우리 학교 신소재공학과 홍승범 교수 연구팀이 시뮬레이션을 기반으로 한 신소재 데이터 분석을 위한 인공지능을 개발했다고 지난달 24일 밝혔다. 신소재공학과 염지원 연구원, 노스웨스턴(Northwestern) 대학의 티베리우 스탄(Tiberiu Stan) 박사가 공동 제1 저자로 참여한 이번 연구는 노스웨스턴 대학의 피터 부리스(Peter Voorhees) 교수 연구실과 함께 진행됐으며 연구 결과는 국제 학술지 <악타 머터리얼리아(Acta Materialia)>에 게재됐다. 최근 컴퓨팅 파워가 기하급수적으로 증가함에 따라 인공지능을 활용한 다양한 응용이 실생활에 활용되고 있으며, 이에 인공지능을 활용해 신소재 데이터를 고속으로 분석하고 소재를 역설계하는 기술의 연구 역시 가속화되고 있다.

인공지능 훈련 방법론이란?

    연구팀이 이번에 개발한 인공지능 훈련 방법론의 가장 큰 특징은 인공지능을 활용하여 데이터가 물리적 제약을 공유하도록 위상 필드 시뮬레이션*을 활용해 기초 데이터를 형성하였다는 점이다. 본래 머신 러닝 데이터들은 거시적인 데이터를 기반으로 학습이 이루어진다. 하지만 재료 관련 데이터는 대부분 스스로 데이터를 만들어야 했기에 사람의 손으로 직접 작성하였다. 연구팀은 기존의 수기로 훈련 데이터를 만드는 방법에서 재료의 상 변화와 관련된 물리적 제약을 토대로 훈련 데이터를 만드는 방법을 고안해냈다. 소재 데이터가 가지고 있는 실제 측정 과정에서 발생하는 다양한 잡음, 입자의 분포 정보 및 입자의 경계를 모사해 크기가 작은 소재 데이터의 한계를 해결했다. 즉, 재료의 물리적인 특징에 의한 제약을 토대로 학습 데이터를 만들어 적은 데이터 학습 양에 대한 문제를 해결하였다는 점에서 큰 의의가 있다. 

연구 과정 중 어려움과 극복 방식

    훈련 데이터를 생성하는 과정에서 링 형태로 출렁거리는 픽셀 값들과 색조의 오류가 존재하였다. 이를 해결하기 위해 연구팀은 점 잡음을 넣어 왜곡을 잡았다. 어떠한 점 잡음을 추가하는지에 따라 이미지가 불규칙하게 나타났다. 따라서, 경우의 수, 실제 실험 데이터를 면밀히 뜯어보면서 어떤 특성이 영향을 미칠지 순서를 정하여 실제 이미지와 비교하였다. 이러한 방식으로 실제 이미지와 제일 부합하는 점 잡음을 추가하여 문제를 극복하였다. 이를 통해 픽셀 정확도는 99% 이상, 경계면 정확도는 95% 이상을 달성하였다.

추후 연구 방향과 기술의 적용 

    현재 연구팀은 기존 2차원 이미지에서 3차원 이미지로 확장하려는 연구를 계획 중에 있다. 또한, 이미지 데이터들을 바탕으로 재료의 특성에 관한 관계를 찾는 것을 목표로 하고 있다. 아울러 이번 연구에서 제시하는 소재 데이터 생성을 활용한 인공지능 훈련 방법은 기존의 수작업으로 훈련 데이터를 준비하는 시간을 크게 단축할 수 있으며, 인공지능의 전이 학습 및 다양한 물리적 제약을 바탕으로 하는 위상 필드 시뮬레이션 활용을 바탕으로 다양한 소재 데이터에 빠르게 적용할 수 있는 장점이 있다. 

    최근 인공지능의 효율 및 정확도를 증가시키는 연구를 바탕으로 자율주행 자동차, 데이터베이스 기반의 마케팅 및 물류 시스템 보조 등의 분야에 인공지능의 활용이 높아지고 있다. 특히 신소재 개발에 장시간이 소요되는 점을 고려할 때, 소재 및 공정 개발에 인공지능을 활용해 다양한 구조 및 물성 데이터 사이의 상관관계를 빠르게 분석해 신소재 개발 소요 시간을 획기적으로 줄일 수 있는 인공지능 방법론이 주목을 받고 있다는 점에서 연구의 의의를 찾을 수 있다. 

    홍 교수는 “머신 러닝이란 분야와 재료공학의 융합이라는 측면에서 본 연구에 의의가 있다”고 설명하였다. 본 연구는 ‘KAIST 물질 혁명 4.0(2031 카이스트 미래 보고서)’으로 글로벌 특이점 사업으로 선정되었다. 더불어 홍 교수는 새로 개척되는  분야인 만큼 더 많은 사람들의 관심을 강조하였다.

위상 필드 시뮬레이션*
물리적 법칙을 가지고 상의 형태나 모양을 모사할 수 있는 도구