일본산업뉴스요약

사이버-피지컬 루프의 선순환
‘제5의 과학’이 연구자 활동 가속화

연구에 인공지능(AI) 기술을 도입해 전략적으로 데이터를 수집해 연구 자체에 속도를 내는 시스템이 기술 개발을 지탱하는 경쟁 기반이 되고 있다. 논리 및 실험, 시뮬레이션 다음으로 ‘데이터 과학’이 제4의 과학으로 각광을 받았다. 이 네 가지를 연결시켜 선순환을 일으키는 ‘사이버 피지컬 루프’가 제5의 과학으로 주목 받는다. 민간에서는 연구효율이 2배로 향상된 사례가 증가했다. 한번 루프가 형성되면 문제가 되는 것은 연구자의 논리 구축이다. 학술계의 저력이 시험 받는다.

-- 이종 혼합 학습 --
“적어도 2배, 체감으로는 5배는 연구가 빨라졌다.”고 NEC시스템플랫폼 연구자인 이시다(石田) 연구원은 밝힌다. 새로운 원리의 열전 변환 재료를 개발할 때에 열쇠가 된 것이 NEC의 이종 혼합 학습 기술이다. 복수의 물리 현상이 섞여 실험치가 뒤죽박죽이었던 데이터에서도 경향을 읽어내 성능 예측에 성공했다. 계측치 및 실험 데이터를 AI 기술로 분석해 다음 실험의 목적을 정한다. 이것을 반복함으로써 연구의 시행착오를 큰 폭으로 효율화했다.

AI 및 시뮬레이션 등의 사이버 공간 기술은 현실세계(피지컬 공간)에서 수집한 데이터를 과학적으로 이해하는 도구로써 소중히 여겨지고 있다. 실험에서 수집한 데이터를 시뮬레이션으로 증폭시켜 AI 기술 및 데이터 과학에서 다음 실험 범위를 좁힌다. 이것을 반복함으로써 성능이 좋은 재료 및 조건이 발견된다.

새로운 재료를 찾아 그 원리가 해명된다면 새로운 이론을 세울 수 있다. 이 이론을 토대로 시뮬레이션이 더욱 정밀해져 데이터의 정확도가 올라간다고 하는 선순환이 생겨난다. 산업기술종합연구소 인공지능연구센터의 쓰지이(辻井) 센터장은 “사이버와 피지컬을 이어 선순환을 일으키는 구조는 제5의 과학으로 정의할 수 있을 정도로 임팩트가 크다.”고 설명한다. 산업종합연구소의 쥬바치(中鉢) 이사장은 “이것은 연구 활동 그 자체다. 연구의 본질은 변하지 않지만 전체적으로 속도가 붙는다.”고 기대한다.

NEC의 이종 혼합 학습에서는 ‘목탐색’이라 불리는 방법으로 조건 분류와 ‘베이스 최적화’를 이용한 선형회귀를 조합시켰다. 일반적으로 여러 물리현상이 섞인 실험 데이터는 해석이 어렵다. 따라서 연구자는 여러 물리현상이 섞이지 않은 실험 조건을 찾아 실험을 거듭한다. NEC는 목탐색으로 물리현상이 바뀌는 조건을 여러 개 설정해 베이스 최적화로 강제적으로 방정식에 고정시켰다. 이 과정에서 방정식에 포함되는 패러미터는 백 몇 십 개에서 몇 개로 줄어든다. 남은 패러미터는 재료의 성능에 영향을 주는 인자다.

이시다(石田) 연구원은 “모재의 조건에 따라 첨가한 붕소가 성능을 향상시키고 망간은 성능을 낮추는 등 무수의 인자가 어떻게 작용하는 지가 보인다.”고 설명한다. 목탐색에서 물리현상이 변화하는 조건을 찾고 있기 때문에 기존의 정설을 접목시키는 것도 정설을 생략하는 것도 가능하다. 실제로 저렴한 철계 열전 재료를 발견했다. 열 교환기 등의 철 파이프를 전원으로 바꾸는 현실 가능성이 생겼다.

