피크 인식 어텐션 기반 조건부 생성 모델을 활용한 간섭 환경에서의 GC‑MS 신뢰성 향상

초록

본 논문은 간섭 물질에 의해 발생하는 비특이 피크·시간 이동·배경 잡음을 극복하기 위해, GC‑MS 데이터의 특성적인 피크를 강조하는 ‘피크‑어웨어 어텐션’ 메커니즘을 도입한 조건부 생성 적대 신경망(CGAN)을 제안한다. 솔벤트·분석물 정보를 잠재 벡터에 인코딩하고, 피크‑어웨어 어텐션을 적용한 생성기가 실제 실험과 유사한 합성 스펙트럼을 생성한다. 생성된 데이터로 학습한 AI 판별 모델은 코사인 유사도·피어슨 상관계수 0.9 이상을 유지하면서 피크 다양성을 보존하고 오탐률을 현저히 낮춘다.

상세 분석

이 연구는 GC‑MS가 간섭 물질에 노출될 때 나타나는 비특이 피크, 체류 시간 변동, 배경 노이즈 증가라는 세 가지 주요 문제를 데이터 수준에서 해결하고자 한다. 기존 GAN 기반 시계열 생성 모델은 전역적인 패턴은 학습하지만, 피크와 같이 급격히 변하는 국부적 특성을 포착하지 못한다는 한계가 있었다. 이를 보완하기 위해 논문은 ‘피크‑어웨어 어텐션’이라는 새로운 메커니즘을 설계하였다. 입력 신호 x 의 인접 샘플 차이 |xₜ−xₜ₋₁| 를 절대값으로 계산해 기울기 sₜ를 구하고, 이를 지수적으로 스케일링한 뒤 전체 시퀀스에 정규화하여 초기 어텐션 가중치 αₜ 를 만든다. 이후 1‑D 컨볼루션 레이어와 시그모이드 활성화를 통해 학습 가능한 ˜α 를 도출함으로써, 급격한 변화를 보이는 피크 영역에 높은 가중치를 부여하고 저변동 배경은 억제한다. 이 과정은 전통적인 소프트맥스 기반 어텐션과 달리 피크 검출을 deterministic하게 수행하면서도 신경망이 최적화 과정에서 세밀하게 조정할 수 있게 한다.

조건부 생성 모델은 CGAN 구조를 채택한다. 솔벤트와 타깃 화학 물질 라벨을 각각 임베딩한 뒤, 이를 결합해 E_c 라는 조건 벡터를 만든다. 이 벡터는 노이즈 z 와 결합되어 생성기 G 에 입력되며, G는 두 단계의 멀티‑헤드 어텐션(MHA)을 통해 (1) 조건 임베딩 간의 상호작용 H₁ 을 학습하고, (2) 업샘플링된 피처에 대한 장거리 종속성을 강화하는 H₂ 를 생성한다. 디스크리미네이터 D 는 동일한 피크‑어웨어 어텐션을 적용해 진짜와 가짜 스펙트럼을 구분한다. 이렇게 설계된 CGAN은 실험 조건(솔벤트 종류, 농도 등)을 정확히 반영한 합성 GC‑MS 신호를 생성한다.

생성된 데이터는 대규모 SQL 기반 데이터베이스에 저장되어, 실제 실험이 제한적인 위험 물질에 대한 학습 데이터로 활용된다. 판별 모델은 기존 규칙 기반 혹은 단순 CNN보다 합성 데이터를 포함한 학습으로 피크 수, 피크 면적, 피크 위치 등 다차원 특성을 보다 견고하게 학습한다. 실험 결과, 합성 데이터와 실제 데이터 간 코사인 유사도와 피어슨 상관계수가 0.9 이상이며, 피크 수 다양성을 유지하면서 오탐률이 30 % 이상 감소하였다. 이는 피크‑어웨어 어텐션이 GC‑MS 데이터의 핵심 정보를 효과적으로 보존하고, 조건부 생성이 데이터 다양성과 제어성을 동시에 제공함을 입증한다.

본 논문의 주요 기여는 (1) GC‑MS 특성에 맞춘 피크‑어웨어 어텐션 메커니즘 설계, (2) 솔벤트·분석물 정보를 잠재 공간에 인코딩한 조건부 GAN 구축, (3) 합성 데이터를 활용한 판별 모델의 신뢰성 및 정확도 향상이다. 이러한 접근은 방위·환경·산업 안전 분야에서 제한된 실험 자원을 절감하면서도 높은 검출 신뢰도를 확보하는 데 실질적인 가치를 제공한다.