전기전자/정보통신

Nikkei Computer_22.5.26 (p17)

라이온, 치약 개발에 MI 활용
AI가 튜브 충전 성능을 예측

라이언이 MI(Material Informatics) 활용을 추진하고 있다. 치약 조성에서 생산 시에 발생하는 과제를 예측하는 기술을 개발. 제조 프로세스를 검토하는 시간을 최대 40% 삭감하는 것을 목표로 한다.

MI는 컴퓨터 해석을 통해 신재료를 효율적으로 탐색하는 방법이다. 22년 4월에는 히타치제작소와 공동으로, 연구소가 개발한 새로운 치약 조성을 바탕으로 공장에서 생산할 때 발생하는 과제를 사전 예측해 제조 프로세스상 최적의 조성이나 물성을 자동 제안하는 시스템을 개발했다. 연구 단계에서는 예측이 어려웠던 제조 중의 배관이나 충전기 내 이송 성능 등을 검증한다.

“연구소에서 치약을 개발하는 단계에서는 문제가 없어도 제조 단계에서 튜브에 충전이 안 되는 문제가 늘고 있다. 이송 성능을 중심으로 한 물성 예측의 중요성이 증가하고 있다”. 라이온 연구개발본부 프로세스기술연구소의 와타나베(渡辺) 연구원은 치약 개발에 MI를 도입한 이유를 이렇게 설명한다.

“최근에 치약은 조성이 복잡화되었다. 때문에 지금까지의 경험으로는 물성을 예상하기 어려워졌다”(와타나베 연구원). 치주병 대책이나 구취 예방, 치아를 하얗게 하는 등 충치 대책 이외에도 다양한 기능이 생겨나면서 원료의 종류가 증가했다.

원료의 조합과 배합이 방대해 졌기 때문이다. 이송 성능에 문제가 있으면, 제조 중에 이송 압력을 높였을 경우에 배관 내에서 마찰상태가 높아져 잘 이송되지 않거나 튜브에 균일하게 충전되지 않는 등 안정적인 제조가 어려워진다.

MI를 이용해 치약의 이송 성능을 사전에 예측할 수 있다면 제조가 어려울 것 같은 후보를 미리 제조 프로세스 개발에서 생략할 수 있다. 라이언은 20년부터 히타치제작소의 '재료 개발 솔루션'을 채용해 MI의 검증을 시작했다.

-- 실험을 추가해 데이터 양을 보충 --
물성 예측 모델은 실제 원료나 배합, 실험 방법과 물성을 데이터로 학습해 개발했다. 조성에서 물성을 예측하는 순서 해석을 통해 재료 후보를 좁히거나, 요구하는 물성을 실현하는 조성을 탐색하는 역해석으로 재료 후보를 탐색하는 물성 예측을 시도했다.

그러나 처음에는 충분한 정밀도를 얻을 수 없었다고 한다. 데이터 구동형 AI(인공지능)에서는 상관관계를 도출하려면 충분한 데이터 양이 필요하기 때문이다.

“특히 이송 압력을 높였을 경우의 데이터가 부족했다”(와타나베 연구원). 부족했던 데이터는 새롭게 실험을 거듭해 보충했다. “구체적인 실험 패턴의 수는 공개할 수 없지만 최종적으로는 당초 계획의 약 2배의 실험 데이터를 학습함으로써 충분한 정밀도를 얻을 수 있었다”(라이온).

또한 원료나 배합 등과 물성의 직접적인 상관관계를 분석하는 것이 아니라 원료를 조합한 재료의 중간 물성에서 최종 제품의 물성을 예측하는 방법을 채용함으로써 최종 정밀도를 향상시켰다.

라이언은 이송 성능 이외에도 재료의 발포 등 제조 상의 과제가 되는 물성의 예측을 독자적으로 진행하고 있다. “이것들을 제조 프로세스의 검토에 도입함으로써 수년 내에 검토 시간을 최대 40% 줄일 생각이다”(와타나베 연구원).

 -- 끝 --

Copyright © 2020 [Nikkei Computer] / Nikkei Business Publications, Inc. All rights reserved.