%ec%9d%b8%ea%b3%b5%ec%a7%80%eb%8a%a5
-
KAIST-카카오뱅크, '설명 가능한 AI' 속도 11배 높였다. "금융 AI 신뢰도↑"
우리 대학 김재철AI대학원 최재식 교수 연구팀이 ㈜카카오뱅크(대표 윤호영)와 공동으로 인공지능(AI) 모델의 판단 근거를 실시간으로 설명할 수 있는 가속화 설명 기술을 개발했다고 밝혔다.
이번 연구 성과는 AI 모델의 예측 결과에 대한 기존 설명 알고리즘 대비 평균 8.5배, 최대 11배 이상 빠른 처리 속도를 달성해, 금융 서비스 등 실시간 의사결정이 필요한 분야에서 설명가능 인공지능(Explainable Artificial Intelligence, 이하 XAI) 기술의 실용화 가능성을 크게 높였다.
금융 분야에서는 AI 시스템이 내린 결정에 대한 명확한 설명이 필수적이다. 특히 대출 심사나 이상거래 탐지와 같이 고객의 권익과 직결된 서비스에서는 AI 모델의 판단 근거를 투명하게 제시해야 하는 규제 요구가 점차 강화되고 있다. 하지만 기존의 설명가능 인공지능(XAI) 기술은 정확한 설명을 생성하기 위해 수백에서 수천 개의 기준점(Baseline)을 반복 계산해야 하므로 막대한 연산 비용이 발생했다. 이는 실시간 서비스 환경에서 설명가능 인공지능 (XAI) 기술의 적용을 제약하는 주요 요인이었다.
최재식 교수 연구팀은 이러한 문제를 해결하기 위해 'ABSQR(Amortized Baseline Selection via Rank-Revealing QR)'이라는 설명 알고리즘 가속화 프레임워크를 개발했다. ABSQR은 AI 모델 설명 과정에서 생성되는 가치 함수 행렬(value function matrix)이 저차원 구조를 가진다는 점에 착안해, 수백 개의 기준점 중에서 핵심적인 소수만을 선별하는 방식을 도입했다. 기준점 개수에 비례하던 연산량을 선별된 중요 기준점 개수에만 비례하도록 획기적으로 줄여, 설명 정확도는 유지하면서도 계산 효율성을 극대화했다.
구체적으로 ABSQR은 두 단계로 작동한다. 첫 번째 단계에서는 특이값 분해(SVD)와 랭크 판별형 QR 분해(Rank-Revealing QR decomposition) 기법을 활용해 중요한 기준점들을 체계적으로 선별한다. 이는 기존의 무작위 샘플링 방식과 달 정보력 복원 유지를 목적으로 한 결정론적 선택 방법으로, 설명의 정확도를 보장하면서도 계산량을 획기적으로 줄일 수 있다. 두 번째 단계에서는 사전에 계산해둔 기준점의 가중치들을 클러스터 기반 검색을 통해 재사용하는 가속화 추론(amortized inference) 메커니즘을 도입해, 실시간 서비스 환경에서 모델 평가를 반복하지 않고도 모델의 예측 결과에 대한 설명을 제공할 수 있게 했다.
연구팀은 다양한 실제 데이터셋을 대상으로 한 실험을 통해 ABSQR의 우수성을 검증했다. 금융, 마케팅, 인구통계 등 5개 분야의 표준 데이터셋에 대한 테스트 결과, ABSQR은 모든 기준점을 사용하는 기존 설명 알고리즘 대비 평균 8.5배 빠른 처리 속도를 달성했으며, 최대 11배 이상의 속도 향상을 기록했다. 또한, 속도 향상에 따른 설명 정확도 저하를 최소화하여 기준 알고리즘 대비 최대 93.5%의 설명 정확도를 유지했다. 이는 실무 환경에서 요구되는 설명 품질을 충분히 만족하는 수준이다.
카카오뱅크 관계자는 "앞으로도 끊임없는 연구개발을 통해 금융 서비스의 신뢰도와 편의성을 높이고, 고객이 체감할 수 있는 혁신적인 금융 기술을 선보이겠다"고 밝혔다.
공동 제1 저자인 KAIST 이찬우, 박영진 연구원은 "금융 분야에서 실시간 적용을 위해 가장 중요한 과제인 가속화 문제를 해결한 방법론으로, 사용자에게 학습 모델에 대한 의사결정 원인을 실시간으로 제공할 수 있음을 입증했다"라고 연구의 의의를 설명했다. 이어 "이번 연구는 설명 알고리즘에서 불필요한 연산과 중요한 기준점 선택이 무엇인지에 대한 새로운 통찰을 제공하며, 설명 기술의 효율성 향상에 실질적으로 기여할 것"이라고 덧붙였다.
KAIST 김재철AI대학원 이찬우, 박영진 박사 과정 연구원과 카카오뱅크 금융기술연구소 이현근, 유예은 연구원이 공동 제1 저자로 참여한 이번 연구는 정보 및 지식 관리 분야의 세계 최고 권위 학술대회인 'CIKM 2025(ACM International Conference on Information and Knowledge Management)'에서 11월 12일에 발표되었다.
※ 논문명: Amortized Baseline Selection via Rank-Revealing QR for Efficient Model Explanation
※ 저자 정보:
- 공동 제1저자: 이찬우(KAIST 김재철AI대학원), 박영진(KAIST 김재철AI대학원), 이현근(카카오뱅크), 유예은(카카오뱅크)
- 공저자: 한대희(카카오뱅크), 최준호(KAIST 김재철AI대학원), 김건형(KAIST 김재철AI대학원)
- 교신저자: 김나리(KAIST 김재철AI대학원), 최재식(KAIST 김재철AI대학원)
※ DOI: https://doi.org/10.1145/3746252.3761036
한편, 이번 연구성과는 카카오뱅크의 산학 연구과제 ‘금융분야 설명가능 인공지능 알고리즘 고도화 연구’와 과기정통부·정보통신기획평가원(IITP)의 지원 과제 ‘플러그앤플레이 방식으로 설명가능성을 제공하는 인공지능 기술 개발 및 인공지능 시스템에 대한 설명 제공 검증'를 통해 수행됐다.
2025.12.11 조회수 756 -
‘2025 AI 챔피언’등극.. AI가 이제 택시도 스스로 부른다
이제는 단순히 대화만 하는 음성비서를 넘어, AI가 직접 화면을 보고 판단해 택시를 호출하고 SRT 티켓을 예매하는 시대가 열렸다.
