1. 서 론

최근 친환경 전기차 및 드론에 대한 관심이 증가함에 따라, 모터 코어에 사용되는 무방향성 전기강판의 효율성에 대한 관심도 함께 증가하고 있다[¹-⁶]. 에너지 효율 향상은 철의 자화 과정에서 자속밀도를 증가시키거나, 철손을 감소시키는 것을 의미한다[²-⁵]. 무방향성 전기강판(이하 Si 강)의 자기 특성 효율을 향상시키기 위해 가장 효과적인 방법으로는 와류 손실을 줄이기 위한 두께 감소, 비저항 증가, 집합조직 제어 등이 알려져 있다[³-⁶]. 이 중에서 비저항 증가를 위해 Si을 증가시키려 하지만, Si의 취성 효과에 인한 상용 압연 기술의 한계로 Si강의 두께를 0.2 mm 이하로 줄이는 것은 어렵다. 압하율을 증가시키더라도 한 번에 0.1 mm 이하로 제조하기는 어려우므로, 압연과 열처리를 두 차례 반복하는 기술에 대한 관심이 높아지고 있다. 그러나 과거에는 시행착오 방법을 이용하여 가장 낮은 철손을 가지는 성분 및 열처리 조건을 찾는 연구가 수행되어 왔다. 시행착오 방식으로는 최적 조건을 신속하게 도출하기 어렵고 많은 실험이 요구되기 때문에, 최근 다양한 산업 분야에 적용되고 있는 인공지능(AI) 기법이 효과적인 대안으로 주목받고 있다.

최근 자율주행 및 ChatGPT에 활용되고 있는 인공지능 기술은 다양한 산업 전반에 걸쳐 혁신적인 변화를 이끌고 있다. 소재 분야에서도 일반적인 머신러닝, 시계열 기반 머신 러닝, 이미지 딥러닝 등의 기법이 신약 개발, 신소재 설계, 제조 공정 최적화 등의 연구에 폭넓게 적용되고 있다[⁷-¹¹].

다양한 기술이 발전하는 가운데, 머신러닝 연구 분야에서 관심을 가지고 있는 핵심적인 분야 중 하나는 파라미터 최적화라 할 수 있다. 머신러닝 모델의 성능을 향상시키기 위해서는 하이퍼파라미터 최적화가 머신러닝 및 딥러닝 모두에서 중요한 역할을 수행한다. 전통적으로는 그리드 서치, 랜덤 서치, 베이지안 최적화와 같은 방법이 모델 파라미터를 최적화하는데 사용되어 왔다. 그러나 이 분야는 지속적으로 발전해 왔으며, 최근에는 모델 선택부터 하이퍼파라미터 튜닝까지 전 과정을 자동화하는 AutoML (Automated Machine Learning) 기술이 개발되었다. AutoML은 전문가의 경험에 대한 의존도를 줄이고, 비전문가도 고성능 모델을 설계 및 최적화할 수 있도록 함으로써 머신러닝의 접근성을 크게 향상시켰다.

데이터 생성 분야에서 주목받고 있는 또 다른 기술은 적대적 생성 신경망(GAN)이다. GAN은 기존 데이터셋을 기반으로 인공(가상) 데이터를 생성함으로써 실험 데이터의 부족 문제를 해결하고, 재학습을 통해 AI 모델의 성능을 향상시킬 수 있다. 가장 최근에 알려진 응용 사례로는 딥페이크 기술이 있다. 이는 기존 사진이나 영상 데이터에서 타인의 얼굴을 인식해 실제로 존재하지 않는 사진을 생성하는 기술이다. 이 기술은 가상 데이터를 지속적으로 수정하며 데이터를 생성하는 방식으로, 예를 들어 가상의 데이터가 범죄자이고 판별기가 경찰관이라면, 경찰관이 범죄자를 범죄자로 인식하지 않을 때까지 범죄자의 진술을 수정하는 방식으로 작동한다[¹²-¹⁴].

