소재 설계 및 공정 최적화를 위한 데이터 기반 인공지능 활용 기술은 가용 데이터의 유무에 따라 머신러닝과 역설계를 통한 양방향 설계 및 유의미한 데이터 생산을 통한 능동학습 최적화로 구분될 수 있다. 일반적으로 능동학습을 위해서는 모델의 출력값뿐만 아니라 예측의 불확실성을 정량화할 수 있는 확률 모델이 요구되며, 대표적인 방법으로 GPR(가우시안 프로세스 회귀, Gaussian Process Regression)이 활용된다. 그러나 GPR은 입력 데이터의 차원이 증가할수록 성능이 저하되는 한계를 가지며, 이를 극복하기 위해 차원 축소 기법을 적용하는 경우 데이터 품질이 저하될 가능성이 크고, 데이터 특성과 차원 수에 따라 최적 성능이 보장되지 않는 문제가 발생할 수 있다. 따라서 시간과 자원의 투입 대비 안정적인 성능을 확보할 수 있는 기술이 필수적으로 요구된다.
본 연구에서는 안정적인 능동학습 성능과 최적화 결과를 확보하기 위한 전략으로 준지도 학습 기법을 활용한 데이터 전처리와 이를 기반으로 한 능동학습 기법을 제안한다. 이를 위해 교사 학습 기법을 적용하여 일부 비지도 데이터에 의사 라벨을 부여하고, 이를 활용하여 고차원 데이터를 저차원 잠재공간으로 변환하는 과정을 포함한다. 변환된 데이터는 능동학습을 수행하는 데 사용되며, 이후 능동학습을 통해 생산된 데이터를 기반으로 잠재공간 및 능동학습 모델을 재학습함으로써 성능을 지속적으로 개선할 수 있도록 설계되었다.
본 연구에서는 다양한 사례 연구를 통해 제안 기법의 효용성을 검증하고, 데이터 특성에 따른 적용 가능성과 성능 개선 효과를 논의하고자 한다.