[한국기술뉴스] KIST스핀융합연구단 권희영, 최준우 박사, 경희대학교 원창연 교수 연구팀은 주어진 나노 자석의 가장 안정적인 상태, 즉 기저 상태(Ground State)에서 나타나는 스핀 구조를 추정하는 생성적 머신러닝 모델인 “에너지 최소화 변이 오토인코더(Energy-minimization Variational Autoencoder, E-VAE)”를 개발했다고 밝혔다.

생성적 머신러닝 기법은 주어진 데이터를 학습하여 그 데이터가 가지는 특성을 추출하고, 재조합하여 새로운 데이터를 생성하기 위해 사용된다. 이러한 생성적 머신러닝 모델들은 흑백사진을 컬러사진으로 변환하거나 비정상 데이터를 검출하는 등 다양한 분야에서 활용되고 있다. 

연구진은 기존의 생성적 머신러닝 모델을 나노자석에 적용할 경우 국소적 노이즈 및 흐림 효과 등이 발생, 물리법칙에 어긋나는 상태가 생성됨을 확인하였다. 또한, 기존 모델에서는 입력된 상태보다 새롭게 생성된 상태의 에너지를 낮게 하는 과정이 포함되어 있지 않아 나노 자석의 기저 상태를 탐색하는 데 사용하기 어려웠다.

연구진은 기존 생성적 머신러닝 모델의 하나인 변이 오토인코더(Variational Autoencoder, VAE)에 생성된 상태들의 에너지를 최소화하는 과정을 포함한 “에너지 최소화 변이 오토인코더(E-VAE)”를 개발하고, 이를 통해 나노 자석의 스핀구조가 가질 수 있는 최적의 상태를 효율적으로 찾아내는 데 성공했다. 

이는 기존에 사용되어 온 시뮬레이티드 어닐링 기법(Simulated annealing, SA)과 비교했을 때 최적의 상태를 찾는 문제에 있어서 뛰어난 효율과 정확성을 보여주었다.

KIST 권희영 박사는 “머신러닝 기술을 기반으로 주어진 물리적 시스템의 가장 낮은 에너지 상태를 조사할 수 있는 전산적 접근법을 제시했다”고 이번 연구의 의의를 밝혔다. 또한 “최적화 문제는 순수과학이나 반도체 연구뿐만 아니라 수학 및 컴퓨터 사이언스 분야에서도 중요한 연구 주제로 다뤄지는 만큼, 본 연구에서 개발된 머신러닝 기반의 혁신적인 최적화 기법은 다양한 분야에서 높은 학술적 가치를 가질 것으로 기대된다.”라고 밝혔다.