물리학에서는 완전비탄성 충돌과 운동량 보존 법칙을 이용해 총알의 속도를 구하는 실험을 수행했다. 물리 법칙이 실험 데이터를 통해 실제 현상을 설명할 수 있다는 것에서 과학의 실용성을 체감했다. 또, 실험결과의 오차를 측정하며 과학 개념을 현실에 적용하기 위해서는 변수를 고려한 더 복잡한 이론이 필요하다는 것을 깨달았다.

메이커 활동으로는 원자력 원리를 활용한 핀볼 게임, 금속-공기 연료전지, 월면차 제작을 진행했다. 과학적 원리에 대해 먼저 배우고 모형을 직접 제작하며 공학적 사고를 경험했다.

인공 세포막을 활용한 투석 원리를 실험을 진행하면서, 생명 현상이 화학적 원리를 기반으로 작동한다는 점을 이해했다. 물질의 선택적 투과성과 농도 차이에 따른 확산 원리를 실제 의료 시술과 연결해 생각해볼 수 있었다.

원자력공학 및 기계공학 특강에서 지속 가능한 에너지, 우주 산업 등의 다양한 주제를 접하게되며 기술 발전이 인류의 미래에 어떤 영향을 미칠지 생각해보는 계기가 되었다. 기술 자체의 발전뿐만아니라 그 기술을 어떤 방향으로 활용하는지에 대한 책임도 매우 중요하다는 점을 학습했다.

멘토링을 통해 인공지능의 기본 원리인 머신러닝, 자율주행 자동차, 의료 진단, 스포츠 분석 등 다양한 분야에서 인공지능이 실제로 적용되는 사례를 학습했다. 특히 스포츠 분야에서 객체 인식을 통한 선수 추적 카메라처럼 편의성 목적으로 사용될 뿐만아니라, 실시간 경기 데이터를 기반으로 최적화된 전략을 도출하거나 선수 맞춤형 훈련 설계, 부상 가능성을 예측하는 등 실제 팀의 성적에 직접적인 기여를 한다는 점이 인상깊었다. 이를 통해 인공지능이 단순한 도구가 아니라 대규모 데이터 분석과 예측을 통해 인간의 판단을 보조하고 확장하는 기술임을 인식하게 되었다.

또한 인공지능이 잘못된 데이터나 편향된 기준을 학습하여 차별적이거나 오류가 있는 결과를 제공할 수 있다는 점에서 윤리적 설계와 검증 과정의 중요성을 인식했고, 인공지능의 발전과 동시에 도덕적 기준이 필요하다는 문제의식을 형성할 수 있었다. 이 활동을 통해 현재 완전히 정립되지 않은 인공지능의 윤리 기준은 무엇이어야 하는지, 다양한 가치관 속에서 객관적으로 적용할 수 있는 도덕적 기준이 존재할 수 있는지, 그리고 기술의 악용 가능성을 어떻게 통제할 수 있을지에 대해 깊이 있게 고민하는 계기가 되었다.

빛의 세기, 빛의 파장에 따른 광전효과 측정 실험을 각각 실시하며, 결과값을 MBL을 활용해 실시간 그래프로 기록했다. 그 결과 시간당 방출되는 광전자의 개수와 빛의 세기가 비례함을 확인했다. 반면 광전자의 운동에너지는 빛의 세기와는 무관하며 빛의 파장에 따라서만 결정된다는 사실 또한 그래프의 개형을 통해 관찰할 수 있었다.

이 실험을 조별로 진행하면서 역할을 분담해 장치 조작, 데이터 기록, 결과 분석을 수행했고, 이러한 분업으로 실험을 정확하고 효율적이게 진행할 수 있었고, 앞서 배운 이론과 일치하는 성공적인 결과를 도출하는데에도 기여했다고 생각한다.

이 과정에서 극한 환경에서 인간이 직접 관리해야 할 것과 인공지능에 맡겨도 되는 영역을 어떻게 구분해야할지에 대해 고민하게 되었다. 인공지능을 활용한 관리시스템의 오작동 상황을 가정해보면서 인간의 생명을 인공지능에게 전적으로 맡기는 것은 인공지능 과의존 문제에 해당한다고 인식했고, 인공지능이 인간의 활동을 어디까지 대체해야는 것이 적절한지에 대해 비판적이고 깊이있게 생각해보았다. 또한 에너지와 식량의 자급 시스템이 이론적으로는 가능하다고 판단했지만, 현재 기술력으로는 현실적 제약이 크고 실행하기 어려울 것이라고 생각했다.

Colab 등의 여러 Ipython 환경에서 신경망을 구현하고, MNIST 학습 데이터 6만 개로 신경망을 학습시킨 후에 테스트 데이터 1만 개를 통해 정확도를 측정했다. 각 매개변수을 조금씩 조정하면서 수많은 실험을 수행했고, 같은 변수값에서도 여러번 반복실험 후 평균정확도를 산출했다. 결과를 Excel 그래프로 정리해서 변수 변화에 따른 정확도 경향을 분석했다. 이 과정에서  정확도에 영향을 끼친 원인을 경사하강법의 개념을 떠올리며 스스로 추론해보았다. 학습 반복 횟수는 8회에서 최적이며 이후 과적합에 따른 성능 저하가 나타났고, 학습률이 커질수록 정확도가 낮아졌다. 또한 은닉 노드 수 증가에 따른 정확도 차이가 매우 미미하다는 점에서 성능 차이가 은닉노드의 개수보다는 초기 가중치의 무작위성에 기인했을 것으로 판단했다.

학습된 신경망에 직접 쓴 손글씨를 입력할 때, Ipython 환경의 입력 방식 한계를 극복하기 위해 Scratch를 활용하여 28×28 크기의 손글씨를 숫자 배열로 변환하는 입력 UI를 직접 설계했다.또한,  선 굵기에 따라 인식률이 달라지는 현상을 관측하며 데이터 전처리의 중요성을 체감했다. 추가 탐구으로서 Scratch로 인공신경망을 구현해보는 과정에서 연산 속도와 메모리 제약으로 한계로 어려움을 겪으며 계산 환경의 성능이 인공지능 기술의 중요한 요소임을 깨달았다.

이후 발표를 진행하며 손글씨 인식 시연 영상과 그래프 자료를 활용해 연구 결과를 시각적으로 제시했고,  매개변수 설정의 근거와 실험 결과의 의미를 논리적으로 설명했다.

이 활동을 통해 인공지능의 성능은 알고리즘뿐만아니라 매개변수값, 초기 조건, 계산 환경에 따라 달라진다는 점을 실험적으로 확인했고, 스스로 실험을 설계하고 결과를 해석해내는 가치있는 탐구 경험을 쌓을 수 있었다.