New-Horizon 심포지엄

인공지능재료과학분과 창립 심포지엄 초청강연

이승철 조교수

POSTECH

7월 16일(목) 09:15-11:15

Super Resolution and ReFocus on Material Images

재료 분야에서의 이미지 분석은 재료의 물성 정보를 파악하고 나아가 새로운 재료를 디자인하는 데에 있어서 매우 중요한 역할을 한다. 신뢰성있는 재료 분석을 하기 위해서는 고품질의 이미지를 필요로 하며 이는 전통적으로 사람 또는 컴퓨터에 의해서 수행되어져 왔다. 하지만 이러한 수집 과정은 상당한 컴퓨팅 파워 또는 사람의 단순 반복적인 노동을 요구하기 때문에 해결해야 할 필요성이 있다. 본 연구에서는 이러한 문제점을 해결하기 위해 딥러닝 기반 재료 이미지 변환 방법에 대해 제안한다. 두 가지 과업을 목표로 하며 각각 저해상도의 미세구조 이미지를 고해상도로 복원하는 초해상화 연구와 초점이 맞지 않는 SEM 이미지로부터 최적의 초점 거리 이미지로 복원하는 재초점 연구로 이루어진다. 초해상화 연구는 저해상도의 미세구조 이미지를4배, 8배, 16배로 고해상화하며 이를 통해 고해상도의 이미지 수집에 소모되는 시간의 단축을 가능하게 한다. 재초점 연구는 다양한 초점 거리의 초점이 맞지 않는 SEM 이미지로부터 최적의 초점 거리 이미지를 복원하며 이를 통해 최적 초점 거리를 찾기 위한 시간의 단축을 가능하게 한다.


손기선 조교수

세종대학교

7월 16일(목) 11:15-11:45

기계학습 기법 소개

본 발표에서는 일반적인 인공신경망(ANN, CNN, RNN등)기반 딥러닝을 제외한 나머지 기계학습 알고리즘들을 소개할 예정이다. 일반적인 인공신경망은 다량의 데이터가 필요하기 때문에 일반적인 소재연구에서 사용할 수 있는 기회가 적다. 반면에 소재연구 중 발생하는 데이터의 수량은 기껏해야 수백 건 또는 심지어 수십 건 정도의 소량일 경우가 대부분이기 때문에, 이런 경우에는 다음과 같은 알고리즘들을 사용할 수 있다. 아래 표기된 순서로 시간이 허락하는 한 될 수 있으면 여러 개의 기계학습법을 그 기초부터 응용까지 자세히 소개하고자 한다. Linear Regression (Ridge, Lasso, elastic net, kernel regression & Bayesian regression) Logistic Regression Naive Bayes K-Nearest Neighbor (KNN) Decision Tree (DT) Random Forrest (RF) AdaBoost, Gradient Boost, XGBoost Tree, etc. Support Vector Machine (SVM) Gaussian Process Regression (GPR) 이와 더불어 인공지능 및 기계학습을 제대로 이해하기 위해서는 반드시 알아야할 Bayesian theory 및 maximum likelihood (MLE)와 maximum a posteriori (MAP)를 이해할 수 있도록 이에 대한 기초강의도 제공한다.


이경우 교수

서울대학교

7월 16일(목) 13:30-14:00

구조화 되어 있지 않고 편향성을 보이는 현장 데이터에 대한 AI 학습 방법

연속 주조 공정에서 얻어지는 주편의 품질은 연속 주조 공정의 여러 조업 변수의 영향을 받을 뿐 아니라 주조 대상 강의 여러 성분들의 영향도 크게 받기 때문에 모델링이나 해석을 통한 품질 예측이 매우 어렵다. 따라서 복잡한 문제를 빅데이터와 인공지능 기법을 사용해서 해석할 수 있다면 적절한 공정 설계를 통해서 최적 조업 조건을 도출하는데 큰 도움이 될 것으로 기대된다.본 발표에서는 두 철강 공장에서 수년간 축적한 데이터를 바탕으로 공정 조건과 강종에 따른 표면 크랙 발생 가능성을 예측하는 연구를 수행한 결과를 보고한다. 연구는 두 가지 방법으로 진행하였다. 하나는 연속주조가 어려운 아포정강의 연주 과정에 대한 모델을 개발하고 이 모델을 바탕으로 조업 데이터를 분석하여 크랙 발생 가능성을 예측하는 전통적인 방법으로 수행한 결과이며 다른 하나는 조업 데이터에 대한 기계 학습을 사용하여 조업 조건에 따른 크랙 발생 가능성을 예측하는 연구를 수행하였다.이 연구는 3년 이상의 조업 결과가 누적된 많은 데이터를 가지고 수행되었는데 실제 조업을 행한 데이터이기 때문에 자료가 체계적이 아니며 조업에서 문제를 일으킬 것으로 예상되는 결과들이 배제되어 있었다. 본 발표는 연구 결과 뿐 아니라 이렇게 체계적이지 않고 편향되어 있는 현장 데이터를 활용한 기계학습을 어떻게 진행해야 할 것인지에 대해서 논의하고자 한다.


