%eb%a8%b8%ec%8b%a0%eb%9f%ac%eb%8b%9d
-
‘물리법칙 아는 AI’신소재 대량 탐색 척척!
신소재 개발의 핵심 단계인 ‘물성 규명’은 그동안 방대한 실험 데이터와 고가 장비에 의존해야 해 연구 효율이 낮다는 한계가 있었다. KAIST 연구진은 재료와 에너지의 변형과 상호작용을 지배하는 ‘물리법칙’을 AI와 결합한 새로운 기법을 통해, 데이터가 부족한 상황에서도 신소재를 신속히 탐색하고 나아가 재료·기계·에너지·전자 등 다양한 공학 분야의 설계와 검증까지 빠르게 수행할 수 있는 기반을 마련했다.
우리 대학 기계공학과 유승화 교수 연구팀이 경희대(총장 김진상) 임재혁 교수 연구팀과 한국전기연구원(원장 김남균, KERI) 류병기 박사와 각각 공동 연구를 통해, 물리 법칙을 인공지능 학습 과정에 직접 반영하는 물리 기반 머신러닝(Physics-Informed Machine Learning, PIML) 기법을 활용해, 적은 양의 데이터만으로도 소재 물성을 정확히 규명할 수 있는 새로운 방법을 제시했다고 2일 밝혔다.
첫 번째 연구에서는 고무와 같은 잘 늘어나는 초탄성(hyperelastic) 소재를 대상으로, 단 한번의 실험에서 얻은 적은 양의 데이터만으로도 재료의 변형 모습과 성질을 동시에 알아낼 수 있는 ‘물리 기반 인공 신경망(Physics-Informed Neural Network, PINN)’ 기법을 제시했다.
기존에는 많은 양의 복잡한 데이터를 모아야만 가능했지만, 이번 연구는 데이터가 부족하거나 제한적이거나 잡음이 포함된 상황에서도 안정적으로 소재 특성을 재현할 수 있음을 입증했다.
두 번째 연구에서는 열을 전기로, 전기를 열로 바꾸는 신소재인 ‘열전 소재’를 대상으로, 단 몇 개의 측정값만으로도 열을 얼마나 잘 전달하는지(열전도도)와 전기를 얼마나 잘 만들어내는지(제벡 계수) 같은 핵심 지표를 추정할 수 있는 PINN 기반 역추정 기법을 제안했다.
나아가 연구팀은 자연의 물리 법칙까지 이해하는 인공지능인 ‘물리 기반 신경 연산자(Physics-Informed Neural Operator, PINO)’를 도입해 학습되지 않은 신소재에도 재학습 과정 없이 일반화가 가능함을 보여주었다.
실제로 20개 소재로 학습한 뒤, 60개의 새로운 소재를 대상으로 테스트했는데, 모두 높은 정확도로 성질을 맞혀냈다. 이로써 앞으로 수많은 신소재 후보를 빠르게 골라내는 고속·대량 소재 탐색이 가능해질 전망이다.
이번 성과는 단순히 ‘실험을 줄였다’는 수준을 넘어선다. 물리 법칙과 인공지능을 정교하게 결합해, 실험 효율은 높이고 신뢰성은 지킨 첫 사례이기 때문이다.
두 연구 모두 총괄하여 진행한 유승화 교수는 “이번 성과는 물리 법칙을 이해하는 인공지능을 실제 소재 연구에 적용한 첫 사례”라며, “데이터 확보가 제한적인 상황에서도 물성을 신뢰성 있게 규명할 수 있어 다양한 공학 분야로 확산될 것”이라고 말했다.
첫 번째 논문은 KAIST 기계공학과 문현빈·박동근 박사과정이 공동 제1 저자로 참여했으며 국제 학술지 ‘컴퓨터 매써드 인 어플라이드 머케닉스 엔 엔지니어링(Computer Methods in Applied Mechanics and Engineering)’에 8월 13일자에 게재되었다.
※논문 제목: Physics-informed neural network-based discovery of hyperelastic constitutive models from extremely scarce data
※DOI: https://doi.org/10.1016/j.cma.2025.118258
두 번째 논문은 KAIST 기계공학과 문현빈·이송호 박사과정, 와비 데메케(Wabi Demeke) 박사가 공동 제1 저자로 참여했으며 ‘엔피제이 컴퓨테이셔널 머티리얼즈(npj Computational Materials)’에 8월 22일자에 연이어 게재됐다.
※논문 제목: Physics-informed neural operators for generalizable and label-free inference of temperature-dependent thermoelectric properties
※DOI: https://doi.org/10.1038/s41524-025-01769-1
한편, 첫번째 연구는 한국연구재단·과학기술정보통신부 이노코어 프로그램 및 식품의약품안전처 연구과제의 지원을, 두번째 연구는 한국연구재단·과학기술정보통신부 이노코어 프로그램의 지원을 받아 수행됐다.
2025.10.02 조회수 2650 -
고온 실험 없이 AI로 '최적 합금' 예측 시대 연다
자동차와 기계 부품 등에 사용되는 강철 합금은 일반적으로 고온에서 녹이는(융해) 공정을 거쳐 제조된다. 이때 성분이 변하지 않고 그대로 녹는 현상을 ‘합치 융해(congruent melting)’라고 한다. 우리 연구진은 이처럼 고온 실험을 통해서만 가능했던 합금의 융해 특성을 인공지능(AI)으로 해결했다. 이번 연구는 고질적인 난제였던 합금이 녹을 때 서로 얼마나 잘 섞이는지를 미리 예측함으로써, 미래 합금 개발의 방향성을 제시한다는 점에서 주목받고 있다.
