UNIST , 반도체 열·응력 해석 정확도 끌어올린 AI 기술 개발

정창욱 교수팀, 입력 데이터 보정해 AI 예측 정확도 높이는 알고리즘 개발

2차원 열전도·선형 탄성 예측 오차 최대 91%↓… 3대 인공지능학회 채택

반도체 성능을 좌우하는 열과 응력의 미묘한 흐름을 AI가 정밀하게 포착한다.

손톱만 한 반도체 칩부터 수 미터 발전소 배관에 이르기까지, 예측 대상의 크기가 변해도 열이 퍼지는 경로와 힘이 집중되는 부위를 AI가 잘 예측할 수 있도록 돕는 기술이 나왔다.

UNIST 반도체소재·부품대학원 정창욱 교수팀은 새로운 입력 데이터를 기존에 학습한 데이터 기준에 맞게 재정렬하는 'π-불변 테스트 시점 보정(π-invariant test-time projection)' 알고리즘을 개발했다고 26일 전했다.

연구진, (좌측부터) 정창욱 교수, 이석기 연구원, 홍기용 연구원. UNIST 제공

이번 연구 결과는 인공지능 분야 3대 국제학회로 꼽히는 국제표현학습학회(ICLR) 2026에 채택됐다.

반도체 공정이나 패키징에서는 열이 퍼지는 경로와 힘이 집중되는 부위를 빠르게 예측하기 위해 인공지능 모델을 활용하고 있지만, 모델이 학습 과정에서 경험하지 못한 아주 크거나 작은 단위의 데이터가 입력되면 예측 정확도가 떨어진다.

연구팀이 개발한 알고리즘은 '학습 범위 밖의 입력'을 물리 법칙을 지키면서 학습 범위 안의 '익숙한 형태'로 바꿔주는 역할을 한다. 새로운 입력 데이터가 들어오면, 먼저 π 값을 기준으로 기존에 학습한 데이터 중 물리적으로 가장 유사한 데이터를 찾아, 그와 비슷한 조건으로 맞춘 뒤에야 인공지능 모델에 입력해 계산하도록 하는 것이다. π 값은 주어진 물리 방정식에서 길이, 온도, 힘처럼 단위를 가진 물리량을 조합해 만든 무차원 비율로, 이 값이 같으면 크기가 달라도 본질적으로 같은 물리 상태로 볼 수 있다는 '버킹엄 π 정리(Buckingham π theorem)'에 기반한 기술이다.

이 알고리즘은 별도의 재학습 없이도 기존 인공지능 모델에 그대로 붙여 사용할 수 있어 경제적이다. 입력 데이터를 로그 공간에서 변환해 물리적 비율(π 값)을 유지하도록 맞추는 방식이기 때문에, 모델 구조나 학습 과정은 건드릴 필요가 없기 때문이다.

또 학습 데이터를 전부 일일이 비교하는 대신 비슷한 데이터끼리 묶어 대푯값만 비교하는 방식을 적용해 계산 부담도 줄였다. 기존의 전수 비교보다 약 1/100 수준의 비용으로도 빠르게 입력을 보정할 수 있다.

이 기법을 2차원 열전도와 선형 탄성 문제에 적용한 결과, 기존 모델이 어려워하던 새로운 조건에서도 안정적인 예측이 가능해졌고, 평균절대오차는 최대 약 91%까지 감소했다.

유체 역학의 난제로 불리는 나비에-스토크스(Navier?Stokes) 방정식에도 적용했을 때도 비슷한 성능 개선 효과가 확인됐다. 나비에-스토크스 방정식은 물이나 공기 같은 유체의 움직임을 설명하는 수식으로, 항공기 설계 등에 필수적이지만 계산이 매우 어려운 것으로 알려져 있다. 개발된 알고리즘은 외력이 없는 이상적인 경우뿐 아니라 외력이 작용해 π 값이 완전히 유지되지 않는 경우에도 정확도 개선 효과를 유지했다.

연구팀은 "반도체 칩의 열 설계, 패키지 신뢰성 평가, 배터리 열관리, 구조물 안전 해석 등 크기와 조건이 계속 달라지는 다양한 공학 시뮬레이션에서 계산 시간과 비용을 줄이는 데 활용될 수 있을 것"이라고 기대했다.

연구그림, 입력 데이터를 물리적으로 같은 상태로 맞춘 뒤 인공지능 모델에 넣는 π-불변 보정 과정.

이번 연구는 과학기술정보통신부 한국연구재단의 나노·소재기술개발사업, 정보통신기획평가원(IITP)의 AI 대학원지원사업 등의 지원을 받아 수행됐다.

영남취재본부 김수로 기자 relationship6007@asiae.co.kr