“산업계에서 인공지능(AI)을 도입하려는 경우가 많아요. 그에 앞서 지금의 통계 기반 AI　모델이 절대 완벽할 수 없다는 것을 인지해야 합니다.”

  이승철 포스텍 기계공학과 교수는 5일 진행한 인터뷰에서 산업 현장에서의 AI 도입 활성화 방안에 대해 조언했다. 이 교수는 생산·제조 현장에 적용 가능한 AI기술 연구 전문가다. 주위에 ‘현장형 AI연구자’로 불리기도 한다. 

  현재 산업계에 AI 도입 붐이 불고 있지만 이런 이 교수가 보기엔 부족한 점이 적지 않다. 현재 쓰이는 AI는 대부분 ‘통계이론’에 기반한다. 즉 AI가 산업현장에서 얻은 운영 데이터를 근거로 학습한다는 의미다. 하지만 기계공학을 기반으로 제작된 기계들은 최소한의 오류로 동작하는 것을 목표로 설계된다. 오류 상황을 학습하기 어렵기 때문에 더 이상의 발전이 어렵게 된다. 즉, AI가 학습해 능률을 높일만한 ‘교과서’ 내용이 부족한 것이다.

  이 교수는 이 문제를 물리학적 이론을 통해 극복할 수 있다고 주장한다. 기존 AI모델에 실제 현상 규명이 가능한 물리이론을 적용해, 부족한 ‘오류 데이터’를 학습 시켜줄 필요가 있다는 이야기다.

  이 교수는 “산업용 AI 발전의 핵심은 제조현장에서 발생하는 현상을 이해할 수 있는 물리이론이 뒷받침돼야 이뤄질 수 있다”며 “우리 연구실 역시 기계시스템의 물리법칙을 AI와 결합하고자 한다”고 말했다.

그의 연구팀은 실제로 물리이론과 접목한 AI를 통해 괄목할만한 연구 성과를 얻기도 했다. 대표적 성과는 AI를 활용한 전기차 배터리 용량 예측 연구다. 이 교수 연구팀은 이 연구에 ‘특징 인자 추출 기법’과 ‘물리이론 기반 신경망’을 융합했다. 그 결과, 다양한 용량과 수명 분포를 지닌 테스트용 배터리의 용량 예측 정확도를 최대 20% 향상시켰다. 또 데이터 불균형이 문제였던 통계 기반 AI와 달리, 일관적인 측정 결과도 확인해, 연구 신뢰성도 확보했다. 최근엔 의료·로봇·재료로 연구 분야를 확장해, ‘AI기반 전자현미경’ 기술도 개발했다. 이 기술은 딥 러닝 기반 AI가 재료 미세구조 이미지의 품질을 판별한다.

  이 교수는 현재 산업계에서 필수적으로 이용되는 ‘컴퓨터이용공학(CAE)’에도 물리 이론이 도입돼야 한다고 주장했다. 기존 컴퓨터 기반 모델처럼 단순한 데이터 수치해석으로 문제를 푸는 것이 아닌, 발생한 현상 자체를 분석할 수 있는 물리 기반 AI모델을 개발·도입해 컴퓨터이용공학의 효율성을 높이자는 것이다.

  이 교수는 이렇게 하면 기존 컴퓨터이용공학이 가졌던 긴 실험 시간, 높은 비용 문제를 해결할 수 있다고 주장했다. 그는 이를 목표로 컴퓨터이용공학에 물리 기반 AI 방법론을 적용한 학문인 ‘AI이용공학(AIAE)’ 분야도 새롭게 개척 중이다.

  이 교수는 “물리 이론 기반 인공신경망을 컴퓨터이용공학에 적용하면 예측 시간을 단축해 실시간으로 시뮬레이션 결과를 볼 수 있다”며 “이 학문을 현재 컴퓨터이용공학이 사용되는 모든 분야에서 활용하게 하는 것이 목표다”라고 말했다. 

  아울러 이 교수는 산업계의 물리 기반 AI에 대한 새로운 교육과정의 필요성도 제기했다. 융합형 AI 인재 양성을 위해선 현재 통계 기반 AI 분야에만 치중된 국내 AI 교육과정에, 물리학 교육 과정을 추가해야 한다는 것. 

  이 교수는 산업계 리더들의 적극적인 AI 학습도 권장했다. 14일 개강하는 포스텍 인공지능 최고경영자 과정 교수진으로도 참여할 예정이다.

  “AI의 도입은 기존 공학적 문제 해결할 수 있는 ‘절대적 답안지’가 아닌, 또 다른 하나의 접근법이에요. 산업계에서는 물리학 지식을 갖춘 전문가에 대한 추가적인 AI 교육을 진행해 융합형 AI 인재를 양성해야 한다고 생각해요.”