우리 대학 신소재공학과 홍승범 교수 연구팀이 미국 노스웨스턴대 크리스 울버튼(Chris Wolverton) 교수팀과 국제 공동연구를 통해, 밀도범함수이론(DFT)* 기반의 형성에너지(합금이 얼마나 안정적인지를 나타내는 값) 데이터를 활용해 합금이 녹을 때 성분이 유지되는지를 예측하는 고정확도 머신러닝 모델을 개발했다고 14일 밝혔다.
*밀도범함수이론(Density Functional Theory, DFT): 전자 밀도(electron density)를 기반으로 시스템의 전체 에너지를 계산하는 방법
연구팀은 밀도범함수이론을 통해 계산한 형성에너지와, 기존의 실험적 융해 반응 데이터를 머신러닝에 결합해 4,536개의 이원계 화합물에 대한 융해 반응 유형을 학습한 후, 그 예측 모델을 구성했다.
다양한 머신러닝 알고리즘 중 특히 ‘XGBoost’ 기반 분류 모델이 합금이 잘 섞이는지 여부에 대해 가장 높은 정확도를 보였으며, 약 82.5%의 예측 정확도를 달성했다.
연구팀은 또한 샤플리(Shapley) 기법*을 활용해 모델의 주요 특징(feature)들을 분석했으며, 이 중에서도 기울기 변화가 크다는 것은 그 조성에서 에너지적으로 매우 유리한(=안정한) 상태가 형성된다는 뜻으로 ‘형성에너지 곡선의 기울기 변화(convex hull sharpness)’가 가장 중요한 인자로 도출됐다.
*샤플리기법: AI가 어떤 이유로 그렇게 판단했는지를 알려주는 설명 도구
이번 연구의 가장 큰 의의는 고온 실험 없이도 소재의 융해 반응 경향성을 예측할 수 있다는 점이다. 이는 특히 고엔트로피 합금이나 초내열 합금 등 실험이 어려운 소재 군에서 매우 유용하며, 향후 복잡한 다성분계 합금 설계에도 확장될 수 있다.
또한, AI 모델이 도출한 주요 물리량은 합금이 잘 변하고, 안정적인지 등에 대한 실제 실험 결과와 높은 일치도를 보였고, 향후 다양한 금속재료 개발 및 구조 안정성 예측 등 널리 활용될 수 있을 것으로 기대된다.
홍승범 교수는 “이번 연구는 계산과 실험 데이터, 그리고 머신러닝의 융합을 통해 기존의 경험적 합금 설계 방식에서 벗어나 데이터 기반의 예측적 소재 개발이 가능하다는 가능성을 보여준 사례”라며 “향후 생성형 모델, 강화학습 등의 최신 AI 기술을 접목하면 완전히 새로운 합금을 자동으로 설계하는 시대가 열릴 것”이라고 말했다.
신소재공학과 최영우 박사과정 연구원이 제1 저자로 참여한 이번 연구는 미국물리협회(American Institute of Physics, AIP)에서 발간하는 머신러닝 분야의 권위 있는 학술지인 ‘APL 머신러닝(Machine Learning)’ 5월호에 게재 및 ‘특집 논문(Featured article)’로 선정됐다.
※ 논문 제목: Machine learning-based melting congruency prediction of binary compounds using density functional theory-calculated formation energy
※ DOI: https://doi.org/10.1063/5.0247514
한편, 이번 연구는 과학기술정보통신부와 한국연구재단의 지원으로 수행됐다.
2025.07.14 조회수 2837 -
이산화탄소만 잡아내는 유망 소재를 AI로 쉽게 찾는다
기후 위기를 막기 위해 이미 배출된 이산화탄소를 적극적으로 줄이는 것이 필수적이며, 이를 위해 공기 중 이산화탄소만 직접 포집하는 기술(Direct Air Capture, 이하 DAC)이 주목받고 있다. 하지만 공기 중에 존재하는 수증기(H₂O)로 인해 이산화탄소만 효과적으로 포집하는 것이 쉽지 않다. 이 기술의 핵심 소재로 연구되는 금속–유기 구조체(Metal-Organic Frameworks, 이하 MOF)를 활용해 우리 연구진이 AI 기반 기계학습 기술을 적용, MOF 중에서 가장 유망한 탄소 포집 후보 소재들을 찾아내는 데 성공했다.
우리 대학 생명화학공학과 김지한 교수 연구팀이 임페리얼 칼리지 런던(Imperial College London) 연구팀과 공동 연구를 통해 대기 중 이산화탄소 포집에 적합한 MOF를 빠르고 정확하게 선별할 수 있는 기계학습 기반 시뮬레이션 기법을 개발했다고 29일 밝혔다.
복잡한 구조와 분자 간 상호작용의 예측 한계로 인해 고성능 소재를 찾는 데 큰 제약을 극복하기 위해, 연구팀은 MOF와 이산화탄소(CO2), 물(H2O) 사이의 상호작용을 정밀하게 예측할 수 있는 기계학습(머신러닝) 기반 역장(Machine Learning Force Field, MLFF)을 개발하고, 이를 통해 양자역학 수준의 예측 정확도를 유지하면서도 기존보다 월등히 빠른 속도로 MOF 소재들의 흡착 물성을 계산할 수 있도록 했다.
연구팀은 개발된 시스템을 활용해 8,000여 개의 실험적으로 합성된 MOF 구조를 대규모 스크리닝한 결과, 100개 이상의 유망한 탄소 포집 후보 소재를 발굴했다. 특히 기존의 고전 역장 기반 시뮬레이션으로는 확인되지 않았던 새로운 후보 소재들을 제시했으며, MOF의 화학 구조와 흡착 성능 간의 상관관계를 분석해 DAC용 소재 설계에 유용한 7가지 핵심 화학적 특징도 함께 제안했다.
이번 연구는 MOF–CO2 및 MOF-H2O 간 상호작용을 정밀하게 예측함으로써, DAC 분야의 소재 설계 및 시뮬레이션 기술을 크게 향상한 사례로 평가된다.
