[데일리포스트=송협 선임기자] “이번에 개발한 방법론은 국소 최적점에 수렴하는 문제를 완화하고 인공신경망의 신뢰할 수 있는 예측 영역을 점진적으로 확장하는 방법을 제공하기 때문에 큰 설계 공간의 분야를 최적화하는데 기대되며 무엇보다 데이터 생성 시간이 오래 걸리고 고비용 설계 문제에서 크게 활용될 것으로 기대됩니다.” (카이스트 기계공학과 유승화 교수)
국내 연구진이 적은 수의 데이터 검증으로 우수한 소재 탐색이 가능한 딥러닝 방법론을 개발하는데 성공했다.
KAIST 기계공학과 유승화 교수 연구팀은 능동-전이 학습과 데이터 증강기법에 기반한 심층신경망 초기 훈련에 사용된 소재들과 형태와 조합이 다른 우수한 특성 소재를 탐색하고 설계하는 방법론을 개발하면서 그동안 시간이 오래 걸리고 비용이 많이 들었던 다양한 설계에 크게 활용될 전망이다.
인공신경망에 기반해 방대한 설계 공간에서 새로운 소재를 찾기 위한 역설계 연구는 최근 활발하게 진행되고 있다.
하지만 기존 설계 방식은 목표로 하는 소재 형태와 조합이 심층신경망 훈련에 활용된 소재들과 다르면 인공신경망이 가지는 낮은 예측능력으로 인해 극히 많은 수의 소재 데이터 검증이 요구되면서 제한적으로만 활용이 가능하다.
연구팀은 이번 연구에서 초기 훈련 데이터 영역에서 벗어나 우수한 소재를 탐색할 수 있는 인공신경망 기반 전진 설계 방법론을 제안했다.
해당 방법론은 유전 알고리즘과 결합된 능동-전이 학습 및 데이터 증강기법을 통해 심층신경망을 점진적으로 업데이트해 초기 훈련데이터를 벗어난 영역에서 심층신경망의 낮은 예측능력을 적은 숫자의 데이터 검증과 추가로 보완하고 있다.
특히 유전 알고리즘에 제안되는 우수 소재 후보군은 기보유한 소재 데이터를 조합해 도출하기 때문에 심층신경망의 예측 영역과 설계 공간 측면에서 상대적으로 가까워 예측 정확도가 유지된다는게 연구팀의 설명이다.
아울러 이 후보군과 능동-전이 학습을 활용해 점진적으로 심층신경망의 신뢰성 있는 예측 범위를 확장하면 초기 훈련데이터 영역 밖에서도 적은 데이터를 생성해 효율적인 설계 과정이 가능하다.
연구팀이 개발한 방법은 천문학적인 수의 설계 구성을 가지는 그리드 복합소재 최적화 문제에 적용해 검증했으며 전체 가능한 복합재 구조의 10분의 1 가량인 10만 개 복합재들만 초기 훈련 데이터로 활요해 심층신경망을 학습하고 이후 500개에 미치지 못하는 데이터를 통해 다른 구조를 보유한 특성을 지닌 복합재 구조를 설계할 수 있다.
한편 이번 연구는 공동 제1저자 김용태 박사과정과 김영수 박사(한국기계연구원) 등이 주도했으며 유승화 교수가 교신저자로 참여, 국제학술지 ‘npj 컴퓨테이셔널 머털리얼’에 게재됐다.