우리 대학은 전산학부 신인식 교수(㈜플루이즈 대표)가 이끄는 AutoPhone 팀(플루이즈·KAIST·고려대·성균관대)이 과학기술정보통신부가 주최한 ‘2025 인공지능 챔피언(AI Champion) 경진대회’에서 초대 AI 챔피언(1위)에 선정됐다고 6일 밝혔다.
이번 대회는 AI 기술의 혁신성, 사회적 파급력, 사업화 가능성을 종합 평가하는 국내 최대 규모의 AI 기술 경진대회로, 전국 630개 팀이 참가한 가운데 AutoPhone 팀이 최고 영예를 차지하며 연구개발비 30억 원을 지원받는다.
AutoPhone 팀이 개발한 ‘FluidGPT’는 사용자의 음성 명령을 이해해 스마트폰이 스스로 앱을 실행하고 클릭·입력·결제까지 완료하는 완전 자율형 AI 에이전트 기술이다.
예를 들어, 사용자가 “서울역에서 부산 가는 SRT 예매해줘” 또는 “택시 불러줘”라고 말하면, FluidGPT는 실제 앱을 열고 필요한 단계를 순차적으로 수행해 결과를 완성한다.
이 기술의 핵심은 ‘비침습형(API-Free)’ 구조다. 기존에는 택시 앱(API) 을 이용해 직접 호출 기능을 실행해서 앱 내부 시스템에 연결(API 통신) 해야 했다. 반면 이 기술은 기존 앱의 코드를 수정하거나 앱(API)을 연동하지 않고, AI가 화면(UI)을 직접 인식하고 조작함으로써 사람처럼 스마트폰을 다룰 수 있는 능력을 갖췄다.
이로써 FluidGPT는 “사람처럼 보고, 판단하고, 손을 대신 움직이는 AI”라는 새로운 패러다임을 제시하며, ‘AI폰 시대’를 여는 핵심 기술로 평가받고 있다.
FluidGPT는 기존의 단순 음성비서를 넘어, AI가 직접 화면을 보고 판단하여 행동하는 ‘Agentic AI’(행동형 인공지능) 개념을 구현했다. AI가 앱 버튼을 클릭하고 입력 필드를 채우며 데이터를 참조해 사용자의 목적을 스스로 달성하는 완전 행동형 시스템으로, 스마트폰 사용 방식의 혁신을 예고하고 있다.
전산학부 신인식 교수는 “AI가 이제 대화에서 행동으로 진화하고 있다. FluidGPT는 사용자의 말을 이해하고 실제 앱을 스스로 실행하는 기술로, ‘AI폰 시대’의 출발점이 될 것이다. AutoPhone 팀은 세계적 수준의 연구 역량을 갖추고 있으며, 앞으로 모두가 쉽게 사용할 수 있는 AI 서비스 확산에 기여하겠다”고 소감을 밝혔다.
이광형 KAIST 총장은 “이번 성과는 KAIST의 AI 융합 비전을 보여주는 대표적인 사례”라며 “AI 기술이 국민 생활 속으로 들어와 새로운 혁신의 변화를 이끌고 있다”고 말했다.
이어 “KAIST는 앞으로도 AI와 반도체 등 미래 핵심기술 연구를 선도해 국가 경쟁력에 힘을 보태겠다”고 덧붙였다.
2025.11.06 조회수 1695 -
AI로 기후리스크에 강한 도시 상권 찾아낸다
우리 대학은 도시인공지능연구소(소장 건설및 환경공학과 윤윤진 지정석좌교수)가 미국 MIT 센서블 시티 랩(Senseable City Lab, 소장 Carlo Ratti 교수)과 함께 ‘도시와 인공지능(Urban AI)’분야의 공동연구를 진행하고, 그 성과를 서울 코엑스에서 열린 9월 말 ‘스마트라이프위크 2025(Smart Life Week 2025)’ 전시를 통해 공개했다고 10월 29일 밝혔다.
KAIST와 MIT는 도시의 주요 문제를 인공지능으로 해석하는‘Urban AI 공동연구 프로그램’을 추진해 왔으며, 이번 전시에서는 ▲도시 기후 변화 ▲녹지 환경 ▲데이터 포용성 등 세 가지 주제를 중심으로 연구 성과를 시민이 직접 체험할 수 있는 형태로 선보였다.
양 기관은 이번 협력을 통해 AI 기술이 도시의 문제를 계산하는 도구를 넘어, 사회적 이해와 공감을 이끄는 새로운 지능으로 확장될 수 있음을 보여주며 ▲도시의 열과 매출 ▲치유하는 자연, 서울 ▲데이터 소니피케이션 등 세 가지 프로젝트를 진행했다.
첫 번째 프로젝트인 ‘도시의 열과 매출’은 기후 변화가 도시 상권과 소상공인 생태계에 미치는 영향을 인공지능으로 분석한 연구다. 서울시 426개 행정동별 96개 업종에 대한 매출과 날씨 등 3억 개 이상의 데이터를 학습한 인공지능 모델을 통해, 기온과 습도 등의 기후 요인이 업종별 매출에 미치는 영향을 정량화했다.
그 결과는 각 지역·업종별로 기후 변화에 얼마나 잘 적응하고 회복할 수 있는지를 점수화한 ‘도시의 회복력(Urban Heat Resilience)’지표 40,896개로 시각화되어 어느 지역이 기온 리스크에 강한 상권인지 등 지역별 상권의 회복력 수준을 한눈에 파악할 수 있도록 구성되었다.
연구에 따르면 편의점 업종의 경우, 총 426개 행정동 중 64.7%는 기후 변화에 비교적 안정적인 ‘기후 중립 지역’이며 나머지 35.3%는 기후 변화에 영향을 크게 받는 ‘기후 민감 지역’에 속하는 것으로 분석되었다. 이는 편의점 업종의 영업 환경은 지역별로 기후 영향 편차가 존재하며, 도시 회복력 관점에서 향후 입지 전략 수립 시 참고할 수 있는 데이터로 활용 가능하다.
관람객은 실제 서울 지도를 기반으로 지역과 업종을 선택해, AI가 미래 기온 상승 시나리오에 따른 매출 변화를 실시간으로 예측하는 시스템을 체험할 수 있었다.
해당 예측 모델은 KAIST가 자체 개발한 기술로, 향후 보스턴·런던 등 세계 주요 도시와의 협력 확장도 추진될 예정이다. 이 연구는 향후 소상공인의 개업 전략 수립과 도시 기후 리스크 대응 정책 수립에 새로운 방향을 제시할 것으로 기대된다.