우리 대학 생명화학공학과 임윤성 박사과정과 박현수 박사가 공동 제1 저자로 참여한 이번 연구 결과는 국제 학술지 `매터 (Matter)'에 지난 6월 12일 게재됐다.
※논문명: Accelerating CO2 direct air capture screening for metal-organic frameworks with a transferable machine learning force field
※DOI: 10.1016/j.matt.2025.102203
한편, 이번 연구는 Saudi Aramco-KAIST CO2 Management Center와 과학기술정보통신부의 글로벌 C.L.E.A.N. 사업의 지원을 받아 수행됐다.
2025.06.30 조회수 4048 -
초경량·고강도 동시 갖춘 첨단 신소재 개발
최근 자동차, 항공, 모빌리티 등 첨단 산업에서는 경량화와 동시에 우수한 기계적 성능을 갖춘 소재에 대한 수요가 증가하고 있다. 국제 공동연구진이 나노 구조를 활용한 초경량 고강도 소재를 개발하여 향후 맞춤형 설계를 통해 다양한 산업에 응용 가능성을 제시했다.
우리 대학 기계공학과 유승화 교수 연구팀이 토론토 대학(Univ. of Toronto) 토빈 필레터 교수(Prof. Tobin Filleter) 연구팀과 협력해, 높은 강성과 강도를 유지하면서도 경량성을 극대화한 나노 격자 구조를 개발했다고 18일 밝혔다.
연구팀은 이번 연구에서 격자 구조의 보(beam) 형상을 최적화해 경량성을 유지하면서도 강성과 강도를 극대화하는 방안을 모색했다.
특히, 다목적 베이지안 최적화(Multi-objective Bayesian Optimization) 알고리즘*을 활용해 인장 및 전단 강성 향상과 무게 감소를 동시에 고려하는 최적 설계를 수행했다. 기존 방식보다 훨씬 적은 데이터(약 400개)만으로도 최적의 격자 구조를 예측하고 설계할 수 있음을 입증했다.
*다목적 베이지안 최적화 알고리즘: 여러 목표를 동시에 고려해 최적의 해결책을 찾는 방법으로, 불확실도가 있는 상황에서도 효율적으로 데이터 수집과 결과 예측을 반복하며 최적화를 진행
연구팀은 더 나아가, 나노 스케일에서는 크기가 작아질수록 기계적 특성이 향상되는 효과를 극대화하기 위해 열분해 탄소(pyrolytic carbon) 소재*를 활용해 초경량·고강도·고강성 나노 격자 구조를 구현했다.
*열분해 탄소 소재: 높은 온도에서 유기물을 분해해 얻는 탄소 물질로, 내열성과 강도가 뛰어나 다양한 산업에서 사용 예를 들어, 고온에서도 변형되지 않는 코팅재로 활용되어 반도체 장비나 인공 관절 코팅에 쓰임
이를 위해 이광자 중합(two-photon polymerization, 2PP) 기술*을 적용해 복잡한 나노 격자 구조를 정밀하게 제작했으며, 기계적 성능 평가 결과 해당 구조가 강철에 버금가는 강도와 스티로폼 수준의 경량성을 동시에 갖추고 있음을 확인했다.
*이광자 중합 기술: 레이저 빔을 이용해 특정 파장의 두 개의 광자가 동시에 흡수될 때만 중합 반응이 일어나도록 하는 원리를 기반으로 하는 첨단 광학 제조 기술
또한, 멀티포커스 이광자 중합(multi-focus 2PP) 기술을 이용해 나노스케일의 정밀도를 유지하면서도 밀리미터 스케일의 구조물 제작이 가능함을 연구팀은 입증했다.
유승화 교수는 “이번 기술은 기존 설계 방식의 한계로 지적되던 응력 집중 문제를 3차원 나노 격자 구조를 통해 혁신적으로 해결함으로써, 초경량성과 고강도를 동시에 구현한 신소재 개발에 중요한 진전을 이루었다”라고 말했다.
이어 유 교수는 “데이터 기반 최적화 설계와 정밀 3D 프린팅 기술을 융합한 이 기술은 항공우주 및 자동차 산업의 경량화 수요에 부응할 뿐만 아니라, 맞춤형 설계를 통한 다양한 산업 응용 가능성을 열어갈 것으로 기대된다”라고 강조했다.
이번 연구는 피터 설레스 박사(Dr. Peter Serles)와 KAIST 여진욱 박사가 공동 제1 저자로 연구를 주도했으며, 유승화 교수와 토빈 필레터 교수가 교신 저자로 참여했다.
연구 결과는 세계적인 국제 학술지인 ‘어드밴스드 머터리얼즈(Advanced Materials)’에 2025년 1월 23일 게재됐다.(논문 제목: Ultrahigh Specific Strength by Bayesian Optimization of Lightweight Carbon Nanolattices) DOI: https://doi.org/10.1002/adma.202410651
이번 연구는 과학기술정보통신부에서 지원하는 다상소재 혁신생산공정 연구센터 과제(ERC사업)와 식품의약품안전처의 M3DT(의료기기 디지털 개발도구) 과제, KAIST 국제협력사업의 지원을 받아 수행됐다.
2025.02.18 조회수 7108 -
누구나 천연물 합성 경로 예측 가능하다
식물은 고착생활을 하면서 환경 스트레스에 대응하기 위해 진화적으로 다양하고 복잡한 천연물을 만들고 있다. 이 천연물들은 인류의 생존에도 필수적인 역할을 하고 있는데 미국식품의약국(FDA) 승인 저분자 약물의 30% 이상이 식물 천연물에 기초하고 있다는 사실이 이를 증명하고 있다. 한국 연구진이 딥러닝을 활용, 천연물의 역-생합성 경로를 예측하는 모델을 제시해 천연물 기반 의약품 대량 생산에 활용될 수 있도록 해 화제다.
