극소량 데이터로 XRD 스펙트럼을 빠르게 식별하는 해석 가능한 CNN

초록

본 연구는 이론적 XRD 데이터와 제한된 실험 데이터를 결합한 데이터 증강 기법을 이용해, 금속‑유기 골격체(MOF) 1,012종을 개별적으로 식별할 수 있는 컨볼루션 신경망(CNN) 모델을 개발하였다. 최적화된 모델은 Top‑5 정확도 96.7%를 달성했으며, NCA와 CAM을 통해 모델의 판단 근거를 시각적으로 해석하였다.

상세 분석

이 논문은 재료 과학 분야에서 대규모 특성화 데이터의 자동 분석 필요성을 강조하고, 특히 X‑ray 회절(XRD) 스펙트럼을 개별 물질 수준에서 구분하는 문제에 초점을 맞춘다. 기존 연구들은 주로 결정계, 결정구조군 등 몇 개의 큰 클래스로 분류했으며, 실험 데이터가 부족한 점이 모델 성능을 제한했다. 저자들은 두 가지 핵심 전략을 도입했다. 첫째, 실험 스펙트럼에서 추출한 베이스라인 노이즈를 무작위로 섞어 이론 스펙트럼의 주요 피크와 결합함으로써 수천 개의 합성 스펙트럼을 생성하는 데이터 증강 방식을 제안한다. 이 방법은 Gaussian mixture 기반 증강보다 실제 실험 노이즈 특성을 더 잘 반영한다는 장점이 있다. 둘째, 매우 노이즈가 많은 실험 데이터에 대해 FFT‑iFFT 필터링을 적용해 고주파 노이즈를 제거하고, 필요 시 원본 데이터를 그대로 사용하도록 자동 판단한다.

CNN 아키텍처는 LeNet‑5와 VGG‑16을 참고해 4개의 컨볼루션 레이어(필터 수 6‑16‑32‑64, 커널 5×1, stride 1)와 3개의 전결합 레이어(120, 84, 1012)를 갖는다. ReLU 활성화와 0.2 드롭아웃, Adam 옵티마이저를 사용해 categorical cross‑entropy를 최소화한다. 하이퍼파라미터 튜닝 결과, 에폭 40, 레이어 수 7이 과적합을 방지하면서 최고 정확도를 제공한다.

성능 평가에서는 Naïve Bayes, k‑NN, Logistic Regression, Random Forest, SVM 등 5가지 전통 머신러닝 모델과 비교했을 때, CNN은 Top‑1~Top‑5 정확도에서 각각 56.7%, 76.7%, 90.0%, 93.3%, 96.7%를 기록하며 현저히 우수했다. 데이터셋 규모가 189에서 1,012로 확대돼도 정확도 저하가 거의 없었으며, 증강 비율이 300배까지 늘어나면 정확도가 79.4%로 감소하는 등 적절한 증강 비율(≈100배)이 필요함을 확인했다.

해석 측면에서는 Neighborhood Components Analysis(NCA)를 적용해 실험 스펙트럼을 2차원 공간에 투영하였다. 동일 MOF의 스펙트럼은 뚜렷한 클러스터를 형성했지만, 피크 형태가 매우 유사한 다른 MOF 간에는 클러스터가 겹치는 현상이 관찰되었다. 이는 모델이 피크 위치·강도·폭 등 미세한 차이를 학습함을 시사한다. 또한, 마지막 컨볼루션 레이어의 Class Activation Map(CAM)을 시각화한 결과, 빨간색 고강도 영역이 실제 XRD 피크와 일치했으며, MOF‑74와 ZIF‑8처럼 피크 수와 강도가 다른 경우 CAM의 색상 다양성에도 차이가 나타났다. 이는 CNN이 인간 전문가가 수행하는 “주요 피크 기반” 판단 과정을 자동으로 재현한다는 의미이다.

마지막으로, 모델은 피크 이동, 강도 스케일링, FWHM 확대 등 실험적 변형에도 강인하게 작동했으며, 이러한 변형을 포함한 테스트 셋에서도 96.7%의 Top‑5 정확도를 유지했다. 저자들은 이 접근법이 XRD뿐 아니라 FTIR, Raman, NMR 등 다른 분광·회절 데이터에도 확장 가능함을 강조한다.