물리 기반 생성 AI로 실험 현미경 이미지 자동 분할

초록

본 논문은 위상장 시뮬레이션으로 만든 미세구조와 CycleGAN을 이용한 이미지 스타일 변환을 결합해, 실험 SEM 이미지와 구분이 어려운 합성 데이터를 생성한다. 이 데이터를 이용해 U‑Net을 학습시켜 라벨링 없이도 높은 정확도의 미세구조 분할을 구현하였다.

상세 분석

이 연구는 세 가지 핵심 기술을 체계적으로 연결한다. 첫째, 위상장(phase‑field) 모델을 활용해 300개의 서로 다른 다결정 구조를 생성하고, 각 픽셀에 대한 완벽한 마스크를 자동으로 얻는다. 여기서 Voronoi 테셀레이션과 1000 스텝의 Allen‑Cahn 진화를 결합해 실제 금속 입계의 곡률과 불규칙성을 재현했으며, 512 × 512 해상도의 이미지와 평균 112개의 입자를 확보했다. 둘째, 생성된 ‘깨끗한’ 시뮬레이션 이미지와 실제 SEM 이미지 사이의 도메인 격차를 해소하기 위해 Cycle‑Consistent GAN(CycleGAN)을 도입했다. CycleGAN은 비쌍(pair) 데이터에서도 두 도메스 간 매핑을 학습할 수 있어, 실험 이미지의 잡음, 드리프트, 렌즈 수차 등 복합적인 아티팩트를 시뮬레이션 이미지에 효과적으로 입힌다. 특히, 사이클 일관성 손실(L_cyc)을 활용해 구조적 정보는 보존하면서 스타일만 변환하도록 제약함으로써, 변환 후 이미지(ˆx)가 원본 시뮬레이션(y)과 동일한 위상 정보를 유지하도록 설계했다. 셋째, 변환된 합성 이미지와 원본 마스크를 이용해 U‑Net을 학습시켰다. 라벨이 전혀 없는 실험 데이터에 바로 적용했을 때 평균 Boundary F1‑Score 0.90, IoU 0.88이라는 높은 성능을 기록했으며, 이는 기존 ImageNet 사전학습 기반 모델이나 도메인‑특정 소규모 데이터 학습 모델을 크게 앞선다. 검증 단계에서는 t‑SNE를 이용해 합성 이미지와 실험 이미지의 특징 공간을 시각화했으며, 두 군집이 거의 겹치는 것을 확인했다. 또한, Shannon entropy 분석을 통해 두 데이터셋의 통계적 복잡도가 일치함을 정량적으로 입증했다. 이러한 결과는 물리 기반 시뮬레이션과 최신 생성 모델을 결합하면 ‘데이터 부족’ 문제를 ‘데이터 과잉’ 문제로 전환할 수 있음을 시사한다. 다만, CycleGAN 학습 시 모드 붕괴와 같은 불안정성이 발생할 가능성이 있으며, 변환된 이미지가 특정 실험 설정(예: 전압, 진공도)과 과도하게 맞춰질 경우 다른 실험 조건에 대한 일반화가 저하될 위험이 있다. 향후 연구에서는 멀티‑도메인 스타일 변환, 조건부 GAN(예: SPADE) 도입, 그리고 시뮬레이션 파라미터를 베이지안 최적화로 자동 튜닝하는 방안을 모색하면 더욱 견고한 프레임워크를 구축할 수 있을 것이다.