두 번째 프로젝트 ‘치유하는 자연, 서울’은 MIT의 글로벌 프로젝트 ‘Feeling Nature’의 서울 확장판으로, 스트리트뷰·지도·위성 이미지 등 도시 환경 데이터와 시민 설문 데이터를 결합해 AI가 ‘서울 시민이 실제로 느끼는 녹지의 심리적 경험(psychological green)’을 추정하도록 학습시켰다.
이를 통해 단순히 나무나 공원의 면적을 계산하는 수준을 넘어, 시민이 느끼는 정서적 회복력(emotional resilience)과 웰빙(well-being)을 반영한 새로운 도시 설계 방향을 제시했다. 해당 연구는 향후 서울시 녹지 정책 및 지역 맞춤형 도시 디자인에 활용될 과학적 근거를 제공할 것으로 기대된다.
마지막 프로젝트인 ‘데이터 소니피케이션’은 3억 건이 넘는 데이터를 음악처럼 해석해 들을 수 있게 만든 세계 최초의 인공지능 기술이다. AI는 온도·습도·매출 등 데이터를 활용해 기온이 오르면 음이 높아지고, 매출이 줄면 소리가 낮아지는 식으로 정보를 소리로 표현한다. 이를 통해 시각 대신 청각으로 도시 데이터를 ‘듣는’ 새로운 감각적 경험을 제공한다.
이 기술은 시각장애인이나 어린이 등 시각 정보 접근이 어려운 사람도 데이터를 직관적으로 이해할 수 있도록 돕는 포용적 AI 기술로, ‘모두를 위한 인공지능(Barrier-Free AI)’의 대표 사례다.
이번 연구를 후원한 서울AI재단 김만기 이사장은 “KAIST와 MIT 등 세계적 연구기관과의 협업을 통해 도시 환경과 시민 삶을 인공지능으로 분석한 뜻깊은 성과를 거뒀다”며 “이번 연구가 시민의 관점에서 도시 변화를 이해하고 이를 정책과 생활로 연결하는 기반을 마련했다”고 말했다.
윤윤진 소장은 “이번 전시는 인공지능이 도시를 계산하는 기술을 넘어, 사람과 도시를 이해하고 공감하는 지능으로 발전할 수 있음을 보여줬다”며 “시민이 함께 데이터를 만들고 경험하며, 세계 여러 도시와 협력해 더 포용적이고 지속 가능한 도시 미래를 열어가겠다”고 밝혔다.
이번 성과는 KAIST 도시인공지능연구소과 미국 MIT 센서블 시티 랩(MIT Senseable City Lab)이 참여한 AI 분야 글로벌 협력 연구사업 과제로, 서울AI재단의 후원을 받아 수행되었다.
※연구성과 이미지/동영상: https://05970c0c.slw-6vy.pages.dev/
2025.10.29 조회수 2386 -
사람처럼 텍스트·이미지 등 동시에 이해하는 멀티모달 AI 개발
보통 그림과 글자가 함께 있을 때 사람의 시선이 그림에 먼저 가는 것처럼, 여러 감각을 동시에 활용하는 ‘멀티모달 인공지능’도 특정 데이터에 더 크게 의존하는 경향이 있다. 우리 대학 연구진은 이러한 상황에서도 그림과 글자를 모두 고르게 인식하여 훨씬 더 정확한 예측을 가능케 하는 멀티모달 인공지능 학습 기술을 개발했다.
우리 대학은 전기및전자공학부 황의종 교수 연구팀이 다양한 데이터 유형을 한 번에 처리해야 하는 멀티모달 인공지능이 모든 데이터를 고르게 활용할 수 있도록 돕는 새로운 학습 데이터 증강 기술을 개발했다고 14일 밝혔다.
멀티모달 인공지능은 텍스트, 영상 등 여러 데이터를 동시에 활용해 판단하고 있다. 하지만 인공지능은 여러 정보를 받아들일 때, 한쪽 데이터에 치우쳐 판단하는 경향을 보여 예측 성능이 떨어지는 문제가 있었다.
연구팀은 이 문제를 해결하기 위해, 일부러 서로 어울리지 않는 데이터를 섞어서 학습에 사용했다. 그러면 인공지능은 어떤 경우에도 한쪽 데이터에만 의존하지 않고, 글과 그림, 소리 등 모든 데이터를 균형 있게 활용하는 방법을 배우게 된다.
또, 품질이 낮은 데이터는 보완하고, 어려운 데이터는 더 강조해서 훈련하는 방식까지 더해 다양한 상황에서도 안정적으로 성능을 높일 수 있음을 보여줬다. 이 방법은 특별한 모델 구조에 묶이지 않고, 어떤 종류의 데이터에도 쉽게 적용할 수 있어 확장성과 실용성이 크다는 점에서 의미가 있다.
황의종 교수는 “AI 성능을 높이려면 모델 구조(알고리즘)만 바꾸는 것보다, 어떤 데이터를 어떻게 학습에 쓰느냐가 훨씬 중요하다”며 “이번 연구는 멀티모달 인공지능이 특정 데이터(예: 영상, 텍스트)에 치우치지 않고 균형 있게 정보를 활용할 수 있도록 데이터 자체를 설계하고 가공하는 접근법이 효과적일 수 있음을 보여줬다”고 말했다.
이번 연구에는 전기및전자공학부 황성현 박사과정, 최소영 석사과정이 공동 제1저자로 참여했으며, 황의종 교수가 교신저자로 참여했다. 연구 결과는 오는 12월 미국 샌디에이고와 멕시코 멕시코시티에서 열리는 AI 분야 최고 권위 국제학술대회 NeurIPS(Conference on Neural Information Processing Systems)에서 발표될 예정이다.
※ 논문명: MIDAS: Misalignment-based Data Augmentation Strategy for Imbalanced Multimodal Learning, 논문 원본: https://arxiv.org/pdf/2509.25831
한편, 이번 연구는 정보통신기획평가원(IITP)의 지원을 받은 ‘강건하고 공정하며 확장 가능한 데이터 중심의 연속 학습’ 과제 (RS-2022-II220157)와 ‘뇌질환 진단 및 치료용 비침습 근적외선 기반 AI 기술’ 과제 (RS-2024-00444862)의 지원을 받아 수행됐다.
