🔬 기초 연구 대학 운영 중 설립 2009

SUTD

주관 부처
교육부(MOE)
규모 / KPI
재학생 약 2000명; MIT와 협력 건설; AI + 디자인 + 공학 교차 분야 강점
공식 웹사이트
sutd.edu.sg
정보 업데이트
2026-05-02

SUTD(Singapore University of Technology and Design)는 싱가포르 4개 국립대 중 가장 젊고 가장 특별한 대학——2009년 MIT와의 협력으로 설립되었으며, 「과기 + 디자인 + 창업」의 교차형 대학으로 위치합니다. AI 분야에서 그것의 특색은 **AI + 공학 + 디자인**의 학제간 노선입니다.

📖 개요

SUTD의 독특한 특징:

  • 학제 간 성질:모든 학생이 설계, 공학, 인문학을 학습해야 함
  • MIT 유전자:교과 과정이 MIT를 부분적으로 참고하며, 실무 중심 강조
  • 소형이면서 정선됨:학생 수 2,000명뿐이지만 학생당 자원이 충분함

AI 관련 부서:

  • Information Systems Technology and Design (ISTD):컴퓨터과학 / AI 주도
  • Design AI Lab:설계 분야의 AI 응용
  • iTrust:사이버보안 및 AI 보안 연구

특색 연구 방향:

  • AI for Design:생성형 AI의 건축, 제품 설계 응용
  • AI Safety:iTrust와 결합한 적대적 AI 연구
  • Embedded AI:AI와 하드웨어, 로봇의 결합

🤖 AI와의 관계

SUTD의 AI에서의 차별화는 매우 명확합니다: 규모와 논문 수에서 NUS / NTU와 경쟁하지 않고, 「AI + X」 교차 분야에서 공간을 찾습니다.

AI for Design이 가장 특색 있는 방향입니다——SUTD의 디자인대학이 「AI 보조 창의 작업」의 선단 연구를 할 수 있도록 하며, 이는 다른 공과대학이 할 수 없는 것입니다. 생성형 AI 시대 이 방향의 가치는 한층 더 커집니다.

기술적으로 SUTD의 산출 규모는 제한적(학교 규모가 작음)이지만, 단점 돌파 능력은 강합니다.

🇸🇬 싱가포르와의 관계

SUTD는 싱가포르 AI 전략에서 「실험적인 소규모 정예 노드」입니다.

「일곱 가지 전도 레버」 속에서:

  • 레버 1(기초연구): 소수 교차 분야의 탐색
  • 레버 2(인재양성): 「디자인을 이해하고 기술도 이해」하는 복합형 AI 인재 양성

관점: SUTD의 존재로 인해 싱가포르 고등교육 체계가 「NUS와 NTU의 동질화 경쟁」의 위험을 피했습니다——교차혁신 노선을 걸으며, 두 종합대학과 상호보완을 이룹니다.

🗓️ 주요 마일스톤

  1. 2009
    SUTD와 MIT의 협력으로 창립됨
  2. 2012
    첫 번째 학생 입학

👥 주요 인물

🔗 관련 리소스

출처

같은 범주 🔬 기초 연구

A*STAR
싱가포르 과학기술청, AI 기초 연구 및 응용 연구의 주력
NUS
싱가포르국립대학교, AI 연구 순위 아시아 선두. 2024.3 NUS AI Institute 설립, 기초 AI, 응용 AI 및 사회 영향 연구 통합
NTU
난양이공대학교, AI 및 데이터과학 연구의 중심지
SMU
싱가포르관리대학, 비즈니스와 사회응용 AI
AI Singapore와 미국 NSF 연구자들의 연구 협력 프로젝트
해당 프로젝트는 난양공과대학교 Zhang Jie 교수가 주도하며 미국 매사추세츠공과대학교(MIT)와 협력하고 있으며, 신뢰할 수 있고 해석 가능한 인공지능-인간 상호작용 최적화 시스템 개발에 힘쓰고 있습니다. 연구 중점은 자연언어를 조합 최적화 문제의 견고한 인터페이스로 확립하는 것으로, AI 시스템이 인간 언어로부터 최적화 문제를 수립하고, 강력한 AI 보조 최적화를 수행하며, 해석 가능한 피드백을 제공할 수 있도록 합니다. 해당 프로젝트는 물류, 제조, 금융 등 산업에 효율적인 의사결정 지원 도구를 제공하는 것을 목표로 하며, 동시에 신뢰할 수 있는 AI의 기초 연구를 추진합니다.
PINNACLE: PINN 자적응 배치점 및 실험점 선택 방법
PINNACLE은 물리 정보 신경망(PINN)의 훈련 효율을 개선하기 위한 자적응 점 선택 방법입니다. 해당 방법은 경험적 신경 접선 커널 이론을 기반으로 하며, 모든 유형의 훈련점 선택을 자동으로 결합 최적화할 수 있으며, 실험점과 배치점을 포함합니다. 정방향 문제, 역문제 및 전이 학습 등 다양한 작업에서 기존 기준 방법을 현저히 능가합니다.
BadEdit: 모델 편집을 통한 대형 언어 모델의 백도어 주입
AI Singapore 연구팀은 BadEdit 프레임워크를 제시했으며, 이는 모델 매개변수를 직접 수정하여 사전 훈련된 대형 언어 모델에 효율적인 백도어 공격을 수행하는 혁신적인 백도어 주입 방법입니다. 해당 방법은 15개의 데이터 샘플과 120초만으로 백도어를 성공적으로 주입할 수 있으며, 공격 성공률은 100%에 가깝고 정제된 데이터에 대한 최소한의 부작용을 유지합니다. BadEdit은 기존 가중치 중독 방법과 비교하여 데이터 요구가 적고 효율이 높다는 장점이 있으며, 텍스트 분류, 사실 확인 및 대화 감정 생성을 포함한 다양한 작업 영역에 적용 가능합니다.
기호 회귀를 통한 의사결정 나무의 더 큰 범주 분할 발견
본 연구는 기호 회귀 강화 의사결정 나무(SREDT)를 소개합니다. 기호 회귀를 통해 비선형, 다변량 의사결정 나무 분할 규칙을 발견합니다. 전통적인 의사결정 나무와 비교했을 때, SREDT는 더 나은 예측 성능, 더 작고 컴팩트한 나무 구조, 더 빠른 추론 속도, 그리고 잡음에 대한 견고성을 갖추고 있습니다. 이 방법은 유전 프로그래밍을 통해 폐쇄형 해석 표현식을 탐색하며, 분류 작업에서 표준 의사결정 나무를 현저히 능가합니다.

같은 주제 더 보기