▲알고리즘을 시연하는 사람(출처=123RF)

미국 위스콘신-매디슨대학 오크리지 국립연구소 과학자들이 원자로에서 사용되는 물질에서 미세한 방사선 손상 정도를 평가하는 머신러닝 알고리즘을 고안했다. 이 머신러닝 알고리즘은 인간보다 뛰어난 결과를 보였으며, 위험한 작업에 투입될 수 있다.

원자력 응용 재료의 방사선 손상은 원자로 시설의 내구성에 큰 영향을 미친다. 그래서 재료가 방사능 손상을 입었는지, 만약 손상됐다면 손상 정도가 어느 정도인지 알아야 한다. 방사능 손상 과정과 메커니즘을 분석하려면 전자 현미경을 이용해 반복적으로 검사해 데이터를 생성하고 실험을 해야 하는 경우도 있다.

머신러닝

위스콘신-매디슨대학 연구진은 머신러닝 알고리즘이 현미경을 통한 이미지 분석으로 방사선 손상을 알아보는 일반적인 방식을 바꿀 잠재력을 가지고 있다고 주장했다. 재료 과학 분야에서는 대부분 이미지 기반으로 문제를 해결하는데, 이런 일을 해낼 수 있는 전문가는 극소수다. 하지만 최첨단 기술이 해당 업무를 대체하도록 한다면 사람의 개입 없이도 잠재적인 원자로 손상을 조사할 수 있다.

머신러닝은 컴퓨터가 인간의 도움 없이도 업무를 수행할 수 있도록 통계적 방법을 사용한다. 연구진은 미래에 기계를 통해 수집된 이미지가 사람에게 전달되기 전에 머신러닝 알고리즘에 의해 분석될 것이라고 설명했다.

이들은 머신러닝 알고리즘을 사용해 방사선에 노출된 물질의 전자 현미경 이미지를 신속하게 분석하고 특정 유형의 손상을 확인할 수 있었다고 덧붙였다. 이런 이미지는 마치 달 표면의 크레이트를 촬영한 이미지 혹은 페인트가 튄 캔버스 이미지와 비슷하기 때문에 분석하기 까다롭다. 하지만 핵 물질의 안전성을 보장하려면 반드시 수행해야 하는 작업이다. 머신러닝 알고리즘이 적용되면 까다롭고 지루한 작업이 효율적으로 진행될 수 있다.

▲원자력 발전소에서 일하는 직원(출처=123RF)

사람 기반 분석법의 단점

사람이 직접 이 업무를 수행하다 보면 오류가 발생할 수 있으며 작업 결과가 일관적이지 않고, 비효율적이다. 하지만 최신 이미징 기술 및 데이터 분석은 사람보다 뛰어난 능력으로 이 업무를 수행할 수 있다.

이전에는 이미지 처리 알고리즘이 인간에 의존해야 했다. 예를 들어 사람이 정지 신호 등 간단한 이미지를 식별하도록 컴퓨터를 구성하면 컴퓨터가 해당 명령어에 맞게 작업을 처리하는 식이었다.

이것보다 조금 더 복잡한 방법은 예를 들어 고양이를 나타내는 모든 시각적 단서를 잡아내도록 하는 것이다. 털이 난 귀, 뾰족한 이빨, 수염 등이 고양이를 묘사하는 이미지다. 그러나 이것은 다른 동물도 가지고 있는 특성이기 때문에 고양이만의 특성을 컴퓨터에 교육하기란 쉽지 않다.

머신러닝의 장점

반면 머신러닝은 컴퓨터가 규칙을 구성할 때 완전히 다른 접근법을 사용한다. 머신러닝은 신경망이라는 프로그램에 의존하는데, 신경망은 인간의 뇌 신경망과 비슷하게 작동해 패턴을 인식한다. 신경망이 고양이를 인식하도록 만들려면 다양한 고양이 품종의 라벨이 붙은 이미지 모음으로 프로그램을 훈련시켜야 한다. 신경망은 그 정보를 이용해 스스로 자신만의 이미지 세트를 구성하고 필요한 경우 수정한다.

연구진은 전위 루프(dislocation loop)라는 특정 유형의 방사선 손상을 탐지하도록 신경망을 훈련했다. 전위 루프는 해당 분야에서 광범위한 경험을 가진 전문가들도 포착해내기 어려운 방사선 손상이다.

신경망은 270개의 이미지로 훈련됐다. 그리고 캐스케이드 객체 검출기라고 불리는 다른 머신러닝 알고리즘과 합동 작업을 거친 후 일련의 테스트 영상에서 86%의 정확도로 전위 루프를 식별해냈다. 사람 전문가들의 정확도는 80%였다.

머신러닝 알고리즘은 높은 정확도를 보였을 뿐만 아니라 매우 빠른 속도로 작업을 처리해 연구진을 놀라게 만들었다. 연구진은 현재 트레이닝 데이터 세트를 확대하고 새로운 신경망에 다양한 종류의 방사선 손상을 가르칠 계획을 세웠다. 이렇게 연구를 거듭하면 미래에는 어마어마한 양의 클라우드 기반 리소스가 모여서 전 세계 재료 과학자들이 신속하게 이미지를 분석 및 업로드할 수 있을 전망이다.

이 연구 결과는 컴퓨테이션 머터리얼(Computation Materials) 저널에 발표됐다. 이번 연구는 미국 에너지부와 미국 국립 과학 재단의 지원을 받아 진행됐다.