GIST, 고차원 물리문제 푸는 AI 학습 기술 개발 ●황의석 교수 연구팀 ‘적응형 샘플링 프레임워크(LAS)’ 학습 안정성·계산 효율 동시 확보 산업 시뮬레이션 비용 절감 기대 ‘뉴립스’ 상위 3.5% 논문 선정 박현진 기자

2025년 10월 21일(화) 19:24

(사진 왼쪽부터)전기전자컴퓨터공학과 황의석 교수, 서기업 박사과정 학생, 정민석 석사 졸업생.

광주과학기술원(GIST·지스트) 연구팀이 복잡한 물리 문제를 안정적으로 풀 수 있는 인공지능(AI) 학습 기술을 개발했다.

21일 지스트에 따르면 황의석 전기전자컴퓨터공학과 교수 연구팀은 편미분방정식(Partial Differential Equation·PDE) 기반 물리정보 신경망(Physics-Informed Neural Network·PINN) 학습의 불안정성을 해결하는 새로운 ‘적응형 샘플링 프레임워크(Langevin Adaptive Sampling·LAS)’를 개발했다.

이번 연구 성과는 AI 분야 최고 권위 학회인 ‘뉴립스(NeurIPS) 2025’에서 전체 논문 중 상위 약 3.5% 이내의 ‘스포트라이트(Spotlight)’ 논문으로 선정됐다.

황 교수팀은 기존 PINN 학습 방식이 잔차(Residual)가 큰 구간에 집중해 학습이 불안정해지는 문제를 개선했다.

연구팀은 ‘랑주뱅 동역학(Langevin Dynamics·LD)’ 원리를 적용해 AI가 무작위 탐색을 하면서도 오차가 큰 영역이나 복잡한 경계 조건을 스스로 더 자주 학습하도록 설계했다.

‘LAS’는 잔차의 기울기(변화 방향)에 확률적 요인을 주입해 샘플링 과정을 동적으로 조정하는 방식이다. 이를 통해 AI가 급격히 변화하는 ‘날카로운(high curvature)’ 잔차 영역보다 ‘완만한(flat)’ 영역을 선호하게 만들어 학습 안정성을 크게 높였다.

또한 연구팀은 1-8차원 편미분방정식 문제를 대상으로 LAS의 성능을 검증했다. 파동이나 화학 반응 등 1차원 문제에서는 기존 기법보다 오차가 현저히 작고 학습 과정이 일정하게 수렴했다.

더 복잡한 4-8차원 열전달 방정식 문제에서는 기존 기법들이 불안정해 학습이 실패했으나 LAS는 유일하게 안정적으로 답을 찾아냈다.

신경망 구조를 복잡하게 바꾸거나 학습 속도를 빠르게 조정한 상황에서도 LAS는 높은 안정성과 정확성을 유지했다.

계산 효율성도 뛰어나 기존 방법과 유사한 계산 비용으로 더 빠르고 정확한 결과를 도출했다.

황의석 교수는 “이번 연구는 복잡한 모델에서도 안정적인 학습을 가능하게 하면서 계산 비용을 줄일 수 있는 방법을 제시했다”며 “제조·공정, 에너지·발전, 환경·기후 등 고차원 편미분방정식 문제에서 정확한 값에 가까운 계산 결과가 필요한 산업 전반에 신뢰성 높은 AI 해법을 제공할 수 있을 것”이라고 말했다.

/박현진 기자