2025.10.14 조회수 1555 -
스마트팩토리 제조 공정 변해도 알아서 불량 잡는 AI 나왔다
최근 스마트팩토리의 제조 현장에서는 인공지능(AI) 센서 데이터를 활용한 불량 탐지 시스템 도입이 활발히 이뤄지고 있다. 그러나 기계 교체나 온도·압력·속도 변화 등으로 제조 공정이 바뀌면 기존 AI 모델은 새로운 상황을 제대로 이해하지 못해 성능이 급격히 저하되었다. 우리 연구진이 이런 상황에서도 재학습 없이 불량을 정확히 탐지하고, 최대 9.42% 성능 향상을 이끌어낸 AI 기술을 개발했다. 이번 성과는 스마트팩토리를 비롯해 헬스케어 기기와 스마트시티 등 다양한 분야에서 AI 운영 비용 절감과 활용성 확대에 기여할 것으로 기대된다.
우리 대학 전산학부 이재길 교수 연구팀이 제조 공정이나 설비가 바뀌어도 기존 AI 모델을 추가적인 불량 레이블링 없이 활용할 수 있는 새로운 ‘시계열 도메인 적응’기술을 개발했다고 26일 밝혔다.
‘시계열 도메인 적응(Time-series Domain Adaptation)’기술은 시간에 따라 변하는 데이터(예: 온도 변화, 기계 진동, 전력 사용량, 센서 신호 등)를 다루는 AI 모델이 훈련받은 환경(도메인)과 실제 적용 환경이 달라져도 추가 학습 없이 안정적으로 성능을 유지하도록 돕는 기술이다.
이재길 교수팀은 환경(도메인) 변화에 혼란을 일으키는 AI 모델이 가지는 문제의 핵심이 단순히 데이터 분포 차이뿐만 아니라 불량 발생 패턴(레이블 분포) 자체가 바뀌는 현상에 있다는 점에 주목했다. 예를 들어, 반도체 웨이퍼 공정에서 환형 불량과 스크래치 불량의 비율이 설비 변경으로 인해 바뀔 수 있다.
연구팀은 새로운 공정의 센서 데이터를 추세, 비추세, 주파수 세 가지 성분으로 분해하여 각각의 특성을 파악하는 방법을 개발했다. 마치 사람이 기계 소리의 높낮이, 진동 패턴, 주기적 변화를 종합해서 이상 징후를 감지하는 것처럼, AI도 다각도로 데이터를 분석하도록 했다.
즉 기존 모델이 예측한 결과를 새로운 공정의 데이터 군집 정보와 비교해 자동으로 예측값을 보정하는 방식을 적용한 ‘TA4LS(Time-series domain Adaptation for mitigating Label Shifts)’ 기술을 개발했다. 이를 통해 기존 공정의 불량 발생 패턴에 편향된 예측을 새로운 공정에 맞게 정확히 조정할 수 있다.
특히 이 기술은 별도의 복잡한 개발 없이도 기존의 AI에 끼워 넣는 추가 부품(플러그인 모듈)처럼 쉽게 결합할 수 있어 실용성이 높다. 즉, 현재 사용하고 있는 AI 기술에 구애받지 않고 간단한 추가 절차만 거치면 바로 적용할 수 있다.
연구팀은 시계열 도메인 적응 4개의 벤치마크 데이터셋(즉 변화가 발생한 4종류의 센서 데이터)을 사용한 실험에서 기존 방법 대비 최대 9.42% 정확도 향상을 달성했다.
특히 공정이 바뀌어 레이블 분포(예: 불량 발생 패턴) 차이가 큰 경우에서도 AI가 이를 스스로 보정해 판별하는 성능 개선 효과가 두드러짐을 보였다. 이러한 결과는 스마트팩토리의 주요 장점인 여러 종류 제품을 소량 생산하는 환경에서 불량 없이 더욱 효과적으로 사용될 수 있음을 입증했다.
연구팀을 지도한 이재길 교수는 “제조업에서 인공지능 도입의 가장 큰 걸림돌이던 공정 변경 시 재훈련 문제를 해결한 기술이며, 실용화되면 유지 비용 감소와 불량 탐지율 개선을 통해서 스마트팩토리 확산에 큰 기여를 할 것”이라고 말했다.
이번 연구는 전산학부 나지혜 박사과정 학생이 제1 저자, 남영은 박사과정, LG AI 연구원 강준혁 연구원이 공동 저자로 참여했다. 연구 결과는 인공지능과 데이터 분야 세계 최고 권위 학회인 ‘지식발견및데이터마이닝학회(KDD, ACM SIGKDD Conference on Knowledge Discovery and Data Mining) 2025’에서 2025년 8월 발표됐다.
※논문명: Mitigating Source Label Dependency in Time-Series Domain Adaptation under Label Shifts
※DOI: https://doi.org/10.1145/3711896.3737050
한편, 이번 기술은 과학기술정보통신부 재원으로 정보통신기획평가원의 지원을 받아 SW컴퓨팅산업원천기술개발사업 SW스타랩 과제로 개발한 연구성과 결과물(RS-2020-II200862, DB4DL: 딥러닝 지원 고사용성 및 고성능 분산 인메모리 DBMS 개발)이다.
2025.08.26 조회수 3458 -
암 표적 돌연변이에 최적의 약물 후보 자동 설계 AI 개발
기존 약물 개발 방식은 질병을 일으키는 원인이 되는 표적 단백질(예: 암세포 수용체)을 정하고, 그 단백질에 잘 달라붙어 작용을 막을 분자(약물 후보)를 찾는 방식으로 수많은 후보 분자 대상으로 진행하다 보니 시간·비용이 많이 들고 성공 가능성도 낮았다. 우리 대학 연구진이 표적 단백질 정보만 있으면, 사전 정보(분자)가 없어도 딱 맞는 약물 후보를 설계해 주는 AI를 개발해서 신약 개발의 새로운 가능성을 열었다.
우리 대학 화학과 김우연 교수 연구팀이 결합하는 약물 후보 분자의 사전 정보 없이 단백질의 구조만으로, 그에 꼭 맞는 약물 후보 분자와 그 결합 방식(비공유 결합성 상호작용)까지 함께 설계 및 최적화까지 할 수 있는 인공지능 모델 ‘BInD’를 개발했다고 10일 밝혔다.
이 기술의 핵심은 ‘동시 설계’다. 기존 AI 모델들은 분자만 만들거나, 만들어진 분자와 단백질의 결합 여부만 따로 평가했다. 반면, 이번에 개발된 모델은 분자와 단백질 사이의 결합 방식까지 함께 고려해 한 번에 설계한다.
실제로 단백질과 결합할 때 중요한 요소를 미리 반영하기 때문에, 효과적이고 안정적인 분자를 만들 확률이 훨씬 높다. 이러한 생성 과정은 단백질의 표적 부위에 맞춰 원자들의 종류와 위치, 공유결합과 상호작용을 하나의 생성 과정에서 동시에 만들어내는 과정을 시각적으로 보여준다.