최자영 수석연구원

POSCO 기술연구원

7월 16일(목) 14:00-14:30

POSCO Smart Factory 개발 사례

2016년 3월 이세돌과 알파고의 세기의 바둑 대결은 ‘인공지능’이라는 기술을 우리 눈앞에 가져왔다. SF 영화에서나 보던 인공지능 기술은 현실화 되어 이제 의료, 금융, 모바일 등 우리 삶 곳곳에서 적용되고 있다. 이미 원가 경쟁력 저하, 설비 노후화, 중국의 발 빠른 기술 추격으로 고전을 겪고있는 국내 제조업에 인공지능은 한단계 발전해 나아갈 수 있는 매력적인 터닝포인트이다. 포스코 역시 지난 2016년부터 이 매력적인 기술을 철강업에 도입하기 위한 기술 개발에 박차를 가하고 있다. 포스코는 지난 수십 년간 공정 자동화 시스템을 갖추기 위해 노력해왔고, 이 바탕 위에 Smart Factory 구현을 위한 IoT, Big Data, AI 기술 개발을 추진해오고 있다. 2016년 4개의 시범 과제로 출발한 포스코의 인공지능 기술 개발은 전공정으로 확산되었고, 현재 19개의 인공지능 모델이 41개 현장에서 성공적으로 가동되어 2019년 대한민국 최초로 WEF 등대공장에 등재되는 성과를 올렸다. 본 논문에서는 이러한 POSCO의 Smart Factory 및 AI 기술에 대한 추진 History, 주요 제철 공정의 성공적인 AI 적용사례 및 성과, 추진과정 상의 교훈, 향후 추진계획 등에 대해 소개할 예정이다.


윤종필 수석연구원

한국생산기술연구원

7월 16일(목) 14:30-15:00

딥러닝 기반 영상 처리를 이용한 금속 제품 평가 기술

딥러닝으로 대표되는 인공지능 기술은 의료, 금융, 자동차, 유통, 로봇, IT 등의 다양한 분야에 성공적으로 적용되고 있고, 앞으로 인간 삶의 큰 변화를 주도할 기술로 기대되고 있다. 최근에는 제조업의 공정 최적화, 제품 품질 검사, 설비 상태 진단 및 수명 예측에 인공지능 기술을 적용하는 연구가 많이 시도되고 있다. 다양한 인공지능 기술 중 CNN(Convolution Neural Netwoks) 구조를 이용하는 영상 분석 기술 응용 연구들이 활발히 이루어지고 있다. 대표적인 영상 분석 기술로는 영상을 특정 부류로 분류하는 classification, 영상 내 관심 부분의 위치와 크기를 검출하는 detection, 영상 내 모든 픽셀을 특정 부류로 분류하는 segmentation을 들 수 있다. 본 발표에서는 금속 재료의 물성 분석, 표면 검사, 제품 품질 정량화 등의 다양한 응용에 사용 가능한 딥러닝 기반 영상 분석 기술에 대해 소개한다. 또한 제조업에 학습 기반 알고리즘 적용 시 발생하는 데이터 부족 현상을 극복하기 위한 최신 기술 동향을 소개한다. 마지막으로, 딥러닝 기반 영상 분석 기술 중 segmentation과 regression을 이용하여 금속재료의 물성을 분석하는 연구 결과를 소개한다.


김영광 전문 컨설턴트

㈜버추얼랩

7월 16일(목) 15:00-15:30

Development of web-based materials data and simulation platform for high-throughput calculation and machine learning

