능동-전이 학습과 유전 알고리즘에 의해 생성된 데이터 추가 기반으로 하는 인공신경망의 신뢰할 수 있는 예측 영역의 점진적 확장에 대한 모식도.(KAIST 제공) ©뉴스1

KAIST 기계공학과 유승화 교수 연구팀이 적은 수의 데이터 검증으로 플라스틱이나 금속 복합소재 등 우수한 소재를 탐색하는 인공지능 방법론을 개발했다.

이는 시간이 오래 걸리고 비용이 많이 드는 설계 문제에서 유용하게 활용될 것으로 기대된다.

16일 KAIST에 따르면 인공신경망에 기반해 방대한 설계 공간에서 새로운 소재를 찾기 위한 역설계 연구는 최근 매우 활발하게 진행되고 있다.

하지만, 이러한 기존 설계 방식은 매우 많은 수의 소재 데이터 검증이 요구돼 제한적으로만 활용이 가능하다.

이에 연구팀은 초기 훈련 데이터 영역에서 벗어나 우수한 소재를 효율적으로 탐색할 수 있는 인공신경망 기반 전진 설계(Forward design) 방법론을 제안했다.

이 방법론은 유전 알고리즘과 결합된 능동-전이 학습 및 데이터 증강기법을 통해 심층신경망을 점진적으로 업데이트하게 된다.

이어 점차 초기 훈련데이터를 벗어난 영역에서 심층신경망의 낮은 예측능력을 적은 숫자의 데이터 검증 및 추가로 보완하는 방식이다.

연구팀은 이번 방법을 실제 천문학적인 수의 설계 구성을 가지는 그리드 복합소재 최적화 문제에 적용해 검증했다.

먼저 복합재 구조의 1029분의 1 가량인 10만개의 복합재들만 초기 훈련 데이터로 활용해 심층신경망을 학습했다.

이후 약 500개에 미치지 못하는 데이터 검증을 통해 초기 훈련에 쓰인 복합재와 매우 다른 구조를 가지고 우수한 특성을 지닌 복합재 구조를 설계할 수 있음을 증명했다.

연구진이 개발한 방법론은 국소 최적점(Local optima)에 수렴하는 문제를 완화하면서도 인공신경망의 신뢰할 수 있는 예측 영역을 점진적으로 확장하는 효율적인 안내를 해준다.

이에 따라 큰 설계 공간을 다루는 다양한 분야의 최적화 문제에 적용할 수 있을 것으로 기대된다.

한편, 이번 연구성과는 국제학술지인 ‘npj 컴퓨테이셔널 머티리얼’에 게재됐다.