우리 대학 생명과학과 김상규 교수 연구팀과 김재철AI대학원 황성주 교수 연구팀의 공동연구를 통해 천연물 생합성 경로를 예측하는 딥러닝 모델을 개발하고 부산대학교 박정빈 교수 연구팀과 협업을 통해 관심있는 누구나 모델을 활용할 수 있도록 인터넷 웹사이트(readretro.net)를 구축했다고 14일 밝혔다.
천연물 활용 및 대량 생산을 위해서는 생합성 경로를 밝히는 것이 필수적이다. 하지만 복잡한 구조를 가진 많은 약용 천연물의 생합성 경로가 잘 밝혀져 있지 않아 현재는 식물로부터 직접 추출해 사용하고 있다. 생합성 경로 연구는 도전적이지만 이를 밝히고 생합성 효소를 찾을 수 있다면 천연물의 활용 가치를 증진할 수 있다.
식물 천연물 생합성 경로 연구의 첫 단계는 식물이 어떻게 물질을 합성하는지 그 경로를 역추적(역합성 경로를 제시)하는 것으로 시작된다. 공동연구팀은 딥러닝을 활용해 천연물의 역-생합성 경로를 예측하는 모델을 제시했다. 이번 연구에서 연구팀은 발전된 역합성 모델과 생화학적 직관을 결합해 성공적으로 천연물 생합성 경로 예측을 수행하는 인공지능 모델을 개발했다.
연구팀은 개발한 인공지능의 이름을 ‘역합성을 읽어내는 모델’이라는 뜻을 담아 ‘리드레트로(READRetro)’라고 명명했다. 이 모델은 천연물 역합성을 예측하는 인공지능 모델 중 최고의 성능을 보이는 것으로 확인되었고 이를 개별 연구자들이 쉽게 활용할 수 있도록 구현했다는 데 의미를 가진다.
김상규 교수는 “식물이 어떻게 복잡한 천연물을 만들 수 있게 되었는지 이해하는 기초 연구에서부터 천연물 기반 의약품을 대량으로 생산하기 위한 합성생물학 연구 등에 활용이 기대된다. 추후 합성 경로를 매개하는 효소를 예측하거나 거대 분자의 역합성 예측 정확도를 높이는 연구를 실시할 계획이다” 라고 말했다. 또한 김 교수는 “이번 연구는 2022년 KAIST 인공지능연구원에서 주최한 멜팅 팟(Melting pot) 세미나에서 저와 황성주 교수가 발제자와 토론자로 만난 인연으로 시작됐다. KAIST가 표방하는 융합이 생화학자와 전산학자의 힘을 합쳐 이끌어 낸 좋은 연구로 큰 의미를 갖는다고 생각한다”고 강조했다.
생명과학과 김태인 석박사통합과정과 김재철AI대학원 이슬 석박사통합과정이 공동 제1 저자로 참여한 이번 연구 결과는 국제 학술지 ‘뉴 파이톨로지스트(New Phytologist)'에 출판됐다. (논문명 : READRetro: natural product biosynthesis predicting with retrieval-augmented dual-view retrosynthesis).
한편 이번 연구는 KAIST POST-AI, 한국연구재단, 과학기술정보통신부 등의 지원을 받아 수행됐다.
2024.08.14 조회수 9328 -
변화에 민감한 사용자도 맞춰주는 인공지능 기술 개발
인공지능 심층신경망 모델의 추천시스템에서 시간이 지남에 따라 사용자의 관심이 변하더라도 변화한 관심 또한 효과적으로 학습할 수 있는 인공지능 훈련 기술 개발이 요구되고 있다. 사용자의 관심이 급변하더라도 기존의 지식을 유지하며 새로운 지식을 축적하는 인공지능 연속 학습을 가능하게 하는 기술이 KAIST 연구진에 의해 개발됐다.
우리 대학 전산학부 이재길 교수 연구팀이 다양한 데이터 변화에 적응하며 새로운 지식을 학습함과 동시에 기존의 지식을 망각하지 않는 새로운 연속 학습(continual learning) 기술을 개발했다고 5일 밝혔다.
최근 연속 학습은 훈련 비용을 줄일 수 있도록 프롬프트(prompt) 기반 방식이 대세를 이루고 있다. 각 작업에 특화된 지식을 프롬프트에 저장하고, 적절한 프롬프트를 입력 데이터에 추가해 심층신경망에 전달함으로써 과거 지식을 효과적으로 활용한다.
이재길 교수팀은 기존 접근방식과 다르게 작업 간의 다양한 변화 정도에 적응할 수 있는 적응적 프롬프팅(adaptive prompting)에 기반한 연속 학습 기술을 제안했다. 현재 학습하려는 작업이 기존에 학습하였던 작업과 유사하다면 새로운 프롬프트를 생성하지 않고 그 작업에 할당된 프롬프트에 추가로 지식을 축적한다. 즉, 완전히 새로운 작업이 입력될 때만 이를 담당하기 위한 새로운 프롬프트를 생성하도록 하고 연구팀은 새로운 작업이 들어올 때마다 클러스터링이 적절한지 검사해 최적의 클러스터링 상태를 유지하도록 했다.
연구팀은 이미지 분류 문제에 대해 작업 간의 다양한 변화 정도를 가지는 실세계 데이터를 사용해 방법론을 검증했다. 이 결과 연구팀은 기존의 프롬프트 기반 연속 학습 방법론에 비해, 작업 간의 변화 정도가 항상 큰 환경에서는 최대 14%의 정확도 향상을 달성했고, 작업 간의 변화가 클 수도 있고 작을 수도 있는 환경에서는 최대 8%의 정확도 향상을 달성했다.
또한, 제안한 방법에서 유지하는 클러스터 개수가 실제 유사한 작업의 그룹 개수와 거의 같음을 확인했다. 온라인 클러스터링을 수행하는 비용이 매우 작아 대용량 데이터에도 쉽게 적용할 수 있다.
