UNIST 정창욱 교수팀, 반도체 열·응력 해석 정확도 높이는 AI 기술 개발
2026.04.26 09:10
학습 범위 밖 데이터도 물리 법칙 맞춰 변환…ICLR 2026 채택
|
학습하지 못한 데이터도 ‘익숙하게’…물리 법칙 기반의 보정 기술
26일 UNIST에 따르면, UNIST 반도체소재·부품대학원 정창욱 교수팀은 새로운 입력 데이터를 기존 학습 데이터 기준에 맞게 재정렬하는 ‘π(파이)-불변 테스트 시점 보정(π-invariant test-time projection)’ 알고리즘을 개발했다. 이 연구 결과는 인공지능 분야 세계 3대 학회 중 하나인 국제표현학습학회(ICLR) 2026에 채택되며 그 우수성을 인정받았다.
현재 반도체 산업에서는 열전달이나 응력 분포를 빠르게 파악하기 위해 AI 기반의 PDE(편미분방정식) 대리모델을 활용하고 있다. 하지만 AI 모델은 학습 과정에서 경험하지 못한 아주 크거나 작은 단위의 ‘범위 밖(OOD, Out-of-Distribution)’ 데이터가 입력되면 예측 정확도가 급격히 떨어지는 한계가 있었다.
연구팀은 이를 해결하기 위해 ‘버킹엄 π 정리(Buckingham π theorem)’를 도입했다. 이는 길이, 온도, 힘 등 단위를 가진 물리량을 조합해 만든 무차원 비율인 ‘π값’이 같다면, 실제 크기가 달라도 본질적으로는 같은 물리 상태로 볼 수 있다는 원리다.
개발된 알고리즘은 새로운 입력 데이터가 들어오면 물리적으로 가장 유사한 기존 학습 데이터를 찾아 그 조건에 맞춰 데이터를 보정한다. 즉, ‘학습 범위 밖의 입력’을 물리 법칙을 지키면서 AI에게 ‘익숙한 형태’로 바꿔준 뒤 계산하도록 하는 방식이다.
|
이번 기술의 가장 큰 장점은 경제성과 범용성이다. 입력 데이터를 로그 공간에서 변환해 물리적 비율만 맞추기 때문에, 기존 AI 모델의 구조를 변경하거나 별도의 재학습을 할 필요 없이 그대로 붙여 사용할 수 있다. 또한, 비슷한 데이터끼리 묶어 대표 값만 비교하는 방식을 적용해 계산 비용을 전수 비교 방식 대비 약 1/100 수준으로 낮췄다.
실제 연구팀이 이 기법을 2차원 열전도 및 선형 탄성 문제에 적용한 결과, 기존 모델이 어려워하던 조건에서도 평균절대오차(MAE)가 최대 약 91%까지 감소하는 성능 향상을 확인했다. 특히 유체 역학의 난제로 꼽히는 ‘나비에-스토크스(Navier-Stokes) 방정식’ 등 복잡한 물리 현상에서도 뛰어난 보정 효과를 나타냈다.
반도체부터 배터리 열관리까지…산업 현장 활용 기대
이번 연구는 반도체 칩 설계뿐만 아니라 다양한 공학 분야로의 확장 가능성을 열었다. 조건이 시시각각 변하는 실제 산업 현장에서 별도의 재학습 없이도 안정적인 예측 정확도를 확보할 수 있기 때문이다.
정창욱 교수팀은 “반도체 패키지 신뢰성 평가, 배터리 열관리, 구조물 안전 해석 등 크기와 조건이 계속 달라지는 다양한 공학 시뮬레이션에서 계산 시간과 비용을 줄이는 데 활용될 수 있을 것”이라고 기대했다.
이번 연구는 과학기술정보통신부 한국연구재단의 나노·소재기술개발사업과 정보통신기획평가원(IITP)의 AI대학원지원사업 등의 지원을 받아 수행됐다.
저작권 보호를 위해 본문의 일부만 표시됩니다.
원문 보기 →댓글 (0)
첫 번째 댓글을 작성해보세요!
항공기의 다른 소식
모든 소식을 불러왔습니다