우리 학교 기계공학과 유승화 교수 연구팀이 유전적 알고리즘에 기반한 능동 전이 학습*(active transfer learning)과 데이터 증강 기법**(Data augmentation)을 통해, 심층신경망 초기 훈련에 쓰인 소재들과 형태와 조합이 매우 다른 우수한 특성을 지닌 소재를 효율적으로 탐색하고 설계하는 방법론을 개발했다.

    인공신경망에 기반해 방대한 설계 공간에서 새로운 소재를 찾기 위한역설계 연구는 최근 매우 활발하게 진행되고 있다. 하지만 기존 설계 방식은 목표로 하는 소재의 형태와 조합이 심층신경망 훈련에 활용된 소재들과 매우 다를 때 인공신경망이 가지는 낮은 예측능력으로 인해 극히 많은 수의 소재 데이터 검증이 요구되며, 이에 따라 제한적으로만 활용이 가능하다.

데이터의 효율적이고 점진적인 추가

    연구팀은 초기 훈련 데이터 영역에서 벗어나 우수한 소재를 효율적으로 탐색할 수 있는 인공신경망 기반 전진 설계(Forward design)방법론을 제안했다. 연구팀의 방법론은 유전 알고리즘과 결합된 능동-전이학습과 데이터 증강기법을 통해, 심층신경망을 점진적으로 업데이트함으로써, 초기 훈련데이터를 벗어난 영역에서 심층신경망이 가지는 낮은 예측능력을 적은 숫자의 데이터 검증 및 추가를 통해 보완한다. 유전 알고리즘에 의해 제안되는 우수 소재 후보군은 이미 보유한 소재 데이터를 조합하여 도출되기 때문에 심층신경망의 신뢰할 수 있는 예측 영역과 설계 공간측면에서 상대적으로 가까우며, 비교적 높은 예측 정확도로 예측이 가능하다. 제안된 후보군과 능동-전이 학습을 활용하여 점진적으로 심층신경망의 신뢰성 있는 예측 범위를 확장하면, 초기 훈련데이터 영역 밖에서도 적은 데이터를 생성하여 효율적인 설계 과정이 가능하며, 이를 통해 설계에 소요되는 시간과 비용을 절약할 수 있다.

연구 의의와 추후 연구 계획

    연구팀이 개발한 방법론은 최적화 알고리즘이 국소 최적점(Local optima)에 수렴하는 문제를 완화하면서도 인공신경망의 신뢰할 수 있는 예측 영역을 점진적으로 확장하는 효율적인 방법을 제공한다. 따라서 큰 설계 공간을 다루는 다양한 분야의 최적화 문제에 적용할 수 있을 것으로 기대된다. 특히 설계에 요구되는 데이터 검증의 수가 적기 때문에 데이터 생성에 시간이 오래 걸리고 비용이 많이 드는 설계 문제에서 이 방법론이 크게 활용될 것으로 전망된다. 연구팀은 열전자소자나 메타 소재 설계 등과 같은 실제적인 구현을 목표로 하여 후속 연구를 계획 중이다.

    마지막으로, 유 교수는 머신러닝 방법론에 대한 학생들의 관심이 높아진 가운데 본인 전공에 대한 깊은 이해를 바탕으로 기존 연구의 한계점 극복에 머신 러닝 방법론을 응용할 수 있는 인재의 중요성에 대해 강조하였다.

능동 전이 학습*
인공신경망에 의해 제안된 데이터를 선별한 후 선별한 데이터를 활용해 인공신경망을 업데이트 하는 방법.
데이터 증강 기법**
적은 양의 데이터를 바탕으로 다양한 알고리즘을 통해 데이터의 양을 늘리는 기술