연구팀을 지도한 이재길 교수도 "연속 학습 분야의 새로운 지평을 열 만한 획기적인 방법이며 실용화 및 기술 이전이 이뤄지면 심층 학습 학계 및 산업계에 큰 파급효과를 낼 수 있을 것이다ˮ고 말했다.
전산학부 김도영 박사과정 학생이 제1 저자, 이영준 박사과정, 방지환 박사과정 학생이 제4, 제6 저자로 각각 참여한 이번 연구는 최고권위 국제학술대회 `국제머신러닝학회(ICML) 2024'에서 지난 7월 발표됐다. (논문명 : One Size Fits All for Semantic Shifts: Adaptive Prompt Tuning for Continual Learning)
한편, 이 기술은 과학기술정보통신부 재원으로 정보통신기획평가원의 지원을 받아 사람중심인공지능핵심원천기술개발사업 AI학습능력개선기술개발 과제로 개발한 연구성과 결과물(2022-0-00157, 강건하고 공정하며 확장 가능한 데이터 중심의 연속 학습)이다.
2024.08.06 조회수 6885 -
문일철 교수팀, 북경대와 영국 ICL 제치고 ICML 2024 챌린지 우승
우리 대학 산업및시스템공학과 문일철 교수 연구팀이 세계 최고 수준의 기계학습 학회인 ‘국제머신러닝학회(ICML, International Conference on Machine Learning) 2024’에서 개최된 ‘멀티모달 작업계획 생성 경진대회(EgoPlan)’에서 다수의 세계 연구팀을 모두 제치고 1위로 우승을 했다고 30일 밝혔다.
본 대회는 7월 21일부터 27일까지 오스트리아 비엔나에서 개최됐으며, 참가자는 북경대(中), 북경 AGI연구소(中) 및 임페리얼칼리지 런던(Imperial College London, 英) 등의 6개국 13개 기관이 참여해 경쟁했다. 우리 연구팀은 국내 유일의 참가 기관으로 7월 26일 우승상 및 혁신상을 수상했다.
이번 대회는 인공지능이 주방에서 요리하는 과정을 비디오 및 지문으로 학습한 이후, 경험하지 못한 요리 과정에서 상식적으로 합당한 의사결정을 내려 조리할 수 있는지를 경쟁하는 시합이었다. 이는 시각 정보와 지문 정보 등의 멀티모달 정보를 조합하며, 학습에 반영되지 않은 상식까지 반영해 의사결정을 내리는 시험이다. 이 기술은 최소한의 학습만으로도 로봇이 다양한 멀티모달 정보 및 기초 상식을 활용해 자율 제조 및 서비스를 수행할 수 있도록 개발하는 것이 핵심이다.
산업및시스템공학과 이광현(석사과정), 강미나(석사과정) 등 총 11명의 팀으로 참가한 응용인공지능 연구실(이하 AAILab) 팀은 상식 기반 추론을 통한 작업계획 생성의 정확도 1위 성능으로 우승상(Outstanding Champion Award) 및 기술의 우수성을 인정받아 혁신상(Innovation Award)을 수상해, 2개 상을 동시에 수상했다. 이번 대회를 위해 AAILab 팀은 멀티모달 대규모 모델의 파인튜닝 학습에 대한 연구 개발 결과를 적용해 우승을 차지했다.
문일철 교수는 “중국팀들이 대회를 위해 위챗(WeChat) 대화방까지 마련해 서로 협력한다는 얘기를 전해 듣고는 경쟁이 치열하다고 느꼈다. 하지만 KAIST 팀도 각고의 노력으로 우승할 수 있었다. 학생들이 두 달 동안 거의 잠을 자지 못했다”고 우승 소회를 밝혔다. 그리고 문 교수는 “이번 대회의 출제 문제는 요리하는 인공지능이지만, 사실 테슬라에서 시험하고 있는 휴머노이드 제조 로봇에 활용될 수 있는 상식을 가진 인공지능을 만드는 기술이 본질이다. 많은 중국 참가자가 보여주듯이 중국의 로봇 및 인공지능 기술 선점 노력을 엿볼 수 있다”라고 분석했다.
이번 연구는 정보통신기획평가원(IITP)에서 지원한 사람중심인공지능 핵심원천기술개발사업 중 ‘이종데이터기반 상식 추출, 이해, 추론을 위한 인공지능 기술개발(연구책임자 문일철)’을 통해 이뤄졌다.
2024.07.30 조회수 9176 -
탁지훈 박사과정, 2023 구글 PhD 펠로우 선정
우리 대학 김재철AI대학원 박사과정 탁지훈 학생(지도교수 신진우)이 ‘2023 구글 PhD 펠로우’에 선정됐다.
구글 PhD 펠로우십은 컴퓨터 과학과 관련된 유망 연구 분야에서 우수한 성과를 낸 대학원생을 지원하는 장학 프로그램으로 올해는 전 세계에서 67명이 선발됐다. 선정된 펠로우에게는 1만 달러의 장학금과 구글 각 분야 전문가 멘토와의 일대일 연구 토의, 피드백 등의 혜택이 주어진다.
탁지훈 학생은 기계학습(Machine Learning) 분야에서 메타학습(Meta-learning)과 뉴럴필드(Neural Field) 분야의 탁월한 연구 성과를 인정받아 선정되었다. 기계학습 분야에서는 총 19명의 학생이 선발되었으며 아시아 대학에서는 탁지훈 학생이 유일하다.
