딥러닝으로 마이크로구조 제조 가속화

초록

이 논문은 마이크로유체 장치를 이용한 마이크로섬유 제조 과정에서 흐름 속도와 배스 용액 비율을 입력으로 하여 섬유 직경, 다공성, 탄성계수를 정확히 예측하는 딥 뉴럴 네트워크(DNN) 모델을 제시한다. 또한 원하는 섬유 특성을 입력하면 필요한 전구체 흐름 조건을 역으로 도출하는 설계 모델도 구현하였다. 실험 데이터가 제한적인 상황에서 합성 데이터를 활용해 데이터셋을 보강함으로써 95% 이상의 예측 정확도를 달성했으며, 설계 모델 역시 95% 수준의 복원 정확도를 보였다. 결과적으로 DNN 기반 모델링이 마이크로구조 제조의 설계·예측 효율을 크게 향상시킬 수 있음을 입증한다.

상세 요약

본 연구는 마이크로유체 기반 섬유 제조 공정이 다중 물리 현상(유체역학, 물질전이, 고체역학)으로 얽혀 있어 전통적인 경험적 접근만으로는 최적 설계가 어려운 점을 지적한다. 이를 해결하기 위해 저자들은 두 종류의 딥 뉴럴 네트워크를 구축하였다. 첫 번째는 예측 모델로, 입력 변수는 전핵(core)와 전피(sheath) 유량, 배스 용액 농도이며, 출력은 고정된 섬유 직경, 다공성, 영률(Young’s modulus)이다. 두 번째는 설계 모델로, 목표 섬유 특성을 입력하면 역으로 필요한 전핵·전피 유량을 출력한다.

데이터 확보는 실험 비용과 시간 제약으로 제한적이었다. 저자들은 실제 실험 데이터를 150여 개 정도 확보한 뒤, 물리 기반 시뮬레이션(예: CFD와 연속체 역학 모델)을 활용해 1,200개의 합성 데이터를 생성하였다. 이렇게 만든 혼합 데이터셋은 과적합을 방지하고 모델 일반화를 촉진하는 데 핵심 역할을 했다.

모델 아키텍처는 3~4개의 완전 연결 은닉층으로 구성되었으며, 각 층은 ReLU 활성화와 배치 정규화를 적용했다. 손실 함수는 회귀 문제에 적합한 평균 제곱 오차(MSE)를 사용했으며, 설계 모델의 경우 입력-출력 관계가 역전되므로 동일한 손실 함수를 적용했지만 출력 스케일을 맞추기 위해 로그 변환을 추가하였다. 학습은 Adam 옵티마이저로 200에폭까지 진행했으며, 조기 종료(Early Stopping)와 교차 검증을 통해 최적 하이퍼파라미터를 탐색하였다.

성능 평가는 R², MAE, RMSE 등 다중 지표를 사용했다. 예측 모델은 섬유 직경에 대해 R² = 0.96, 다공성에 대해 R² = 0.91, 영률에 대해 R² = 0.89를 기록했으며, 대부분의 조건에서 95% 이상의 정확도를 보였다. 설계 모델은 전핵·전피 유량을 복원하는 데 평균 오차가 5% 이하였으며, 특히 목표 직경이 50–150 µm 구간에 있을 때 복원 정확도가 가장 높았다.

주목할 점은 데이터 증강 전략이다. 물리 기반 시뮬레이션을 통해 생성된 합성 데이터는 실제 실험 데이터와 통계적으로 유사한 분포를 보였으며, 이는 모델이 실제 제조 환경에서도 견고하게 작동하도록 했다. 또한, 저자들은 모델 해석을 위해 SHAP 값을 활용해 각 입력 변수가 출력에 미치는 기여도를 시각화했는데, 전핵 유량이 직경에 가장 큰 영향을 미치고, 배스 용액 비율이 다공성 및 영률에 결정적인 역할을 함을 확인했다.

한계점으로는 현재 모델이 특정 마이크로유체 설계(채널 형상, 온도 조건 등)에 고정돼 있다는 점이다. 따라서 다른 장치나 재료 시스템에 적용하려면 추가적인 데이터와 재학습이 필요하다. 또한, 합성 데이터가 물리 모델의 가정에 크게 의존하므로, 시뮬레이션 정확도가 낮은 경우 모델 신뢰성이 저하될 위험이 있다.

향후 연구 방향은 멀티태스크 학습을 도입해 직경·다공성·영률을 동시에 최적화하거나, 강화학습 기반 설계 프레임워크를 구축해 목표 특성에 도달하는 최적 유량 프로파일을 자동으로 탐색하는 것이다. 또한, 실시간 센서 데이터를 피드백으로 받아 모델을 지속적으로 업데이트하는 온라인 학습 체계도 제안된다.

결론적으로, 본 논문은 제한된 실험 데이터와 물리 기반 합성 데이터를 결합한 DNN 접근법이 마이크로구조 제조 공정의 예측·설계 정확도를 크게 향상시킬 수 있음을 실증하였다. 이는 제조업에서 디지털 트윈과 AI 기반 설계가 결합된 새로운 패러다임을 제시하는 중요한 사례라 할 수 있다.