소규모 데이터 기반 구리 나노입자 크기 예측 머신러닝

초록

라틴 하이퍼큐브 샘플링으로 25개의 실험을 설계하고, 앙상블 회귀와 LASSO 정규화를 적용해 구리 나노입자 평균 직경을 R² = 0.74 수준으로 예측하였다. 전통적인 DoE 모델(R² = 0.60)보다 우수했으며, 랜덤 포레스트 기반 분류와 대형 언어 모델(LLM) 기반 분류는 데이터가 부족한 상황에서 큰 이점을 보이지 않았다.

상세 분석

본 연구는 실험실 규모의 무기 나노입자 합성에서 흔히 마주치는 “데이터 부족” 문제를 해결하고자, 라틴 하이퍼큐브 샘플링(LHS)을 이용해 3차원(전구체 농도, 반응 시간, 온도) 파라미터 공간을 균등하게 탐색하였다. 총 25개의 합성 실험을 수행하고, 동적광산란(DLS)과 UV‑Vis을 통해 입자 크기와 SPR 피크를 정량화하였다. 데이터 전처리 단계에서 다중 피크를 보이는 경우를 제외하고, 단일 피크(모노모달) 18개 샘플만을 최종 모델링에 사용함으로써 노이즈를 최소화하였다.

머신러닝 파이프라인은 AMADEUS 프레임워크 기반의 앙상블 회귀 모델이다. 100개의 베이스 모델을 각각 80/20 랜덤 샘플링(인‑백/아웃‑오브‑백)으로 학습시키고, LASSO 정규화(α = 0.1)와 3차 다항식 피처를 조합하였다. 모델 과적합을 방지하기 위해 폴리노미얼 차수를 3 이하로 제한하고, 앙상블 중요도(모델 인스턴스에서 비제로 계수를 갖는 비율)를 활용해 최종 피처 7개(