소재 분야에서도 GAN의 응용 사례가 보고되고 있다. 이는 소재 연구에서 고품질 데이터를 대량으로 실험을 통해 생성하는 것이 어렵기 때문이다. 강화학습, 베이지안 등의 기법과 GAN을 결합하거나 변형한 연구는 존재하나, 외삽을 줄이기 위한 데이터 증강 기법을 적극적으로 활용한 연구는 제한적인 상황이다[¹⁵-¹⁷].

자기적 특성 예측은 비선형 히스테리시스 거동을 모델링해야 하며, 이는 결정립 크기 및 구조가 동시에 변화함에 따라 더욱 복잡해진다. 현재까지 산업계에서는 제한된 실험 데이터를 기반으로 한 경험적 선형 예측법이나 물리 기반 모델을 활용하여 자기 특성을 추정하는 방법이 주로 사용되어 왔다[¹⁸-²³]. 히스테리시스는 물리적으로도 복잡도가 매우 높은 현상이며, 이를 정밀하게 기술하기 위해서는 Presisach 모델이나 Micromagnetics 기반의 엄밀한 계산이 요구되는 경우가 많다. 이처럼 난해한 물리 현상을 기계학습을 통해서 접근하려 한다. 이러한 연구 흐름은 최근 통계적 기계학습 기법을 통해 히스테리시스 곡선 자체를 수치적으로 예측하려는 시도로 이어지고 있으며[²⁴-²⁷], 이는 자기이력 곡선을 기계학습 이론에 기반한 통계적 모델로 구현하려는 연구와도 동일한 접근 방식을 따른다. 또한, 일부 접근법은 대규모 실험 데이터의 분석에 초점을 맞추고 있다.

이를 구현하기 위해서는 기계학습 모델이 학습할 수 있을 만큼의 충분한 데이터셋 확보가 필수적이며, 일반적으로 AI 모델은 더 많은 데이터셋을 통해 높은 예측 정확도를 달성할 수 있다. 그러나 실험만으로 데이터를 확보하는 데에는 명확한 한계가 존재한다. 이러한 문제를 해결하기 위해, 본 연구에서는 AutoML 및 GAN 기술을 활용하여 소수의 실험만으로도 예측 정확도를 높일 수 있는 순방향 자화 예측 모델을 효과적으로 개발하고, 이를 통해 고자속밀도 조건을 예측 및 검증하고자 한다.

2. 실험 방법 및 데이터 설계 체계

3. 결과 및 고찰

본 연구는 세 단계(Level 1~3)에 걸쳐 GAN 기반 데이터 증강이 예측 모델 성능에 미치는 영향을 체계적으로 분석하였다. 각 단계는 데이터 분포 특성의 이해(Level 1), 증강 최적 수량 탐색(Level 2), 다양한 조건 확장에 대한 일반화 성능 검증(Level 3)을 목적으로 구성되었다.

Level 1에서는 GAN을 활용한 데이터 증강이 TPOT, FLAML, XGBoost의 세 가지 예측 모델에 미치는 영향을 검토하였다. 이를 위해 전체 데이터 중 무작위로 5개의 조건을 선정하였으며, 각 조건당 100개의 데이터를 증강하여 총 500개의 데이터를 생성하였다. 그림 4는 본 실험 설정에 따라 선택된 다섯 가지 조건: 1100°C 1분, 800°C 6분, 900°C 12분, 1000°C 4분, 1050°C 2분에 대한 증강 데이터의 분포를 나타낸다.

이 단계에서는 서로 다른 열처리 조건하에서 GAN이 실제 데이터의 특성을 얼마나 잘 모사할 수 있는지, 그리고 예측 모델의 성능 향상 가능성을 사전에 탐색하였다.

그림 4(a)는 증강된 데이터가 B 데이터 기준으로 히스테리시스 곡선 상단 30% 영역에 주로 집중되어 있음을 보여준다. 상단 30% 혹은 하단 30% 구간 중 하나를 선택하여 증강을 수행하였다. 또한 총 다섯 가지 온도 조건에 대해 데이터를 학습하고 증강하는 과정에서 온도 변화에 따라 가장 큰 차이를 보인 영역은 H 데이터 기준으로 약 200~600 A/m 구간이었으며, 이 영역이 주로 증강된 것으로 보인다. 그림 4(b)는 800°C 조건에 대한 증강 데이터를 별도로 나타낸 것으로, H 데이터 기준 200~600 A/m 구간에 증강 분포가 집중되어 있음을 확인할 수 있다.