-- 저력이 시험대에 오른다 --
AI 기술은 데이터 분석의 도구로써 확산되고 있다. 뛰어난 조건 및 재료가 발견되면 대학이라면 논문을 쓰고 민간이라면 신제품 개발로 연결할 수 있다. 재료에 한정하지 않고 제조 프로세스 및 디바이스 구조, 농작물, 의료 등에 응용이 확산되고 있다. 사이버-피지컬의 루프 구축에서 앞서가고 있는 것은 학술계보다도 산업계다. 신제품 개발에서 앞장 설 수 있다면 경제 합리성이 서기 때문에 고속으로 실험 및 계측을 처리하는 장치군 및 데이터 관리 시스템에 투자가 이루어진다.

다만 뛰어난 조건을 알더라도 왜 좋은 지를 AI는 가르쳐주지 않는다. 원리 해명 및 이론 구축이 다음 애로사항이다. 산업종합기술연구소 인공지능연구센터의 아소(麻生) 센터장은 “애로사항이 되는 것은 인간이다. 연구자의 힘을 얼마나 증폭시킬 수 있는지에 달려 있다.”고 지적한다. 연구자가 새로운 원리 및 이론을 만들어 다음 루프에 들어가지 않으면 기존 기술에서 가능한 것을 다 하면 끝이다.

농업∙식품산업기술종합연구기구(농연기구)의 규마(久間) 이사장은 “농업을 이해하는 것과 AI 기술을 사용하는 것을 굳이 비교하자면 농업을 이해하는 편이 훨씬 더 어렵다.”고 설명한다. 농연기구는 농업 AI 인재를 육성한다. AI 기술을 연구하는 것이 아닌 AI 기술은 농업을 심화시키기 위해 사용한다. 농작물 및 가축 등 생물 단백질 및 핵산 등의 분자 단위에서 세포 단위, 조직 및 장기 단위까지 매우 복잡한 상호 작용으로 생명을 유지하고 있다. 기존의 통계 분석만으로는 생물의 내부에서 무엇이 작용하고 있는 지 해석이 어려웠다.

의료에서도 AI 활용이 추진되지만 질환 메커니즘의 해명이 이루어질지 여부는 미지수다. 그래도 규마 이사장은 “시행착오의 수는 줄일 수 있다. 농업연구의 축적을 무기로 돌파구를 열고 싶다.”고 힘주어 이야기한다. 토마토의 재배에서는 시뮬레이션 등을 구사해 수확량을 2.8배로 향상시켰다. 성공 사례는 이미 있다.

물론 과제도 있다. 하나는 연구 조직의 대형화다. 대학 등의 연구실에 이론 및 실험, 시뮬레이션, 데이터 과학의 전문가를 갖추는 것은 어렵다. 물질∙재료연구기구의 하시모토(橋本) 이사장은 “전부 다 가능한 연구자는 없다. 인재를 찾는 데 고생하고 있다.”고 토로한다. 공동 연구에서 전문 분야를 보완하는 형태가 되기 때문에 “조직화보다도 연구자 사이의 벽을 낮추는 것이 중요하다.”고 지적한다.

나아가 AI 기술 및 데이터 과학의 정보계 연구자의 입장에서는 재료 및 농업, 의료 등의 각 전문 분야의 상황을 알기 어렵다. 사이버-피지컬 루프 속에서 이론 및 실험, 시뮬레이션 등의 어디가 문제가 되고 있는 지 보이지 않기 때문이다. 상황이 정비된다면 젊은 세대가 융합 분야에 뛰어들어 실패하는 리스크를 줄일 수 있다. 정보통신연구기구의 도쿠다(徳田) 이사장은 “정보 측에서 학술계에 횡단적으로 지침을 준다면 이상적이지만 분야에 따라서는 문화가 너무 다르다.”고 토로한다. 한번 연구 그 자체를 연구해 유망 영역을 좁힐 필요가 있을지도 모른다.

-- 끝 --