·기술 패널 5–6명(델파이와 같은 패널)
- 대상: 생장 표현의 설득력 · 작가의 조절 가능성 · 작품 적용성
- 방법: 작품 체험 또는 영상 뒤 5점 평정 + 서술 의견 · 1차와 같은 항목은 단계 사이 변화를 비교
- 생물학 사실 · 학습 효과 · 속도는 전문가 합의가 아니라 문헌 · 실험 · 측정으로 답함
3장 연구 설계3.4 연구 3 작품 전시와 관람객 평가
지의류를 학습한 NPGA를 중심으로
작품과 전시
- 연구 2의 실시간 생장을 작품으로 완성함
- 관객은 가상 공간의 3D 오브젝트에 포자를 뿌리고, 그 자리에서 자라는 지의류를 봄
- 전시를 한 번 엶(2027.4–5)
관람객 평가
- 관람 직후 5점 척도 설문 30명 이상 · 짧은 면담 5–8명
- 설문 문항 일부를 전문가 평가와 맞춰 비교(연구문제 3-2)
- 면담: 포자를 뿌리고 지켜본 경험을 범주로 정리(연구문제 3-1)
- 연구실 선례: 설문 22명 · 면담 9명(고재형, 2026) · 설문 75명(김이삭, 2026)
예비 연구① 생장 엔진과 씨드 (2026.10.1–2)
지의류를 학습한 NPGA를 중심으로
| 시험 | 무엇을 쟀나 | 결과 | 판정 | 아직 재지 않은 것 |
|---|---|---|---|---|
| 생장 엔진 결정 시험 (10/1) | 처음 보는 입자 배치 8개의 갈래 통계가 실물(학습 12장) 범위 안인가 | 손잡이 조합 9개 중 2개 통과 · 바깥 공급을 끄면 골 깊이 0.034로 얕아짐 · 몸 안 생산을 끄면 갈래 35.5개로 쪼개짐 | 통과 | 외곽 · 새 사진 · 정지 · 학습 |
| 씨드 · 배치 4개에서 맞춤 (10/2) | 맞추는 데 안 쓴 배치 8개에서 학습 사진 12장의 외곽 오차 | 외곽 오차 중앙 0.0775 · 11/12장 0.10 이하 · 큰 모양 차 0.0724 | 큰 모양 미달 | 새 사진 |
| 씨드 · 배치 8개에서 맞춤 (10/2) | 같은 방식 · 새 평가 배치 8개 | 외곽 오차 중앙 0.0692(씨드 없을 때 0.208) · 12/12장 0.10 이하 · 큰 모양 차 0.0612(기준 0.060) | 0.0012 미달 | 새 사진 |
배치 8개 시험은 미달 기록을 그대로 두고, 연구자 결정으로 다음 학습을 진행함(큰 모양 기준은 입자 배치만 바꿔도 생기는 흔들림 0.058과 같은 수준) · 4개와 8개의 숫자 차이는 평가 배치가 달라 같은 조건의 비교가 아님
예비 연구② 공유 신경망 학습: 60걸음 완료 · 공식 불합격 (2026.10.2–3)
지의류를 학습한 NPGA를 중심으로
씨드 없이 신경망만 학습 (10/2)
- 처음 보는 배치 32개에서 갈래 통계 거리 40.6% 감소 → 등록 기준은 넘음
- 입자 상태를 섞어 준 대조도 37.8% 감소 → 상태를 읽어 얻은 이득은 확인 안 됨
- 눈으로 보면 둥근 덩어리 · 점수가 잔 물결만 보고 큰 모양을 보지 않았음 → 씨드로 돌아감
앞 실험(씨드 고정 + 신경망 학습) · 공식 불합격
| 확인용 평가 | 0걸음 | 10걸음 | 20걸음 | 30걸음 | 40걸음 |
|---|---|---|---|---|---|
| 갈래 통계 거리 | 3.390 | 3.014 | 2.097 | 1.869 | 1.648 (−51%) |
| 외곽 오차 중앙 | 0.073 | 0.076 | 0.081 | 0.081 | 0.085 |
| 외곽 점수(큰 모양 포함) | 0.956 | 0.986 | 1.072 | 1.113 | 1.136 (나빠짐) |
표: 확인용 배치 2개 × 사진 12장 · 40걸음까지 중간 기록 · 공식 평가와 집계가 달라 직접 비교하지 않음
60걸음 공식 판정: 갈래 통계 거리 46.0% 감소 · 외곽 오차 중앙 0.0872(씨드만 0.0741) · 외곽 기준 미달 · 공식 불합격
연구 예상 결과 및 의의
지의류를 학습한 NPGA를 중심으로
| 산출물 | 미달일 때 남는 결과 | |
|---|---|---|
| 연구 1 | 공통 규칙 학습 모델 · 씨드 역추론 절차 · 사진 재현용 모델 · 평가 항목 체계 · 처음 보는 사진과 시간차 사진 쌍 검증 · 생장 과정 영상 · 1차 전문가 평가 | 어느 부분이 외곽과 형태 특성에 기여하지 못했는지 · 일반화되는 범위와 실패 조건 |
| 연구 2 | 새 씨드 생장 · 3D 오브젝트에 입힌 실시간 생장 · 성능 기록 · 2차 전문가 평가 | 실시간 작품에 필요한 조건과 한계 |
| 연구 3 | 작품 · 전시 기록 · 관람객 평가 결과 | 관람객 경험과 전문가 평가가 어긋나는 지점 |
의의 (결과에 따라)
- 이론: 생물 원리(몸)와 학습의 역할을 나눠 생장을 모델링하는 틀
- 방법: 시간 순서 영상 없이 정지 사진에서 생장을 배우는 절차 · 실행 전에 고정한 판정
- 예술 실천: 작가가 직접 개발한 생장 모델을 실시간 작품에 쓰는 창작 방식과 그 조절 경험
- '생물학적 원리 복원' · '최초'는 결과 없이 선언하지 않음
연구 일정
지의류를 학습한 NPGA를 중심으로
| 시기 | 할 일 | 끝났다고 볼 조건 |
|---|---|---|
| 2026.10–11 | 연구 1 학습: 씨드 · 공유 신경망 · 무늬·비후·색 · 예비 성과(여러 장 · 10/27, 늦어도 11/10) | 예비 결과표 |
| 2026.12 | 박사학위 프로포절 발표 · 델파이 1라운드 | 설계 확정 · 1라운드 회수 |
| 2027.1 | 델파이 2라운드(평가 항목 확정) · 학습을 굳힘 · 개발 사진으로 씨드 찾기 절차 확정 | 평가 항목 체계 · 모델·절차 동결 기록 |