이는 GAN 모델이 학습 과정에서 전체 데이터를 고르게 반영하기보다는 특정 구간에 집중하여 증강하는 경향을 보였기 때문으로 해석된다. 특히 데이터 분포 내 일부 영역에 새로운 샘플이 군집하는 경향이 나타났다. 이러한 결과는 향후 증강 데이터의 분포 특성에 대한 보다 정교한 조정이 필요함을 의미한다.

그림 5는 GAN을 활용한 데이터 증강이 TPOT, FLAML, XGBoost 모델에 미치는 효과를 분석한 결과를 나타낸다. 증강 이전, XGBoost 모델은 R² Score 0.9562, MSE 0.0541의 성능을 보였다. FLAML 모델은 R² Score 0.9560, MSE 0.0544로 XGBoost와 유사한 성능을 보였으며, 자동화된 모델 탐색 기능을 통해 빠르게 최적 모델을 구축할 수 있었다. TPOT 모델은 R² Score 0.9560, MSE 0.0544의 성능을 보였으며, 유전 알고리즘 기반 탐색을 통해 자동으로 최적 모델을 구성하였다. 185.56초의 학습 시간 동안 준수한 예측 성능을 확보하였으며, 자동화된 탐색이라는 장점이 있지만 탐색 과정에서 세대별 반복이 필요하고, 모델 구성 해석에는 다소 복잡성이 존재한다.

증강 이후, XGBoost 모델은 R² Score 0.9572, MSE 0.0529로 소폭 성능 향상을 보였고, FLAML 모델은 R² Score 0.9983, MSE 0.0022로 큰 폭의 성능 향상을 나타냈다. TPOT 모델 또한 R² Score 0.9568, MSE 0.0534로 소폭 개선되었으며, 총 학습 시간은 225.69초로 증가하였다. FLAML의 경우, LightGBM 모델이 선택되어 사용되었다. XGBoost는 MSE가 0.0012 감소, FLAML은 0.0522 감소, TPOT는 0.0010 감소하였다. 데이터 증강을 통해 FLAML은 약 95.96%의 MSE 개선을 달성하였고, TPOT와 XGBoost는 각각 약 1.84%, 2.2%의 개선을 보였다. FLAML은 TPOT 대비 약 94.12% 더 높은 성능 향상률을 나타냈다.

특히, FLAML은 약 60초 내외의 짧은 학습 시간 동안 에도 데이터의 특성과 증강 효과를 효율적으로 분석하여 뛰어난 예측 성능을 달성하였다. 이는 FLAML의 경량화된 탐색 알고리즘과 자원 최적화 설계가 복합적인 데이터 환경에서도 신속하고 정확한 모델링을 가능하게 함을 보여준다. 이러한 특성 덕분에 FLAML의 자동화된 방식이 GAN과 결합될 경우, 제한된 시간과 자원 환경에서도 더욱 우수한 성능을 발휘할 수 있음을 의미하며, 향후 다양한 데이터 처리 기반의 GAN 평가에서도 FLAML의 AutoML 방식을 활용한 모델 구축 및 적용이 계획되고 있다.

FLAML을 사용할 때, 증강 데이터는 H 데이터 기준 400~800 A/m 구간에 집중되는 경향을 보였다. 특히 FLAML 모델에서는 이 구간의 증강 데이터 밀도가 더욱 높게 나타났으며, 이는 GAN이 데이터의 핵심 변화를 포착하여 해당 영역을 중심으로 증강을 수행한 결과로 해석된다. 본래 데이터에서 변화가 가장 뚜렷하게 나타나는 영역에 증강이 집중됨으로써, GAN이 FLAML 모델의 예측 성능 향상에 크게 기여할 수 있었다.

