분석: 실측과 예측 비교

우리 회로의 RMSE·개선율과 KAIST 연구의 수치는 같은 지표가 아니에요. 보도된 "반응 시간 약 5배 조절, 주파수 특성 10배 이상 조절, 시계열 예측 오류 최대 40배 감소"는 반도체 소자와 그 소자로 만든 신경망의 성능이고, 우리는 RLC 회로의 입력 추종 오차를 쟀어요. 숫자를 나란히 놓고 "우리는 몇 배"라고 비교하면 안 돼요.

• KAIST 수치는 언론 보도 기준이에요. 보고서에 쓰려면 논문 원문에서 확인하고 출처를 밝혀요.
• 논문이나 기사 문장을 그대로 옮기지 말고, 무엇을 흉내 냈는지 자기 말로 설명해요.
• 비교할 수 있는 건 "방향"이에요. 입력 속도에 맞춰 반응 속도를 바꾸는 아이디어가 회로 수준에서도 오차를 줄이는지, 줄이지 못한다면 왜인지를 정직하게 적어요.
• 개선율은 어떤 고정 R과 비교했는지에 따라 크게 달라져요. 항상 기준 R을 함께 적어요.

1. 레벨과 에지. CH1의 값 분포에서 낮은 레벨과 높은 레벨을 찾고, 그 가운데를 지나는 순간을 입력 에지로 잡아요. 잡음에 흔들리지 않게 위아래로 20%씩 여유(히스테리시스)를 둬요.
2. 계단응답 지표. 상승 에지마다 다음 에지까지를 한 계단으로 보고, 최종값·오버슈트·정착시간(±2%)·상승시간(10→90%)을 구해요. 여러 계단의 가운데값(중앙값)을 대표값으로 써요.
3. 진동수와 감쇠비. f_d는 출력이 최종값을 지나는 시각의 간격(반주기)으로, ζ는 봉우리·골짜기 높이가 줄어드는 비율(대수감쇠율)로 구해요. 피크 위치 하나보다 잡음에 덜 흔들려요.
4. RMSE. 입력과 출력을 같은 시간축에서 V_low = 0, V_high = 1로 바꾼 뒤 √(Σ(출력 − 입력)² / N)을 계산해요. 모의 실험과 같은 정의예요. 혼합 신호는 느린 구간과 빠른 구간을 따로도 계산해요.
5. 예측. 넣은 파일에서 찾은 입력 에지와 레벨을 그대로 모델에 넣고, 고른 조건(고정 R, MCP4131 n, 동적 판별)과 설정의 L·C·코일 저항으로 출력을 계산해요. 그래서 실측과 같은 시간축에 겹쳐 볼 수 있어요.

잡음이 크면 "부드럽게"로 이동 평균 창을 키울 수 있어요. 자동은 잡음이 변화량의 0.3% 정도가 되도록 고르되, 진동 한 주기의 1/16을 넘지 않게 해서 피크 높이를 거의 깎지 않아요.