또한, 이 모델은 신약 설계 시 반드시 고려해야 할 여러 요소(예를 들어 분자의 안정성, 물성, 구조의 자연스러움 등)을 동시에 만족시키도록 설계됐다. 기존에는 한두 가지 목표에 집중해 다른 조건을 희생하는 경우가 많았지만, 이번 모델은 다양한 조건을 균형 있게 반영해 실용성을 크게 높였다.
연구팀은 이 AI가 무작위 상태에서 점점 더 정교한 구조를 그려나가는 방식인 ‘확산 모델’을 기반으로 작동한다고 설명했다. 확산 모델은 2024 노벨 화학상을 받은 ‘알파폴드3’의 단백질-약물 구조 생성에서 활용돼 높은 효율성이 입증된 바 있다.
이번 연구에서는 원자가 공간상 어디에 있어야 하는지 좌표를 찍어주는 알파폴드3와 달리 ‘결합 길이’나 ‘단백질-분자 간 거리’처럼 실제 화학 법칙에 맞는 기준들을 알려주는 지식 기반 가이드를 넣어, 생성된 구조가 더 현실적인 결과를 내도록 도왔다.
뿐만 아니라, 연구팀은 한 번 만든 결과 중에서 뛰어난 결합 패턴을 찾아 다시 활용하는 최적화 전략도 적용했다. 이를 통해 추가 학습 없이도 더 뛰어난 약물 후보를 만들어낼 수 있었으며, 특히 암 관련 표적 단백질(EGFR)의 돌연변이에 선택적으로 작용하는 분자도 생성하는 데 성공했다.
또한, 이번 연구는 본 연구팀이 앞서 발표한 단백질에 어떤 분자가 어떻게 결합하는지에 대한 조건을 입력해야만 했던 기존 AI를 한 단계 더 발전시켰다는 점에서도 의미가 깊다.
화학과 김우연 교수는 “이번에 개발한 AI는 표적 단백질에 잘 결합하는 핵심 요소를 스스로 학습하고 이해해, 사전 정보 없이도 상호작용 하는 최적의 약물 후보인 분자를 설계할 수 있다는 점에서 신약 개발의 패러다임을 크게 바꿀 수 있을 것이다”라고 말했다.
이어 “이번 기술은 화학적 상호작용 원리에 기반해 더 현실적이고 신뢰할 수 있는 분자 구조를 생성할 수 있어, 더 빠르고 정밀한 신약 개발을 가능하게 할 것으로 기대한다”라고 강조했다.
우리 대학 화학과 이중원, 정원호 박사과정 학생이 공동 제1 저자로 참여한 이번 연구 결과는 국제학술지 ‘어드밴스드 사이언스(Advanced Science)’(IF=14.1)에 지난 7월 11일 자에 게재됐다.
※ 논문명: BInD: Bond and Interaction-Generating Diffusion Model for Multi-Objective Structure-Based Drug Design
※ DOI: 10.1002/advs.202502702
한편 이번 연구는 한국연구재단과 보건복지부의 지원으로 수행됐다.
2025.08.10 조회수 3923 -
숨겨진 다자 간 관계를 추적·복원하는 AI '마리오' 개발
회의실에 여러 사람이 동시에 모여 회의하는 경우처럼, 다수의 객체가 동시에 상호작용하는 고차원 상호작용(higher-order interaction)은 다양한 분야에서 발생하며, 실세계의 복잡한 관계를 담고 있다. 하지만 기술적 제약으로 인해 많은 분야에서는 주로 개별 쌍 간의 저차원 정보만 수집돼, 전체 맥락이 손실되고 활용에 제약이 따랐다. KAIST 연구진이 이처럼 불완전한 정보만으로도 고차원 상호작용을 정밀하게 복원*하는 AI ‘마리오(MARIOH)’를 개발하며, 소셜 네트워크, 뇌과학, 생명과학 등 다양한 분야에서 혁신적 분석 가능성을 열었다.
*복원: 사라지거나 관측되지 않은 원래 구조를 추정/재구성하는 것
우리 대학 김재철AI대학원의 신기정 교수 연구팀이 저차원 상호작용 정보만으로 고차원 상호작용 구조를 높은 정확도로 복원할 수 있는 인공지능 기술인 ‘마리오(이하 MARIOH, Multiplicity-Aware Hypergraph Reconstruction)’를 개발했다고 5일 밝혔다.
고차원 상호작용 복원이 어려운 이유는 동일한 저차원 상호작용 구조로부터 파생될 수 있는 고차원 상호작용의 가능성이 무수히 많기 때문이다.
연구팀이 개발한 MARIOH의 핵심 아이디어는 저차원 상호작용의 다중도(multiplicity) 정보를 활용해, 해당 구조로부터 파생될 수 있는 고차원 상호작용의 후보 수를 획기적으로 줄이는 데 있다.
더불어, 효율적인 탐색 기법을 통해 유망한 상호작용 후보를 신속하게 식별하고, 다중도 기반의 심층 학습 기술을 활용해 각 후보가 실제 고차원 상호작용일 가능성을 정확하게 예측한다.
연구팀은 10개의 다양한 실세계 데이터 셋을 대상으로 한 실험 결과, MARIOH는 기존 기술 대비 최대 74% 높은 정확도로 고차원 상호작용을 복원하는 데 성공했다.
예를 들어, 논문 공저 관계 데이터(출처: DBLP)에서는 98% 이상의 복원 정확도를 달성해, 약 86% 수준에 머무는 기존 기술을 크게 앞질렀다. 또한, 복원된 고차원 구조를 활용할 경우, 예측, 분류 등 다양한 작업에서의 성능이 향상되는 것으로 나타났다.
신기정 교수는 “MARIOH는 단순화된 연결 정보 정보에만 의존하던 기존 접근에서 벗어나, 실제 세계의 복잡한 연결 관계를 정밀하게 활용할 가능성을 열어 준다”라며, “단체 대화나 협업 네트워크를 다루는 소셜 네트워크 분석, 단백질 복합체나 유전자 간 상호작용을 분석하는 생명과학, 다중 뇌 영역 간 동시 활동을 추적하는 뇌과학 등 다양한 분야에서 폭넓게 활용될 수 있을 것”이라고 밝혔다.
김재철AI대학원의 이규한 석박통합과정(現 GraphAI 소프트웨어 엔지니어)과 이건 석박사통합과정, 신기정 교수가 저자로 참여한 이번 연구는 지난 5월에 홍콩에서 열린 제41회 IEEE 국제 데이터공학 학회(IEEE International Conference on Data Engineering, IEEE ICDE)에서 발표됐다.