위의 GAN을 통한 모델의 MSE의 향상은 자속밀도 예측의 정밀도가 산업적으로 매우 중요한 무방향성 전기강판 분야에서 의미 있는 성과로 해석될 수 있다. 무방향성 전기강판의 자속밀도 값은 소수점 둘째 자리 수준의 차이(예 : 1.62T ↔ 1.56T)에 따라 제품 등급이 달라지며, 이에 따라 소재의 용도는 물론 시장 가격에 큰 차이가 발생한다[³⁷]. 특히, 무방향성 전기강판은 모터 코어와 같은 고정밀 전자기기기에 사용되므로, 히스테리시스 커브에서 나타나는 자속밀도의 미세한 변화는 실제 제품의 전자기적 성능에 직접적인 영향을 미친다. 따라서 자속밀도 예측 모델의 높은 정밀도와 낮은 오차가 필수적이다.

본 연구에서는 FLAML 모델에 대해 RMSE 관점에서 성능을 비교하였으며, GAN 사용 이전에는 RMSE가 0.23인 반면 GAN 사용 이후에는 0.04로 약 0.2의 차이를 나타냈다. 이와 같은 성능 향상은 무방향성 전기강판의 자속밀도 특성 측면에서 매우 유의미한 결과로 해석되며, 고급 전자기 소재 예측 모델로서의 실용 가능성을 높일 수 있다.

이에 따라 본 연구는 추가적으로 GAN의 데이터 증강 방식에 변화를 주어 모델 성능을 고도화할 수 있는 가능성을 탐색하고자, Level 2 및 Level 3의 실험 단계를 통해 보다 정교한 분석을 수행하고자 했다.

Level 2에서는 FLAML과 GAN을 활용하여 실험되지 않은 데이터를 증강할 때, 최적의 모델 적합을 위해 GAN으로 얼마나 많은 데이터를 증강해야 하는지를 확인하기 위한 조건 탐색을 수행하였다. 열처리 변수 중 시간과 온도 중에서, 온도를 고정하고 시간을 변화시키는 방식으로 데이터를 제어하였다. 온도는 1100 °C로 고정하고, 1, 3, 20, 40, 50분의 데이터를 기반으로 GAN을 통해 4분 데이터를 생성하였다. 이후, 1, 3, 20, 40, 50분의 모델 적합과 4분 데이터를 추가한 1, 3, 4, 20, 40, 50분 모델 적합을 비교하여 GAN의 효과성을 검토하였다. 테스트 데이터는 1100°C에서 2분 조건의 데이터로 설정하였다.

또한, GAN을 통한 증강 횟수를 1000, 2000, 3000, 4000, 5000, 6000개로 점차 증가시켜가며, 최적의 증강 개수를 탐색하였다. 이때, 1, 3, 20, 40, 50분의 각 데이터 수는 약 4000개 수준이었다. 그림 6은 GAN을 통해 증강된 데이터를 시각화한 결과를 나타낸다.

그림 6(a)는 1000개의 증강 결과를 시각화한 것이다. 앞서, TPOT, FLAML, XGBoost와 GAN의 관계에서 나타났던 유효성 확인 결과와 유사하게, GAN을 통한 증강 데이터는 H 데이터 기준 중심선 대비±30% 내에서 증강되었다. 그러나 증강 횟수가 증강하여 (b), (c), (d), (e), (f)로 진행됨에 따라, 증강 위치는 고정되지 않고 위아래로 무작위로 계속 변화하는 양상을 보였다.

그림 7은 1100°C 실험 데이터 기반으로 학습된 모델에 대해, GAN을 통해 생성된 데이터를 순차적으로 포함시켜 가며 평가한 결과를 나타낸다. 예측 성능은 증강 데이터를 4000개까지 추가했을 때 가장 우수하였으며, 그 이상 증강할 경우 오히려 성능이 저하되는 경향을 보였다. 이는 단순히 증강 데이터의 양이 많아진다고 해서 모델의 예측 성능이 향상되는 것은 아님을 의미한다. 기존 실험 데이터의 경우, 시간 조건별로 약 4000개의 데이터가 포함되어 있었고, 이 수준에서 생성된 데이터가 실제 데이터와 가장 조화를 이루었을 가능성이 있다. 기존 데이터의 양이 충분히 많아 보였음에도 불구하고, 실제 모델 정확도를 높이기 위해서는 데이터 다양성과 특정 조건에 대한 최적화가 필요함을 보여준다.

