소량 X선 회절 데이터의 빠르고 해석 가능한 분류를 위한 데이터 증강·딥러닝 접근법

초록

본 연구는 제한된 수의 박막 XRD 패턴만으로도 결정구조 차원성과 공간군을 고정밀로 예측하는 방법을 제시한다. ICSD 기반 시뮬레이션 데이터와 실제 실험 데이터를 물리‑정보를 반영해 증강하고, 전량 합성곱 신경망(All‑CNN)을 학습시켜 차원성 93 %, 공간군 89 % 정확도를 달성하였다. 전역 평균 풀링 뒤 클래스 활성화 맵을 활용해 모델의 판단 근거를 시각화함으로써 실험자가 결과를 직관적으로 이해하도록 하였으며, 0.16° 이상의 2θ 스텝 크기에서는 정확도가 급감함을 규명해 5.5분 이내에 XRD‑분류가 가능함을 입증하였다.

상세 분석

이 논문은 신소재 개발 단계에서 흔히 마주치는 “데이터 부족” 문제를 머신러닝과 물리 기반 데이터 증강으로 해결하려는 시도다. 먼저, Inorganic Crystal Structure Database(ICSD)에서 추출한 10 000여 종의 결정구조 정보를 바탕으로 XRD 패턴을 시뮬레이션한다. 여기서 각 구조에 대해 입사각, 결함, 배경 잡음, 피크 폭 등을 변형시켜 실험적 변동성을 모사함으로써, 실제 실험 데이터와 통계적으로 일치하는 가상 데이터셋을 만든다. 이렇게 만든 시뮬레이션 데이터와 115개의 실제 박막 금속 할라이드 패턴을 결합해 훈련용으로 사용한다.

모델 아키텍처는 전통적인 풀링 층을 배제하고, 연속적인 1‑D 합성곱 층만으로 구성된 All‑CNN을 채택했다. 이는 입력 XRD 패턴의 연속적인 피크와 배경 정보를 손실 없이 보존하면서, 계층적 특징 추출을 가능하게 한다. 또한, 전역 평균 풀링(Global Average Pooling, GAP) 뒤에 소프트맥스 레이어를 두어, 각 클래스에 대한 가중 평균 활성화를 얻는다. 이때 GAP가 제공하는 클래스 활성화 맵(Class Activation Map, CAM)은 특정 차원성·공간군을 예측할 때 어느 2θ 구간이 가장 큰 영향을 미치는지를 시각화한다. 실험 결과, CAM은 실제 물리적 피크와 높은 상관관계를 보이며, 오분류 사례에서도 왜곡된 피크나 잡음이 모델을 혼동시킨다는 직관적 근거를 제공한다.

성능 평가에서는 교차 검증을 통해 차원성(2‑D, 3‑D, 무정형) 분류에서 93 % 정확도, 7개의 공간군 분류에서 89 % 정확도를 기록했다. 특히, 데이터 양을 10 % 이하로 줄였을 때도 80 % 이상의 정확도를 유지해, 소량 데이터 상황에서도 모델이 강인함을 입증한다.

또한, XRD 측정 속도와 정확도 간의 트레이드오프를 정량화했다. 2θ 스텝 크기를 0.04°, 0.08°, 0.12°, 0.16°, 0.20° 등으로 변화시키며 실험했을 때, 0.16° 이하에서는 정확도 저하가 미미했으나 0.20°에서는 급격히 떨어졌다. 이를 바탕으로 5.5 분 이내에 데이터를 획득·분류할 수 있는 최적 측정 조건을 제시한다.

이 연구의 핵심 기여는 (1) 물리‑정보 기반 데이터 증강으로 데이터 부족을 극복, (2) 풀링 없이 순수 합성곱 구조를 이용해 XRD 패턴의 연속성을 보존, (3) GAP‑CAM을 통한 모델 해석 가능성 제공, (4) 실험 효율성을 높이는 측정 파라미터 최적화다. 이러한 접근은 박막 신소재 탐색, 고속 자동화 실험 라인, 그리고 학계·산업 현장에서의 실시간 구조 분석에 바로 적용 가능하다.