Tap image to enlarge이미지를 누르면 크게 볼 수 있습니다
Application & Purpose작품의 목적
This graphical abstract translates uncertainty-aware deep learning for CO₂ plume monitoring into a single visual narrative. It shows how FluidFlower experiments are transformed into segmented plume maps, interface-focused uncertainty, and P10–P50–P90 decision envelopes. The purpose is to communicate how trustworthy AI can connect laboratory observations with safer geological carbon-storage monitoring and digital-twin decisions.
이 그래픽 초록은 CO₂ 플룸 모니터링을 위한 불확실성 인식 딥러닝을 하나의 시각적 서사로 옮깁니다. FluidFlower 실험이 분할된 플룸 지도, 경계에 집중된 불확실성, P10–P50–P90 의사결정 범위로 변환되는 과정을 보여줍니다. 신뢰할 수 있는 AI가 실험실 관측을 더 안전한 지중 탄소 저장 모니터링과 디지털 트윈 의사결정에 어떻게 연결하는지 전달하는 것이 목적입니다.
AI Tools & WorkflowAI 도구와 작업 흐름
ChatGPT 5.6 designed the manuscript-grounded prompt, and Claude Opus 5 generated the core visual. I then refined the composition, scientific labels, typography, color hierarchy, and A3 print layout in PowerPoint, repeatedly verifying the artwork against the manuscript’s data and figures.
ChatGPT 5.6이 논문에 근거한 프롬프트를 설계하고 Claude Opus 5가 핵심 시각을 생성했습니다. 이후 PowerPoint에서 구성, 과학 라벨, 타이포그래피, 색 위계, A3 인쇄 레이아웃을 다듬으며 논문의 데이터와 그림에 맞춰 반복 검증했습니다.
Process & Iterations제작 과정과 반복
I began by extracting the paper’s central message: uncertainty is concentrated at moving CO₂ interfaces rather than within confident plume interiors. Early prompts produced decorative AI imagery and disconnected panels, so I removed generic brains, robots, and excessive icons. I revised the composition into one continuous left-to-right plume journey: FluidFlower observation, U-Net segmentation, entropy-guided uncertainty, and P10–P50–P90 decision envelopes. Further iterations corrected plume physics, preserved thin fingers, simplified the color palette, and reserved clean space for accurate typography. In the final pass, I manually added the verified metrics—30 stochastic passes, AUROC 0.962–0.974, and approximately 0.72 s per image—and exported the artwork as an A3 landscape PDF.
논문의 핵심 메시지를 뽑는 데서 시작했습니다. 불확실성은 확신할 수 있는 플룸 내부가 아니라 움직이는 CO₂ 경계면에 집중된다는 것입니다. 초기 프롬프트는 장식적인 AI 이미지와 단절된 패널을 만들어, 일반적인 뇌, 로봇, 과도한 아이콘을 제거했습니다. 구성을 왼쪽에서 오른쪽으로 이어지는 하나의 플룸 여정으로 수정했습니다. FluidFlower 관측, U-Net 분할, 엔트로피 기반 불확실성, P10–P50–P90 의사결정 범위입니다. 이후 반복에서 플룸 물리를 바로잡고, 가는 손가락 구조를 보존하고, 색을 단순화하고, 정확한 타이포그래피를 위한 여백을 확보했습니다. 마지막 단계에서 검증된 지표(확률적 패스 30회, AUROC 0.962–0.974, 이미지당 약 0.72초)를 직접 추가하고 A3 가로 PDF로 내보냈습니다.
A Researcher's Perspective연구자의 관점
As a researcher in geological carbon storage and AI-based subsurface modeling, I want uncertainty to be visible rather than hidden behind a single prediction. The brightest boundaries represent both scientific complexity and responsible AI: confidence in the plume interior, caution at changing interfaces. I hope viewers see that trustworthy AI is not simply accurate; it also reveals its limits and helps researchers choose safer monitoring and risk-management actions.
지중 탄소 저장과 AI 기반 지하 모델링 연구자로서, 저는 불확실성이 단일 예측 뒤에 숨겨지지 않고 눈에 보이길 바랍니다. 가장 밝은 경계는 과학적 복잡성과 책임 있는 AI를 동시에 나타냅니다. 플룸 내부에서는 확신을, 변화하는 경계면에서는 주의를. 신뢰할 수 있는 AI는 단지 정확한 것이 아니라 자신의 한계를 드러내고 연구자가 더 안전한 모니터링과 위험 관리 조치를 선택하도록 돕는다는 점을 관람객이 보았으면 합니다.