탁지훈 학생은 특히 기존 뉴럴필드 학습의 한계점들을 새로운 메타학습 방법론을 제안하여 효과적으로 극복한 것으로 평가받는다. 구체적으로는 뉴럴필드 학습에서의 세 가지 비효율적 요소인 학습 시간, 학습 메모리 그리고 저장 공간을 효율적인 메타학습을 제안하여 효율화 하였으며, 이를 활용한 데이터 형태에 구애받지 않은 데이터 압축 기술 역시 제안하였다. 이러한 다양한 연구들은 NeurIPS, ICML, ICLR 등 기계학습 및 딥러닝 분야의 최고 학회에 다수 선정되었다. 또한 그는 구글 딥마인드 연구진들과 협력하여 메타학습과 뉴럴필드 연구를 수행한 바 있다.
시상식은 8월 29일부터 8월 30일 양일간 가상으로 열린 구글 PhD 펠로우십 서밋(Google PhD Fellowship Summit)에서 진행됐으며, 수상자 리스트는 구글 홈페이지에 게시되어있다.
구글은 KAIST 교수진과 학생을 대상으로 연구비 지원(Research Grant), 신진 연구자 지원(Research Scholar), 구글 클라우드 플랫폼 크레딧(GCP Credits), 익스플로어CSR(exploreCSR), PhD 펠로우십(PhD Fellowship), 학생 학회 후원(Student Travel Grants) 등 다양한 산학협력 프로그램으로 지원을 제공했다.
(홈페이지 주소 : https://research.google/outreach/phd-fellowship/recipients)
2023.10.31 조회수 8723 -
변화된 데이터에서 인공지능 공정성 찾아내다
인공지능 기술이 사회 전반에 걸쳐 광범위하게 활용되며 인간의 삶에 많은 영향을 미치고 있다. 최근 인공지능의 긍정적인 효과 이면에 범죄자의 재범 예측을 위해 머신러닝 학습에 사용되는 콤파스(COMPAS) 시스템을 기반으로 학습된 모델이 인종 별로 서로 다른 재범 확률을 부여할 수 있다는 심각한 편향성이 관찰되었다. 이 밖에도 채용, 대출 시스템 등 사회의 중요 영역에서 인공지능의 다양한 편향성 문제가 밝혀지며, 공정성(fairness)을 고려한 머신러닝 학습의 필요성이 커지고 있다.
우리 대학 전기및전자공학부 황의종 교수 연구팀이 학습 상황과 달라진 새로운 분포의 테스트 데이터에 대해서도 편향되지 않은 판단을 내리도록 돕는 새로운 모델 훈련 기술을 개발했다고 30일 밝혔다.
최근 전 세계의 연구자들이 인공지능의 공정성을 높이기 위한 다양한 학습 방법론을 제안하고 있지만, 대부분의 연구는 인공지능 모델을 훈련시킬 때 사용되는 데이터와 실제 테스트 상황에서 사용될 데이터가 같은 분포를 갖는다고 가정한다. 하지만 실제 상황에서는 이러한 가정이 대체로 성립하지 않으며, 최근 다양한 어플리케이션에서 학습 데이터와 테스트 데이터 내의 편향 패턴이 크게 변화할 수 있음이 관측되고 있다.
이때, 테스트 환경에서 데이터의 정답 레이블과 특정 그룹 정보 간의 편향 패턴이 변경되면, 사전에 공정하게 학습되었던 인공지능 모델의 공정성이 직접적인 영향을 받고 다시금 악화된 편향성을 가질 수 있다. 일례로 과거에 특정 인종 위주로 채용하던 기관이 이제는 인종에 관계없이 채용한다면, 과거의 데이터를 기반으로 공정하게 학습된 인공지능 채용 모델이 현대의 데이터에는 오히려 불공정한 판단을 내릴 수 있다.
연구팀은 이러한 문제를 해결하기 위해, 먼저 `상관관계 변화(correlation shifts)' 개념을 도입해 기존의 공정성을 위한 학습 알고리즘들이 가지는 정확성과 공정성 성능에 대한 근본적인 한계를 이론적으로 분석했다. 예를 들어 특정 인종만 주로 채용한 과거 데이터의 경우 인종과 채용의 상관관계가 강해서 아무리 공정한 모델을 학습을 시켜도 현재의 약한 상관관계를 반영하는 정확하면서도 공정한 채용 예측을 하기가 근본적으로 어려운 것이다. 이러한 이론적인 분석을 바탕으로, 새로운 학습 데이터 샘플링 기법을 제안해 테스트 시에 데이터의 편향 패턴이 변화해도 모델을 공정하게 학습할 수 있도록 하는 새로운 학습 프레임워크를 제안했다. 이는 과거 데이터에서 우세하였던 특정 인종 데이터를 상대적으로 줄임으로써 채용과의 상관관계를 낮출 수 있다.
제안된 기법의 주요 이점은 데이터 전처리만 하기 때문에 기존에 제안된 알고리즘 기반 공정한 학습 기법을 그대로 활용하면서 개선할 수 있다는 것이다. 즉 이미 사용되고 있는 공정한 학습 알고리즘이 위에서 설명한 상관관계 변화에 취약하다면 제안된 기법을 함께 사용해서 해결할 수 있다.
제1 저자인 전기및전자공학부 노유지 박사과정 학생은 "이번 연구를 통해 인공지능 기술의 실제 적용 환경에서, 모델이 더욱 신뢰 가능하고 공정한 판단을 하도록 도울 것으로 기대한다ˮ고 밝혔다.
연구팀을 지도한 황의종 교수는 "기존 인공지능이 변화하는 데이터에 대해서도 공정성이 저하되지 않도록 하는 데 도움이 되기를 기대한다ˮ고 말했다.
이번 연구에는 노유지 박사과정이 제1 저자, 황의종 교수(KAIST)가 교신 저자, 서창호 교수(KAIST)와 이강욱 교수(위스콘신-매디슨 대학)가 공동 저자로 참여했다. 이번 연구는 지난 7월 미국 하와이에서 열린 머신러닝 최고권위 국제학술 대회인 `국제 머신러닝 학회 International Conference on Machine Learning (ICML)'에서 발표됐다. (논문명 : Improving Fair Training under Correlation Shifts)
한편, 이 기술은 정보통신기획평가원의 지원을 받은 `강건하고 공정하며 확장가능한 데이터 중심의 연속 학습' 과제 (2022-0-00157)와 한국연구재단 지원을 받은 `데이터 중심의 신뢰 가능한 인공지능' 과제의 성과다.