※논문명: MARIOH: Multiplicity-Aware Hypergraph Reconstruction
※DOI: https://doi.ieeecomputersociety.org/10.1109/ICDE65448.2025.00233
한편, 이번 연구는 정보통신기획평가원의 지원을 받은 ‘EntireDB2AI: 전체 관계형 데이터베이스를 종합적으로 활용하는 심층 표현 학습 및 예측 원천기술과 소프트웨어 개발’ 과제와 한국연구재단의 지원을 받은 ‘그래프 파운데이션 모델: 다양한 모달리티 및 도메인에 적용 가능한 그래프 기반 기계 학습’과제의 성과다.
2025.08.05 조회수 2812 -
연구자 없이 로봇팔·AI로 소재 혁신 실현
이차전지 양극 소재는 높은 충전 속도, 에너지 밀도, 안정성 등 어려운 기준들을 전부 충족해야 하기 때문에 소재 개발을 위해서는 수많은 소재 후보군을 고려해 탐색을 진행해야만 한다. 국내 산학 협력 연구진이 AI 및 자동화 시스템을 활용해 연구자의 개입 없이 이차전지 양극 소재의 개발을 진행하는 자율 탐색 실험실*을 구축했다. 이를 통해 개발 과정 중 발생하는 연구자의 노동을 최소화하며 탐색 기간을 93% 단축했다.
*자율 탐색 실험실: 자율적으로 실험을 설계, 수행, 분석하여 최적의 소재를 탐색하는 플랫폼
우리 대학 신소재공학과 서동화 교수 연구팀이 포스코홀딩스 미래기술연구원(원장 김기수) 에너지소재연구소 LIB소재연구센터 연구팀과 산학 협력 연구를 통해, AI 및 자동화 기술을 활용해 이차전지 양극 소재를 탐색하는 자율 탐색 실험실을 구축했다고 3일 밝혔다.
이차전지 양극 소재 개발은 필연적으로 시료의 무게를 칭량하고 이송하는 정량, 혼합, 소결* 및 분석 과정을 거쳐 광범위한 양극 조성(화합물 내 성분 원소들이 섞이는 비율) 및 실험 변수 탐색해야 해서 숙련된 연구자의 많은 노동력이 필요하고 긴 개발 시간을 필요로 한다.
*소결: 시료를 가열하여 분말 입자들이 열적 활성화 과정을 거쳐 하나의 덩어리로 되는 과정
연구팀은 연구자의 개입 없이 시료 정량, 혼합, 펠렛화, 소결 및 분석을 수행하는 자동화 시스템과 분석된 데이터를 해석하고 이를 학습해 최선의 후보군을 선택하는 AI 모델을 기반으로 자율 탐색 실험실을 구축했다.
연구팀은 자동화 시스템을 구축하기 위해 정량, 혼합, 펠렛화, 소결 및 분석 과정을 각각 개별 장치 모듈로 구축하고 이를 중앙 로봇팔이 핸들링하는 방법으로 로봇팔의 비중을 줄여 실험 효율을 증대시켰다.
또한, 연구팀은 기존 저속 소결 방법과 다른 고속 소결 방법을 도입하여 합성 속도를 비약적으로 개선했다. 그 결과 소결 공정에 필요한 시간을 50배 단축할 수 있었고, 이를 기반으로 자율 탐색 실험실은 기존 연구자 기반 실험 대비 12배 많은 소재 데이터의 확보가 가능하다.
확보된 많은 소재 데이터는 AI 모델을 통해 자동으로 해석되어 합성된 상 정보 및 불순물 비율 등이 추출된다. 이를 합성 성공 여부와 관계없이 체계적으로 저장하여 양질의 데이터베이스를 구축하며 해당 데이터는 이후 최적화 AI 모델의 학습 데이터로 활용하여 다음에 자동화 시스템이 실험할 양극 조성 및 합성 조건을 추천하는 폐루프 실험 시스템*을 구현했다.
*폐루프 (Closed-loop) 실험 시스템: 실험 전 과정을 연구자의 개입 없이 스스로 수행하는 시스템
지능형 실험 자동화 시스템을 24시간 운용할 경우, 약 12배 이상의 실험 데이터 확보 및 93%의 소재 탐색 시간 단축이 가능하며, 이는 소재 탐색에 필요한 실험 횟수가 500회라고 가정할 시 연구자가 직접 실험을 수행하는 기존 방식으로는 84일이 소요되는 반면, 자동화 시스템은 약 6일 만에 완료할 수 있는 것으로 시간 및 인력 효율을 크게 향상시킬 수 있다.
자율 탐색 실험실 개발 과정에서 포스코홀딩스는 프로젝트 전반의 기획과 총괄 운영을 맡고, 전체 플랫폼 설계에 대한 검토와 부분 모듈 설계 및 AI 기반 실험 설계 모델에 대한 공동 개발을 수행했으며, 서동화 교수팀은 전체 플랫폼 설계, 부분 모듈 설계 및 제작, 알고리즘 제작, 자동화 시스템 기반 실험 검증 및 오류 개선 등 실질적 시스템 구현과 운영을 담당했다.
서동화 교수는 "이번 연구를 통해 구축된 시스템은 저출산으로 인한 연구 인력 감소를 해결할 기술”이라며 "양질의 소재 데이터를 확보하여 이차전지 소재 개발을 가속화 하여 글로벌 경쟁력을 강화 가능할 것으로 기대된다”고 설명했다.
또한, 포스코홀딩스 미래기술연구원은 이번에 개발된 자율 탐색 실험실 시스템을 기반으로, 2026년 이후 업그레이드된 버전을 자체 연구소 실험실에 적용하여 차세대 이차전지 소재 개발 속도를 획기적으로 높이는 것을 목표로 하고 있다. 이를 위해 설비의 안정성과 확장성을 강화하는 후속 개발을 계획 중이며, 산학연이 협력해 개발한 기술이 실제 연구개발 현장에서 활용되는 사례로 이어질 것으로 기대된다.
한편, 이번 연구는 신소재공학과 서동화 교수 연구실의 이현기 박사과정 연구원을 비롯해 배성재, 김동우 석사과정 연구원의 주도로 진행됐으며, 포스코홀딩스 미래기술연구원 에너지소재연구소(소장 홍정진)와 LIB소재연구센터의 박정우 수석연구원, 박인철 수석연구원이 공동으로 참여했다.
