컨텐츠 바로가기

KAIST, 우수한 소재를 설계하는 딥러닝 방법론 개발

댓글 첫 댓글을 작성해보세요
주소복사가 완료되었습니다

미니 인터뷰 (Mini Interview)

◆ 개발한 방법론이 가진 강점은

기존보다 적은 새로운 데이터를 추가해도, 우수한 물성을 가진 소재에 대한 심층 신경망의 예측 정확도를 높일 수 있다는 강점이 있다.

그동안 머신러닝을 소재와 구조 설계에 쓰는 연구들이 많이 진행됐다. 그런데 머신러닝 모델은 데이터 의존도가 너무 높다. 학습한 데이터 범위 밖에서 예측이 잘 안되는 문제가 늘 있었다.

이를 극복하기 위해 이번 연구에서는, 점차적으로 기존 학습 데이터보다 조금 나은 소재들의 후보군을 추천 및 검증하고, 새로운 데이터로 심층 신경망을 개선했다. 또 심층 신경망 적용 범위를 점차 넓혀가는 과정을 반복하면서, 물성 최적화를 진행하는 방법론을 개발했다.

◆ 팀으로 연구하면서 힘든 점이나 기억에 남는 순간은

처음에는 복잡한 소재 구조가 주어질 때, 물성이 어떻게 되는지 예측만 잘 하는 연구로만 시작했었다.

그 후, 원하는 물성을 최적화하는 설계로 확장해보자고 결심했다. 그런데 학습범위 밖 예측 정확도가 낮은 문제가 발생해 매우 긴 시간이 소요된 점이 가장 힘들었다.

그동안 김영수 박사와 김용태 박사과정 학생에게 가장 고맙다. 긴 시간이 걸려도 알고리즘 개선과 논문 마무리를 끝까지 묵묵히 도와줬다. 또 처음으로 머신러닝이 무엇인지 알려주고, 협업했던 UC Berkeley 대학의 Grace Gu 교수팀에게도 매우 고맙게 생각하고 있다.

◆ 이번 방법론 개발로 기대하는 바는

학습 데이터 범위 밖의 예측 정확도 문제로 어려움 겪으신 연구자분들의 이야기를 들었다. 본 방법론이 앞으로 다양한 소재 개발, 구조 설계, 공정 최적화 등에 유용하게 잘 활용됐으면 한다.

유승화 카이스트 기계공학과 교수

AI타임스

(왼쪽부터) 유승화 교수, 김용태 박사과정, 김영수 박사. (출처= KAIST)

<이미지를 클릭하시면 크게 보실 수 있습니다>


(왼쪽부터) 유승화 교수, 김용태 박사과정, 김영수 박사. (출처= KAIST)KAIST(총장 이광형)는 기계공학과 유승화 교수 연구팀이 능동-전이 학습(active-transfer learning)과 데이터 증강비법(Data augmentation)에 기반해, 심층신경망 초기 훈련에 쓰인 소재들과 형태와 조합이 다른 우수한 특성을 지닌 소재를 효율적으로 탐색하고 설계하는 방법론을 개발했다고 16일 밝혔다.

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 요구됐다. 이에 따라 제한적으로만 활용이 가능하다.

AI타임스

그림 1. 능동-전이 학습과 유전 알고리즘에 의해 생성된 데이터 추가 기반으로 하는 인공신경망의 신뢰할 수 있는 예측 영역의 점진적 확장에 대한 모식도 (출처=KAIST)

<이미지를 클릭하시면 크게 보실 수 있습니다>


그림 1. 능동-전이 학습과 유전 알고리즘에 의해 생성된 데이터 추가 기반으로 하는 인공신경망의 신뢰할 수 있는 예측 영역의 점진적 확장에 대한 모식도 (출처=KAIST)연구팀은 이를 극복하기 위해, 초기 훈련 데이터 영역에서 벗어나 우수한 소재를 효율적으로 탐색할 수 있는 인공신경망 기반 전진 설계(Forward design) 방법론을 제안했다. 이 방법론은 전 알고리즘과 결혼된 능동-전이 학습 및 데이터 증강기법을 통해 심층신경망을 점진적으로 업데이트한다. 따라서 초기 훈련데이터를 벗어난 영역에서 심층신경망의 낮은 예측능력을 적은 숫자의 데이터 검증 및 추가로 보완한다.

유전 알고리즘에 의해 제안되는 우수 소재 후보군은 기존에 보유한 소재 데이터를 조합해 도출하기 때문에 심층신경망의 신뢰할 수 있는 예측 영역과 설계 공간 측면에서 상대적으로 가까워 예측정확도가 유지된다.

이 후보군과 능동-전이 학습을 활용해 점진적으로 심층신경망의 신뢰성 있는 예측 범위를 확장하면, 초기 훈련데이터 영역 밖에서도 적은 데이터를 생성해 효율적인 설계 과정이 가능하다.

이번 방법은 천문학적인 수의 설계 구성을 가지는 그리드 복합소재 최적화 문제에 적용해 검증했으며, 이를 통해 전체 가능한 복합재 구조의 1029분의 1 가량인 10만 개의 복합재들만 초기 훈련 데이터로 활용해 심층신경망을 학습한 후, 이후 약 500개에 미치지 못하는 데이터 검증을 통해 초기 훈련에 쓰인 복합재와 매우 다른 구조를 가지고 우수한 특성을 지닌 복합재 구조를 설계할 수 있음을 보였다.

연구진이 개발한 방법론은 국소 최적점(Local optim)에 수렴하는 문제를 완화하면서도 인공신경망의 신뢰할 수 있는 예측 영역을 점진적으로 확장하는 효율적인 방법을 제공한다. 앞으로 큰 설계 공간을 다루는 다양한 분야의 최적화 문제에 적용할 수 있을 것으로 기대된다. 특히 설계에 요구되는 데이터 검증의 숫자가 적기 때문에 데이터 생성에 시간이 오래 걸리고 비용이 많이 드는 설계 문제에서 이 방법론이 크게 활용될 것으로 기대된다.

이번 연구는 국제학술지 'npj 컴퓨테이셔널 머터리얼(Computational Material, IF:12.241)에 'Deep Learning Framework for Material Design Space Exploration using Active Transfer Learning and Data Augmentation' 으로 게재됐다.

AI타임스

그림 2. 능동-전이 학습과 유전 알고리즘에 기반한 재료 설계 흐름도 (출처=KAIST)

<이미지를 클릭하시면 크게 보실 수 있습니다>


그림 2. 능동-전이 학습과 유전 알고리즘에 기반한 재료 설계 흐름도 (출처=KAIST)AI타임스 김미정 기자 kimj7521@aitimes.com

[ 관련 기사 ] KAIST 연구팀 "신소재 분야 AI 활용 가능성 열었다"

[ 관련 기사 ] KAIST 연구팀, 인간 뇌 모방한 고집적 뉴로모픽 반도체 개발

Copyright ⓒ '인공지능 전문미디어' AI타임스 (http://aitimes.com)
기사가 속한 카테고리는 언론사가 분류합니다.
언론사는 한 기사를 두 개 이상의 카테고리로 분류할 수 있습니다.