2023.10.30 조회수 11231 -
10월 이달의 과학기술인상에 신영수 교수 선정
과학기술정보통신부와 한국연구재단은 ‘이달의 과학기술인상’ 10월 수상자로 신영수 우리 대학 전기전자공학부 교수를 선정했다.
‘이달의 과학기술인상’은 우수한 연구개발 성과로 과학기술 발전에 공헌한 연구개발자를 매월 1명씩 선정해 과기정통부 장관상과 상금 1000만원을 주는 상이다.
신영수 교수가 연구한 반도체 포토리소그래피는 패턴이 새겨진 마스크에 빛을 비춰 웨이퍼에 소자를 형성해가는 과정으로 반도체 수율을 결정하는 가장 중요한 공정이다.
웨이퍼에 다각형을 만들기 위해서는 마스크에 훨씬 복잡한 패턴을 그려 넣어야 한다. 이런 패턴을 찾아가는 과정을 OPC(Optical Proximity Correction)라고 한다. 기존 OPC는 마스크 형상을 고치고 시뮬레이션으로 웨이퍼 이미지를 확인하는 과정을 반복해야 해 시간이 걸린다.
이에 신 교수는 마스크 형상과 웨이퍼 이미지의 집합을 이용해 기계학습 모델을 만들었다. 이후 더 빠르고 해상도가 높은 OPC 최적화 기술을 개발했다. 마스크 형상과 웨이퍼 이미지 집합을 대량으로 갖고 있다면 이 집합을 이용해 뇌를 훈련하듯 기계학습 모델을 만들 수 있다는 점에 착안해 성과를 냈다.
신 교수는 또 생성형 인공지능으로 기존에 없었던 레이아웃 패턴을 생성하는 방법도 개발했다. 이렇게 생성된 레이아웃 패턴과 기존 샘플 패턴을 같이 활용해 리소그래피 최적화에 적용하자 모델 정확도가 높게 나타났다.
이 기술은 반도체 공정을 개선하고 해외 의존도가 높은 OPC 솔루션의 자립도를 높여 국내 반도체 산업 발전에 기여할 전망이다.
신 교수는 “기존 반도체 리소그래피 연구와 달리 머신러닝과 인공지능을 적용했다는 점에서 차별성이 크다”며 “소수 외국회사가 독점하면서 발생하는 라이선스 비용과 기술개발 정체 문제를 해결하는 데 기여하기를 기대한다”고 했다.
2023.10.04 조회수 7318 -
전기및전자공학부 노유지 박사과정, 2022 마이크로소프트 리서치 PhD 펠로우 선정
우리 대학 전기및전자공학부 박사과정 노유지 학생(지도교수 황의종)이 ‘2022 마이크로소프트 리서치 PhD 펠로우’에 선정됐다.
마이크로소프트 리서치 PhD 펠로우십은 컴퓨터과학과 관련된 유망 연구 분야에서 우수한 성과를 낸 대학원생을 지원하는 장학 프로그램으로, 올해는 전 세계에서 36명이 선발됐으며, 한국 기관에서는 전기및전자공학부의 노유지 학생이 유일하게 선정됐다. 선정된 펠로우에게는 1만달러의 장학금과 마이크로소프트 각 분야 전문가 멘토와의 연구 토의, 인턴십 등의 혜택이 주어진다.
노유지 학생은 신뢰 가능한 인공지능(Trustworthy AI)을 위한 알고리즘 개발에 대한 탁월한 연구 성과를 인정받아 “머신러닝(Machine Learning)” 분야의 펠로우로 선정되었다. 특별히, 특정 집단을 차별하지 않는 공정한 인공지능 학습의 효율성을 획기적으로 높인 학습 방법론을 개발하고, 더 나아가 인공지능 모델의 공정성과 견고성을 동시에 달성할 수 있는 최초의 알고리즘을 제안하여 주목을 받았다.
본 연구 성과들은 머신러닝 분야 최고 국제학술대회인 ICML, ICLR, NeurIPS 등에 발표됐다. 또한 데이터마이닝 분야 최고 국제학술대회인 ACM SIGKDD에서 튜토리얼을 공동으로 진행하여, 신뢰 가능한 인공지능 기법에 대한 최신 연구 관점을 학계에 공유하였다. 현재는 엔비디아 리서치에서 연구 인턴십을 진행하며 더욱 큰 규모의 인공지능 공정성 문제를 해결할 수 있는 다양한 방법론을 개발하고 있다.
수상자 리스트 및 인터뷰는 마이크로소프트 홈페이지와 유튜브에서 확인할 수 있다.
수상자 리스트 : https://www.microsoft.com/en-us/research/academic-program/phd-fellowship/2022-recipients/
수상자 인터뷰 (글로벌) : https://www.youtube.com/watch?v=T4Q-XwOOoJc
수상자 인터뷰 (아시아) : https://www.youtube.com/watch?v=qwq3R1XU8UE
2022.10.21 조회수 9176 -
인공지능 심층 학습(딥러닝) 서비스 구축 비용 최소화 가능한 데이터 정제 기술 개발
최근 다양한 분야에서 인공지능 심층 학습(딥러닝) 기술을 활용한 서비스가 급속히 증가하고 있다. 서비스 구축을 위해서 인공지능은 심층신경망을 훈련해야 하며, 이를 위해서는 충분한 훈련 데이터를 준비해야 한다. 특히 훈련 데이터에 정답지를 만드는 레이블링(labeling) 과정이 필요한데 (예를 들어, 고양이 사진에 `고양이'라고 정답을 적어줌), 이 과정은 일반적으로 수작업으로 진행되므로 엄청난 노동력과 시간적 비용이 소요된다. 따라서 훈련 데이터 구축 비용을 최소화하는 방법 개발이 요구되고 있다.