산업이 고도화 됨에 따라 새로운 재료를 보다 빠르고, 다양하게 개발하기 위해 재료 분야에 인공지능 기술이 적용되고 있다. 그러나 보다 쉽게 적용 가능한 분야를 제외하고는 실질적으로 새로운 재료를 개발하는 데 있어서 인공지능 기술의 적용은 아직 한계가 있다. 인공지능 기술을 적용하기 위해선 신뢰할 수 있고 많은 양의 데이터가 뒷받침 되어야 한다. 그러나 철강과 같은 역사가 오래된 일부 재료를 제외하면, 특정 재료에 대해 실험적으로 수 많은 데이터를 확보하는 것은 시간과 비용적인 면에서 상당한 투자가 뒷받침 되어야 한다. 이에 따라 이러한 한계를 재료 시뮬레이션을 사용하여 극복하고자 한 시도가 있었다. 하지만 시뮬레이션을 하기 위해선 컴퓨팅 시설과 값 비싼 프로그램, 이를 운영 가능한 인력이 있어야 되기 때문에 높은 진입 장벽이 존재하는 한계가 있다.  이러한 한계를 극복하기 위해 본 연구팀은 기존 이용 가능한 데이터를 활용할 수 있는 data curation 환경, 이러한 데이터를 보완해줄 materials simulation, 이를 바탕으로 데이터 분석 및 데이터 모델링을 할 수 있는 correlation analysis와 machine learning 시스템을 한번에 제공하는 웹 기반 플랫폼을 개발하였다. 본 플랫폼은 클라우드 기반 서비스이기에 별도 설치 비용 없이 웹 환경에서 자유롭게 이용할 수 있으며, 컴퓨팅 시설이나 값 비싼 프로그램을 설치 할 필요가 없다. 본 플랫폼에서는 기존 데이터를 보완하기 위한 DFT, MD, CALPHAD 총 3가지 재료 시뮬레이션을 이용할 수 있으며, User-friendly GUI 환경을 제공함에 따라 시뮬레이션 관련 전문 인력이 아니어도 쉽게 사용 가능하도록 설계되었다. 또한 DFT와 CALPHAD의 경우, 보다 빠르고 간편하게 많은 데이터가 생산되도록 high-throughput 계산 서비스가 탑재되어 있다.  본 발표에서는 본 플랫폼 소개와 함께 실제 실험적으로 많은 양의 데이터를 확보하는 데 한정된 상황에서 시뮬레이션을 통해 새로운 재료를 설계한 사례를 바탕으로 본 플랫폼이 실제 재료를 설계하는데 있어서 어떻게 적용될 수 있는 지 소개하고자 한다.


정인현 책임연구원

POSCO 기술연구원

7월 16일(목) 15:30-16:00

Automation Technique Controlling Binder for Sinter Ore Based on AI

In Blast furnace iron making process, iron ore and coke/coal are charged from the top of the blast furnace and hot air is injected from the bottom of the blast furnace to making high temperature liquid iron and slag by the chemical and thermal reactions in the blast furnace. Typically, iron ore consists of three types which are lump ore, pellet and sinter ore based on how they are preteated before being charged into the blast furance. Among them, sinter ore is the most-used one. Sinter plants agglomerate iron ore fines with binders at high temperature to make sinter ore. Precise control of the amount of the binder is a significant factor which determines the strength and property of the sinter ore. Recently, Posco sinter plants have applied the AI technique which predicts and guides the proper amount of binder for the precise quality control of sinter ore. Deep Learning methods which can handle the time series characteristic of input parameters are used. In this presentation, the basic concept of applying AI to the sinter ore production process will be discussed.


최윤석 교수

부산대학교

7월 16일(목) 16:00-16:30

금속 적층 제조 용융풀 데이터에 대한 정보 분석 기법 적용

Modern data analytics was employed to understand and predict physics-based melt-pool formation by fabricating Ni alloy single tracks using powder bed fusion. An extensive database of melt-pool geometries was created, including processing parameters and material characteristics as input features. Correlation analysis provided insight for relationships between process parameters and melt-pools, and enabled the development of meaningful machine learning models via the use of highly correlated features. The results demonstrated that data analytics facilitates understanding of the inherent physics and reliable prediction of melt-pool geometries. The present approach is believed to serve as a basis for the melt-pool control and process optimization.


김경덕 조교수

인하대학교

7월 16일(목) 16:30-17:00

인공지능을 활용한 Heusler 화합물의 발견과 Nb 내열합금의 설계

최근 재료공학 분야에서 빅 데이터 통계분석(Big Data Statistical Analysis) 기법을 도입하여 새로운 재료를 설계하려는 많은 노력이 있다. 대표적인 예로, 화합물의 중요한 열역학 특성을 포함한 빅 데이터베이스를 바탕으로 고속 대량 스크리닝(High-Throughput Screening) 기법을 통해 새로운 화합물의 특성을 예측하는 방법을 꼽을 수 있다. 하지만, 재료의 구성요소가 복잡해질 경우, 빅 데이터베이스를 구축하는데 있어 한계에 직면하게 된다. 이에 대한 해결책 중 하나로서 기존 데이터베이스를 바탕으로 한 기계학습(Machine Learning) 접근법을 통해 주어진 데이터 영역 외부의 특성을 예측할 수 있다. 본 발표의 대략적인 내용은 아래와 같다. 1) 빅 데이터베이스(Open Quantum Materials Database)로부터 기계학습 기법을 활용하여 수십만개의 BCC Heusler 화합물의 열역학적 안정도(Thermodynamic Stability)를 예측하였다. 이중 열역학적으로 안정한 55개의 새로운 BCC Heusler 화합물을 발견하는 과정을 소개하고자 한다. 2) 또한, 기계학습 기법을 활용하여 Nb 내열합금의 조성에 따른 연성-취성 전이 온도를 예측하고, 이를 통해 인공지능이 산업에서 합금설계에 이용되는 과정을 소개하고자 한다.