물리법칙과 인공지능 결합→신소재 빠르게 탐색 작성일 10-02 56 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">KAIST 등 공동연구팀, 인공지능으로 소량 데이터 기반 소재 물성 규명</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="FW9HdRWAS7"> <p contents-hash="9a6b7c3317ebeebe836bd5d765c36c121971bf5f37dc3e22362c16f65dad49d2" dmcf-pid="3Y2XJeYchu" dmcf-ptype="general">[아이뉴스24 정종오 기자] 신소재 개발의 핵심 단계인 ‘물성 규명’은 그동안 방대한 실험 데이터와 고가 장비에 의존해야 해 연구 효율이 낮다는 한계가 있었다.</p> <p contents-hash="217fbd82feb9af59d69b274c23477e6936f6b46f4db8bbb6c7f6cdf369d2cb8a" dmcf-pid="0GVZidGkCU" dmcf-ptype="general">한국과학기술원(KAIST) 연구팀은 재료와 에너지의 변형과 상호작용을 지배하는 ‘물리법칙’을 인공지능(AI)과 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.</p> <p contents-hash="4caa08e76ffdfb0c3c820841bb3a8ed2e640003dd8afbabba3f3f0d1ad8f2a87" dmcf-pid="pOph4VOJhp" dmcf-ptype="general">KAIST(총장 이광형)는 기계공학과 유승화 교수 연구팀이 경희대(총장 김진상) 임재혁 교수 연구팀과 한국전기연구원(원장 김남균, KERI) 류병기 박사와 각각 공동 연구를 통한 연구 결과를 2일 발표했다.</p> <figure class="figure_frm origin_fig" contents-hash="b055d4a89cbfe6151c57929f75bba14c314c3a792650c2db35720b32ddbae68e" dmcf-pid="UIUl8fIiS0" dmcf-ptype="figure"> <p class="link_figure"><img alt="소재 물성 파악을 위한 물리기반 머신러닝 방법론. [사진=KAIST]" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202510/02/inews24/20251002100247136oioo.jpg" data-org-width="580" dmcf-mid="WIg2OmbYWf" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202510/02/inews24/20251002100247136oioo.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 소재 물성 파악을 위한 물리기반 머신러닝 방법론. [사진=KAIST] </figcaption> </figure> <p contents-hash="759fdab4ecde12ac930296350493663d7cfc72bbac7f802087a79586ddd5a0b1" dmcf-pid="uCuS64Cnv3" dmcf-ptype="general">물리법칙을 AI 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 제시했다.</p> <p contents-hash="2f15f11ec84ed9868e1f3d2cfc14ca3be21b3de27063e3369451917c0b66923a" dmcf-pid="7h7vP8hLCF" dmcf-ptype="general">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.</p> <p contents-hash="fd624b80ebdb04ad27f3ac0fd2a1ca55a2b2f23b0f8dd8f07e776309b06bccbb" dmcf-pid="zlzTQ6loTt" dmcf-ptype="general">기존에는 많은 양의 복잡한 데이터를 모아야만 가능했는데 이번 연구는 데이터가 부족하거나 제한적이거나 잡음이 포함된 상황에서도 안정적으로 소재 특성을 재현할 수 있음을 입증했다.</p> <p contents-hash="609ffec15f5fa112a2a78e8d2ca73c9255257c297175b355aea8656fa4dfaf94" dmcf-pid="qSqyxPSgS1" dmcf-ptype="general">두 번째 연구에서는 열을 전기로, 전기를 열로 바꾸는 신소재인 ‘열전 소재’를 대상으로 했다. 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.</p> <p contents-hash="2686ef9dab82faa07e0633b43d6b801b4f4c1a7ec843e40d29e9125dbbdce148" dmcf-pid="BvBWMQvaT5" dmcf-ptype="general">연구팀은 자연의 물리법칙까지 이해하는 인공지능인 ‘물리 기반 신경 연산자(Physics-Informed Neural Operator, PINO)’를 도입해 학습되지 않은 신소재에도 재학습 과정 없이 일반화가 가능함을 보여주었다.</p> <p contents-hash="ddeb3ab5ddd6f73a974b0690cedc3950cf81e42718b1ba0f8702795a1c3f609d" dmcf-pid="bTbYRxTNSZ" dmcf-ptype="general">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.</p> <p contents-hash="8611a6e917c4d5f2cce37fd9f230028dbc792fc22595b68a9a3b3a5c7109d260" dmcf-pid="KyKGeMyjyX" dmcf-ptype="general">이번 성과는 단순히 ‘실험을 줄였다’는 수준을 넘어선다. 물리법칙과 인공지능을 정교하게 결합해 실험 효율은 높이고 신뢰성은 지킨 첫 사례이기 때문이다.</p> <p contents-hash="f93ef4761828a666ecd7a21b2f3a1cb0ec2d5a7045a57c3b8176042dd84b6b20" dmcf-pid="9W9HdRWATH" dmcf-ptype="general">두 연구 모두 총괄하여 진행한 유승화 교수는 “이번 성과는 물리법칙을 이해하는 인공지능을 실제 소재 연구에 적용한 첫 사례”라며 “데이터 확보가 제한적 상황에서도 물성을 신뢰성 있게 규명할 수 있어 다양한 공학 분야로 확산될 것”이라고 말했다.</p> <p contents-hash="a89fc74779c1ff1dc0d8390947a23e115a2be9ff1555e13b823fa9e07c139c14" dmcf-pid="2znbrDzTlG" dmcf-ptype="general">첫 번째 논문(논문명: Physics-informed neural network-based discovery of hyperelastic constitutive models from extremely scarce data)은 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 실렸다.</p> <p contents-hash="1f7a4ecb649a914b6c64416d9eaa9aabe6fed75259595aebaaee26853a8bbaaa" dmcf-pid="VqLKmwqyTY" dmcf-ptype="general">두 번째 논문(논문명: Physics-informed neural operators for generalizable and label-free inference of temperature-dependent thermoelectric properties)은 KAIST 기계공학과 문현빈·이송호 박사과정, 와비 데메케(Wabi Demeke) 박사가 공동 제1 저자로 이름을 올렸다. ‘엔피제이 컴퓨테이셔널 머티리얼즈(npj Computational Materials)’에 8월 22일자에 연이어 출판됐다.</p> <address contents-hash="35af0df5f72fa4cbac2723fcf1ebe814f8e6929e401a06a343a562d44f26a2b3" dmcf-pid="fBo9srBWCW" dmcf-ptype="general">/정종오 기자<span>(ikokid@inews24.com)</span> </address> </section> </div> <p class="" data-translation="true">Copyright © 아이뉴스24. 무단전재 및 재배포 금지.</p> 관련자료 이전 추석 끝나면 국정감사 시즌…게임업계는? 10-02 다음 대한체육회, 제1차 성평등위원회 개최 10-02 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