| 2027.2 | 최종 검증(29장 한 번 · 시간차 사진 쌍) · 1차 전문가 평가 | 연구 1 결과표 |
| 2027.3 | 연구 2: 새 씨드 생장 · 3D 오브젝트에 입힘 · 포자 입력 · 반응 시간 측정 · 2차 전문가 평가 | 연구 2 결과표 |
| 2027.4–5 | 연구 3: 작품 완성 · 전시 한 번 · 관람객 설문 30명 이상 · 면담 5–8명 · 논문 작성 | 연구 3 결과 · 논문 초고 |
| 2027.6 | 박사학위 심사 | 연구문제·가설별 결과표 · 생장 영상 · 성능 기록 · 사람 평가 결과 |
| 2027.7–8 | 심사 수정 · 제출 | 최종본 제출 |
학사 일정은 지도교수님과 확인
참고문헌
지의류를 학습한 NPGA를 중심으로
학술 문헌
Armstrong, R. A., & Bradwell, T. (2011). Growth of foliose lichens: A review. Symbiosis, 53(1), 1–16.
Audry, S. (2021). Art in the age of machine learning. MIT Press.
Chan, B. W.-C. (2018). Lenia: Biology of artificial life. (연속 세포 자동자)
Conway, J. H. (1970). The Game of Life.
Desbenoit, B., Galin, E., & Akkouche, S. (2004). Simulating and modeling lichen growth. Computer Graphics Forum, 23(3), 341–350.
Eden, M. (1961). A two-dimensional growth process.
La Manno, G., et al. (2018). RNA velocity of single cells. Nature.
Li, et al. (2024). An off-lattice discrete model to characterise filamentous yeast colony morphology. PLoS Computational Biology.
Milite, S., Caravagna, G., & Sottoriva, A. (2025). Mixtures of neural cellular automata. ICML.
Mordvintsev, A., Randazzo, E., Niklasson, E., & Levin, M. (2020). Growing neural cellular automata. Distill.
Pajouheshgar, E., et al. (2024). Mesh neural cellular automata. ACM Transactions on Graphics.
Palm, R. B., et al. (2022). Variational neural cellular automata. ICLR.
Richardson, A. D., et al. (2024). Learning spatio-temporal patterns with neural cellular automata. PLoS Computational Biology.
Seminara, A., Fritz, J., Brenner, M. P., & Pringle, A. (2018). A universal growth limit for circular lichens. Journal of the Royal Society Interface, 15, 20180063.
Turing, A. M. (1952). The chemical basis of morphogenesis.
Valladares, F., Ascaso, C., & Sancho, L. G. (1994). Canadian Journal of Botany, 72(4), 415–428.
Witten, T. A., & Sander, L. M. (1981). Diffusion-limited aggregation.
고재형 (2026). 생성형 AI 기반 영상 제작 수업 모형 개발 연구: TPMSI 수업 모형을 중심으로. 홍익대학교 박사학위논문.
김이삭 (2026). 한국 개신교회 온라인 스트리밍 예배의 현장감(liveness) 구성 체계 및 수용자 효과 연구. 홍익대학교 박사학위논문.
김종민 (2026). AI 에이전트 활용 영상 콘텐츠 제작 PBL 수업 설계 및 분석. 홍익대학교 박사학위논문.
백승범 (2025). VR 영화 에이전시의 프레임워크 기반 구성요소 도출 및 중요도 분석. 홍익대학교 박사학위논문.
심현준 (2026). 생성형 AI 광고 이미지 평가를 위한 벤치마크 데이터셋 및 자동 평가 지표 개발 연구. 홍익대학교 박사학위논문.
종설에서 재인용
Hale (1967) · Hale (1970) · Lawrey & Hale (1977) — Armstrong & Bradwell (2011)에서 재인용
작품 · 사례
Lomas, A. (2014). Cellular Forms · Sims, K. (1997). Galápagos · Mordvintsev, A. Autumn Life · Duda, P. GYRUS(2026 공개 게시물) · INSYDIUM nxBiologic(2026 공개 게시물)
서지 세부(권·호·쪽)는 발표 전 원문으로 다시 확인
감사합니다
실시간 인터랙티브 작품을 위한 인공지능 생장 모델 개발 : 지의류를 학습한 NPGA를 중심으로