2025.08.05 조회수 2539 -
'추론 속도 · 성능 모두 잡은' AI 확산모델 신기술 개발
확산모델(diffusion model)은 많은 AI 응용에 활용되고 있으나, 효율적인 추론-시간 확장성(inference-time scalability)*에 대한 연구가 부족했다. 이에 연구진은 확산모델에서도 고성능 고효율 추론이 가능한 신기술을 개발했다. 이 기술은 기존 모델이 한번도 성공하지 못한 초대형 미로찾기 태스크에서 100%의 성공률을 기록하며 성능을 입증했다. 이번 성과는 향후 지능형 로봇, 실시간 생성 AI 등 실시간 의사결정이 요구되는 다양한 분야에서 핵심 기술로 활용될 수 있을 것으로 기대된다.
*추론-시간 확장성(inference-time scalability): AI 모델이 추론 단계에서 사용할 수 있는 계산 자원의 양에 따라 성능을 유연하게 조절할 수 있는 능력을 의미한다.
우리 대학 전산학부 안성진 교수 연구팀이 딥러닝 분야 세계적 석학인 몬트리올 대학교 요슈아 벤지오(Yoshua Bengio) 교수와의 공동연구를 통해, 인공지능 확산 모델의 추론-시간 확장성을 크게 개선하는 신기술을 개발했다고 20일 밝혔다. 이번 연구는 KAIST-MILA(몬트리올 학습 알고리즘 연구소) 프리프론탈 AI 공동연구센터를 통한 협력의 일환으로 수행됐다.
이 기술은 인공지능의 학습 이후 추론 단계에서 더 많은 계산 자원을 효율적으로 활용함으로써, 단순히 데이터나 모델 크기를 키우는 것으로는 해결할 수 없는 고난도 문제를 풀 수 있도록 돕는 핵심 AI 기술로 주목받고 있다. 하지만 현재 다양한 응용 분야에서 활용되고 있는 확산 모델에서는 이러한 스케일링을 효과적으로 구현하는 방법론이 부족하다는 한계가 있었다.
이에 안 교수 연구팀은 벤지오 교수와 협력해, 몬테카를로 트리 탐색(Monte Carlo Tree Search) 기반 새로운 확산 모델 추론 기법을 제안했다.
이 방법은 확산 과정 중 다양한 생성 경로를 트리 구조로 탐색하며, 제한된 계산 자원으로도 높은 품질의 출력을 효율적으로 찾아낼 수 있도록 설계됐다. 이를 통해 기존 방법이 0%의 성공률을 보이던‘자이언트-스케일의 미로 찾기’태스크에서 100%의 성공률을 달성했다.
아울러 후속 연구에서는 제안한 방법론의 주요 단점인 느린 속도 문제를 대폭 개선하는 방법을 개발하는데 성공하였다. 트리 탐색을 효율적으로 병렬화하여 비용을 최적화해, 이전 방식 대비 최대 100배 빠른 속도로도 동등하거나 더 우수한 품질의 결과를 얻는 데 성공했다. 이는 제안한 방법론의 추론 능력과 실시간 적용 가능성을 동시에 확보했다는 점에서 큰 의미가 있다.
안성진 교수는 “이번 연구는 고비용 계산이 요구되던 기존 확산 모델의 한계를 근본적으로 극복한 기술”이라며 “지능형 로봇, 시뮬레이션 기반 의사결정, 실시간 생성 AI 등 다양한 분야에서 핵심 기술로 활용될 수 있을 것”이라고 밝혔다.
연구 결과는 전산학부 윤재식 박사과정이 제 1저자로 지난 7월 13일부터 19일까지 캐나다 벤쿠버에서 열린 제42회 국제기계학습학회(ICML 2025)에서 스포트라이트(Spotlight) 논문(전체 채택 논문 중 상위 2.6%)으로 발표됐다.
※ 논문제목: Monte Carlo Tree Diffusion for System 2 Planning (Jaesik Yoon, Hyeonseo Cho, Doojin Baek, Yoshua Bengio, Sungjin Ahn, ICML 25), Fast Monte Carlo Tree Diffusion: 100x Speedup via Parallel Sparse Planning (Jaesik Yoon, Hyeonseo Cho, Yoshua Bengio, Sungjin Ahn)
※ DOI: https://doi.org/10.48550/arXiv.2502.07202,
https://doi.org/10.48550/arXiv.2506.09498
한편, 이번 연구는 한국연구재단의 지원을 받았다.
2025.07.21 조회수 3438 -
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 2847 -
최정우 교수팀, 세계 최고 음향 AI 챌린지 세계 1위 쾌거
‘음향 분리 및 분류 기술’은 드론, 공장 배관, 국경 감시 시스템 등에서 이상 음향을 조기에 탐지하거나, AR/VR 콘텐츠 제작 시 공간 음향(Spatial Audio)을 음원별로 분리해 편집할 수 있도록 하는 차세대 인공지능(AI) 핵심 기술이다.
우리 대학 전기및전자공학부 최정우 교수 연구팀이 세계 최고 권위의 음향 탐지 및 분석 대회인 ‘IEEE DCASE 챌린지 2025’에서 ‘공간 의미 기반 음향 장면 분할(Spatial Semantic Segmentation of Sound Scenes)’ 분야에서 우승을 차지했다고 11일 밝혔다.
이번 대회에서 연구팀은 전 세계 86개 참가팀과 총 6개 분야에서 경쟁 끝에 최초 참가임에도 세계 1위 성과를 거두었다. KAIST 최정우 교수 연구팀은 이동헌 박사, 권영후 석박통합과정생, 김도환 석사과정생으로 구성되었다.
연구팀이 참가한 ‘공간 의미 기반 음향 장면 분할’의 ‘태스크(Task) 4’분야는 여러 음원이 혼합된 다채널 신호의 공간 정보를 분석해 개별 소리를 분리하고 18종으로의 분류를 수행해야 하는 기술 난이도가 매우 높은 분야이다. 연구팀은 오는 10월, 바르셀로나에서 열리는 DCASE 워크숍에서 기술을 발표할 예정이다.
연구팀의 이동헌 박사는 올해 초 트랜스포머(Transformer)와 맘바(Mamba) 아키텍처를 결합한 세계 최고 성능의 음원 분리 인공지능을 개발했으며, 챌린지 기간 동안 권영후 연구원을 중심으로 1차로 분리된 음원의 파형과 종류를 단서로 해 다시 음원 분리와 분류를 수행하는‘단계적 추론 방식’의 AI 모델을 완성했다.
이는 사람이 복잡한 소리를 들을 때 소리의 종류나 리듬, 방향 등 특정 단서에 기반해 개별 소리를 분리해 듣는 방식을 AI가 모방한 모델이다.