그럼에도 불구하고, 기존의 4000개 데이터만으로는 정확도가 부족한 경우도 존재하였다. 예를 들어, 특정 조건에서 누락된 데이터 비율이 일정 수준을 초과할 경우, 데이터 증강을 통해 부족한 부분을 보완할 필요가 있었다. 데이터 증강의 효과는 단순한 양적 확장보다는 기존 데이터의 특성과의 균형 관점에서 검토되어야 할 것으로 판단된다. 본 연구에서는 온도 및 시간 조건에 대해 기존 4000개 데이터를 기준으로 하나의 조건에 대해 증강된 수치를 최적 값으로 간주하였다. 이는 단순히 데이터 양을 늘리는 것이 예측 성능 향상으로 이어지지 않는다는 결과에서 도출된 전략이다. 따라서 데이터 증강은 기존 데이터의 특성과 잘 맞아떨어질 때 의미가 있으며, 이러한 균형을 잘 맞추는 것이 예측 성능 최적화에 있어 중요한 요소임을 확인하였다. 실제 데이터와 조화를 이루는 증강 데이터일수록 모델의 성능이 더 우수하게 나타났다.

마지막으로, Level 3에서는 다양한 온도(800°C~1100°C) 및 시간 조건(1분~50분)에 대해 GAN의 효과성을 확인하였다. 이는 Level 2에서 1100°C를 고정하여 다양한 시간 조건에 대해 적용했던 실험을 확장한 것으로, 각 온도별로 5개의 시간 조건을 사용하였으며 총 데이터 수는 약 100,000개였다. 모델 학습 이후, GAN을 통해 추가된 데이터가 모델 성능에 미치는 영향을 평가하였다. 그림 8은 실험 결과를 세 단계로 나누어 보여준다.

Step 3.1은 실험을 통해 얻어진 실제 데이터만을 이용하여 모델을 학습한 결과이며, 기존의 온도 및 시간 조건(800°C~1100°C, 1분~50분)이 포함되었다. 본 실험에서 850°C의 8분 데이터를 예측할 경우 R² score는 0.9575, MSE는 0.0525였다. Step 3.2에서는 기존 측정 데이터를 기반으로 온도별 시간에 대해 각각 100개의 데이터를 GAN을 통해 증강하였으며, 동일한 모델을 재학습하여 결과를 확인하였다. 이때 800°C부터 1100°C까지 각각의 온도에 대해 100개의 증강 데이터가 추가되었다. GAN을 통해 증강된 데이터를 포함한 모델은 기존 모델보다 더 나은 성능을 보여주었으며, R² score는 0.9647, MSE는 0.0436이었다.

Step 3.3에서는 테스트 시 실제로 측정되지 않았던 시간 조건에 대해 새로운 시계열 데이터를 GAN으로 생성하여 증강 데이터를 추가하는 실험을 진행하였다. 예를 들어, 800°C에서는 기존의 1분, 3분, 4분, 6분, 20분 데이터를 활용하여 새로운 8분 데이터를 생성하였고, 900°C, 1000°C, 1050°C, 1100°C의 경우에도 동일 방식으로 새로운 시간 조건이 추가되었다(900°C의 2분, 1000°C의 5분, 1050°C의 7분, 1100°C의 4분). 이때 각 온도당 총 4000개의 데이터가 증강되었으며, 원본 실험 데이터와 함께 100개의 증강 데이터를 포함하여 FLAML 최종 모델을 학습시켰다. 그 결과, R² score는 0.9827, MSE는 0.0213으로, 예측 성능이 크게 향상되었음을 확인할 수 있었다.

Step 3의 성능 향상은 데이터 증강이 실제 예측 정확도 향상에 유의미한 영향을 줄 수 있음을 보여준다. 특히 많은 양의 데이터 증강이 이루어졌을 때 성능이 향상되었으며, 이는 데이터 양이 모델의 예측 능력에 긍정적인 효과를 줄 수 있음을 시사한다. 따라서 대규모 데이터 시스템에서도 GAN을 통한 데이터 증강이 효과적일 것으로 판단된다.