우리 대학 전산학부 이재길 교수 연구팀이 심층 학습 훈련 데이터 구축 비용을 최소화할 수 있는 새로운 데이터 동시 정제 및 선택 기술을 개발했다고 12일 밝혔다.
일반적으로 심층 학습용 훈련 데이터 구축 과정은 수집, 정제, 선택 및 레이블링 단계로 이뤄진다. 수집 단계에서는 웹, 카메라, 센서 등으로부터 대용량의 데이터가 정제되지 않은 채로 수집된다. 따라서 수집된 데이터에는 목표 서비스와 관련이 없어서 주어진 레이블에 해당하지 않는 분포 외(out-of-distribution) 데이터가 포함된다 (예를 들어, 동물 사진을 수집할 때 재규어 `자동차'가 포함됨). 이러한 분포 외 데이터는 데이터 정제 단계에서 정제돼야 한다. 모든 정제된 데이터에 정답지를 만들기 위해서는 막대한 비용이 소모되는데, 이를 최소화하기 위해 심층 학습 성능 향상에 가장 도움이 되는 훈련 데이터를 먼저 선택해 레이블링하는 능동 학습(active learning)이 큰 주목을 받고 있다. 그러나 정제와 레이블링을 별도로 진행하는 것은 데이터 검사 측면에서 중복적인 비용을 초래한다. 또한 아직 정제되지 않고 남아 있는 분포 외 데이터가 레이블링 단계에서 선택된다면 레이블링 노력을 낭비할 수 있다.
이재길 교수팀이 개발한 기술은 훈련 데이터 구축 단계에서 데이터의 정제 및 선택을 동시에 수행해 심층 학습용 훈련 데이터 구축 비용을 최소화할 수 있도록 해준다.
우리 대학 데이터사이언스대학원에 재학 중인 박동민 박사과정 학생이 제1 저자, 신유주 박사과정, 이영준 박사과정 학생이 제2, 제4 저자로 각각 참여한 이번 연구는 최고권위 국제학술대회 `신경정보처리시스템학회(NeurIPS) 2022'에서 올 12월 발표될 예정이다. (논문명 : Meta-Query-Net: Resolving Purity-Informativeness Dilemma in Open-set Active Learning)
데이터의 정제 및 선택을 동시에 고려하기 위해서 구체적으로 가장 분포 외 데이터가 아닐 것 같은 데이터 중에서 가장 심층 학습 성능 향상에 도움이 될 데이터를 선택한다. 즉, 주어진 훈련 데이터 구축 비용 내에서 최고의 효과를 내도록 데이터의 순도(purity) 지표와 정보도(informativeness) 지표의 최적 균형(trade-off)을 찾는다. 순도와 정보도는 일반적으로 서로 상충하므로 최적 균형을 찾는 것이 간단하지 않다. 이 교수팀은 이러한 최적 균형이 정제 전 데이터의 분포 외 데이터 비율과 현재 심층신경망 훈련 정도에 따라 달라진다는 점을 발견했다.
이 교수팀은 이러한 최적 균형을 찾아내기 위해 추가적인 작은 신경망 모델을 도입했다. 연구팀은 추가된 모델을 훈련하기 위해 능동 학습에서 여러 단계에 걸쳐 데이터를 선별하는 과정을 활용했다. 즉, 새롭게 선택돼 레이블링 된 데이터를 순도-정보도 최적 균형을 찾기 위한 훈련 데이터로 활용했고, 레이블이 추가될 때마다 최적 균형을 갱신했다. 이러한 방법은 목표 심층신경망의 성능 향상을 위해 추가적인 상위 레벨의 신경망을 사용하였다는 점에서 메타학습(meta-learning)의 일종이라 볼 수 있다.
연구팀은 이 메타학습 방법론을 `메타 질의 네트워크'라고 이름 붙이고 이미지 분류 문제에 대해 다양한 데이터와 광범위한 분포 외 데이터 비율에 걸쳐 방법론을 검증했다. 그 결과, 기존 최신 방법론과 비교했을 때 최대 20% 향상된 최종 예측 정확도를 향상했고, 모든 범위의 분포 외 데이터 비율에서 일관되게 최고 성능을 보였다. 또한, `메타 질의 네트워크'의 최적 균형 분석을 통해, 분포 외 데이터의 비율이 낮고 현재 심층신경망의 성능이 높을수록 정보도에 높은 가중치를 둬야 함을 연구팀은 밝혀냈다.
제1 저자인 박동민 박사과정 학생은 "이번 기술은 실세계 능동 학습에서의 순도-정보도 딜레마를 발견하고 해결한 획기적인 방법ˮ 이라면서 "다양한 데이터 분포 상황에서의 강건성이 검증됐기 때문에, 실생활의 기계 학습 문제에 폭넓게 적용될 수 있어 전반적인 심층 학습의 훈련 데이터 준비 비용 절감에 기여할 것ˮ 이라고 밝혔다.
연구팀을 지도한 이재길 교수도 "이 기술이 텐서플로우(TensorFlow) 혹은 파이토치(PyTorch)와 같은 기존의 심층 학습 라이브러리에 추가되면 기계 학습 및 심층 학습 학계에 큰 파급효과를 낼 수 있을 것이다ˮ고 말했다.
한편, 이 기술은 과학기술정보통신부 재원으로 정보통신기획평가원의 지원을 받아 SW컴퓨팅산업원천기술개발사업 SW스타랩 과제로 개발한 연구성과 결과물(2020-0-00862, DB4DL: 딥러닝 지원 고사용성 및 고성능 분산 인메모리 DBMS 개발)이다.
2022.10.12 조회수 11498