이를 통해, 순위를 결정하는 척도인 AI가 소리를 얼마나 잘 분리하고 분류했는지 평가하는‘음원의 신호대 왜곡비 향상도(CA-SDRi)*’에서 참가팀 중 유일하게 두 자릿수 대의 성능(11 dB)을 보여, 기술적인 우수성을 입증하였다.
*음원의 신호대 왜곡비 향상도(CA-SDRi): 기존의 오디오와 비교해 얼마나 더 선명하게(덜 왜곡되게) 원하는 소리를 분리했는지를 dB(데시벨) 단위로 측정하고 숫자가 클수록 더 정확하고 깔끔하게 소리를 분리했다는 뜻임
최정우 교수는 "연구팀은 최근 3년간 세계 최고의 음향 분리 AI 모델을 선보여 왔으며, 그 결과를 공식적으로 인정받는 계기가 되어 기쁘다”면서 “난이도가 대폭 향상되고, 타 학회 일정과 기말고사로 불과 몇 주간만 개발이 가능했음에도 집중력 있는 연구를 통해 1위를 차지한 연구팀 개개인이 자랑스럽다”고 소감을 밝혔다.
‘IEEE DCASE 챌린지 2025’는 온라인으로 진행됐으며, 4월 1일부터 시작해 6월 15일 인공지능 모델 투고를 마감했고 지난 6월 30일 결과가 발표됐다. 각종 음향 관련 탐지 및 분류 기술을 평가하는 IEEE 신호처리학회(Signal Processing Society) 산하 국제대회인 본 챌린지는 2013년 개최된 이래 음향 분야 인공지능 모델의 세계적인 경연의 장으로 자리매김해 왔다.
https://dcase.community/challenge2025/task-spatial-semantic-segmentation-of-sound-scenes
한편, 해당 연구는 교육과학기술부의 재원으로 한국연구재단 중견연구자지원사업, STEAM 연구사업 지원 및 방위사업청 및 국방과학연구소 재원으로 미래국방연구센터 지원을 받아 수행됐다.
2025.07.11 조회수 3462 -
AI로 방사성 오염 '아이오딘' 제거용 최적 신소재 발굴
원자력 에너지 활용에 있어 방사성 폐기물 관리는 핵심적인 과제 중 하나다. 특히 방사성 ‘아이오딘(요오드)’는 반감기가 길고(I-129의 경우 1,570만 년), 이동성 및 생체 유독성이 높아 환경 및 인체에 심각한 위험을 초래할 수 있다. 한국 연구진이 인공지능을 활용해 아이오딘을 제거할 원자력 환경 정화용 신소재 발굴에 성공했다. 연구팀은 향후 방사성 오염 흡착용 분말부터 오염수 처리 필터까지 다양한 산학협력을 통해 상용화를 추진할 예정이다.
우리 대학 원자력및양자공학과 류호진 교수 연구팀이 한국화학연구원 디지털화학연구센터 노주환 박사가 협력하여, 인공지능을 활용해 방사성 오염 물질이 될 수 있는 아이오딘을 효과적으로 제거하는 신소재를 발굴하는 기술을 개발했다고 2일 밝혔다.
최근 보고에 따르면 방사능 오염 물질인 아이오딘이 수용액 환경에서 아이오딘산염(IO3-) 형태로 존재하는 것으로 밝혀졌으나, 기존의 은 기반 흡착제는 이에 대해 낮은 화학적 흡착력을 가져 비효율적이었다. 따라서 아이오딘산염을 효과적으로 제거할 수 있는 새로운 흡착제 신소재 개발이 시급한 실정이다.
류호진 교수 연구팀은 기계학습을 활용한 실험 전략을 통해 다양한 금속원소를 함유한 ‘이중층 수산화물(Layered Double Hydroxide, 이하 LDH)’이라는 화합물 중 최적의 아이오딘산염 흡착제를 발굴했다.
이번 연구에서 개발된 구리-크롬-철-알루미늄 기반의 다중금속 이중층 수산화물 Cu3(CrFeAl)은 아이오딘산염에 대해 90% 이상의 뛰어난 흡착 성능을 보였다. 이는 기존의 시행착오 실험 방식으로는 탐색이 어려운 방대한 물질 조성 공간을 인공지능 기반의 능동학습법을 통해 효율적으로 탐색해 얻어낸 성과다.
연구팀은 이중층 수산화물(이하 LDH)이 고엔트로피 재료와 같이 다양한 금속 조성을 가질 수 있고 음이온 흡착에 유리한 구조를 지녔다는 점에 주목했다. 그러나 다중금속 LDH의 경우 가능한 금속 조합이 너무 많아 기존의 실험 방식으로는 최적의 조합을 찾기 어려웠다.
이를 해결하기 위해 연구팀은 인공지능(기계학습)을 도입했다. 초기 24개의 2원계 및 96개의 3원계 LDH 실험 데이터로 학습을 시작해, 4원계 및 5원계 후보 물질로 탐색을 확장했다. 이 결과 전체 후보 물질 중 단 16%에 대해서만 실험을 수행하고도 아이오딘산염 제거에 최적인 신소재 물질을 찾아낼 수 있었다.
류호진 교수는 “인공지능을 활용하면 방대한 신소재 후보 물질 군에서 방사성 오염 제거용 물질을 효율적으로 찾아낼 가능성을 보여, 원자력 환경 정화용 신소재 개발에 필요한 연구를 가속화하는데 기여할 것으로 기대된다”고 말했다.
류 교수 연구팀은 개발된 분말 기술에 대한 국내 특허를 출원했으며 이를 기반으로 해외 특허 출원을 진행 중이다. 연구팀은 향후 방사성 오염 흡착용 분말의 다양한 사용 환경에서의 성능을 고도화하고, 오염수 처리 필터 개발 분야에서 산학 협력을 통한 상용화 방안을 추진할 예정이다.
우리 대학 신소재공학과를 졸업한 이수정 박사와 한국화학연구원 디지털화학연구센터 노주환 박사가 제1 저자로 참여한 이번 연구는 이번 연구 결과는 환경 분야 국제 저명 학술지인 ‘위험물질 저널(Journal of Hazardous Materials)'에 5월 26일 온라인 게재됐다.
※논문명: Discovery of multi-metal-layered double hydroxides for decontamination of iodate by machine learning-assisted experiments
※DOI: https://doi.org/10.1016/j.jhazmat.2025.138735
이번 연구는 과학기술정보통신부 한국연구재단의 원자력기초연구지원사업과 나노·소재기술개발사업의 지원으로 수행됐다.
2025.07.02 조회수 4225