그림 9는 Step 3에서 도출된 최종 예측 모델을 기반으로, 온도와 시간에 따른 B DATA(T) 값을 분포 형태로 시각화한 히트맵 결과를 나타낸다. 그림 9(a)는 각 온도에 대해 하나의 시간 데이터만을 사용하여 예측한 결과를 나타내며, 그림 9(b)는 각 온도에 대해 여섯 개의 시간 데이터를 사용하여 보다 정교한 예측 결과를 시각화하였다. 히트맵을 통해 그림 9(b)의 예측 성능이 그림 9(a)와 비교하여 확연히 향상되었음을 확인할 수 있었다.

가장 높은 B 값은 800°C에서 관측되었으며, 해당 조건(Temperature = 800, Time = 6.14)에서 예측된 값은 1.4726이었다. 실제 실험 데이터에서 동일한 조건 하에 측정된 B 값은 1.5012로, 예측값과 실제값이 매우 유사하여 모델의 신뢰성을 입증하였다. 이는 800°C에서 6분 조건이 자성 특성 측면에서 가장 우수한 조건임을 보여준다. 히트맵에서 가장 낮은 B 값은 1100°C 약 3분 조건에서 나타났으며, 이때의 실제 측정값은 1.139였다. 이 결과는 고온 조건에서 자성 특성이 저하되는 경향을 모델이 잘 반영하고 있음을 확인시켜준다.

특히 그림 9(b)에서는 800°C 조건에 대한 예측값이 높은 빨간색 분포 형태로 표현되었으며, 800°C 1분 이내의 조건은 잘못 예측된 구간으로, 무의미한 값으로 표시되었다. 그림 9(a)와 비교했을 때, 그림 9(b)는 온도 및 시간 조건별 예측 분포가 훨씬 더 정밀하고 정확하게 표현되었으며, 데이터의 세분화가 잘 반영된 결과를 보여준다. 예를 들어, 그림 9(a)에서는 B 값이 1.0~1.4와 같은 구간으로 표현되지만, 그림 9(b)에서는 1.15~1.45와 같이 더 세분화 된 값으로 표현된다. 이는 예측 결과의 정확도와 정밀도가 향상되었음을 의미한다. 정제된 B 값은 모델이 보다 정밀한 예측을 제공하며, 최종 예측 모델이 온도 및 시간 조건에 따른 자성 특성을 보다 정확하게 반영하고 있음을 나타낸다.

그림 10은 자속밀도 B8 기준으로 가장 우수한 값을 나타낸 조건인 800°C 6분, 1.501T와, 가장 낮은 값을 보인 1100°C 3분, 1.139T 조건에 대해 히스테리시스 곡선의 변화를 나타낸 결과이다. 이 결과는 B8 값을 다시 한번 확인시켜주는 근거가 된다. 그림 11은 히트맵 분석을 통해 도출된 조건 중 하나에 해당하는 800 °C 6분, 1.501T 및 1100°C 3분 1.139T 조건에 대한 시편의 결정립 사진을 나타낸 것이다. 800°C에서는 평균 결정립 크기가 약 30 μm 수준이었으나, 1100°C에서는 약 200 μm로 결정립 크기가 급격히 증가하는 것이 확인되었다.

이러한 결정립 성장(grain growth)은 열처리 온도 및 시간이 증가함에 따라 재결정 후 성장 단계에서 구동력(driving force)의 변화와 grain boundary mobility의 상승에 기인한 것으로 해석된다. 이는 입력된 열처리 조건이 결정립 성장에 직접적인 영향을 미치며, 이로 인해 자성 특성의 차이를 초래하는 구조적 원인이 됨을 보여준다. 결정립 크기가 증가하면서 domain pinning site가 줄어들어 포화 자속밀도(saturation flux density)에는 긍정적인 영향을 줄 수 있지만, <111> texture의 증가와 함께 일어날 경우 자화가 더욱 어려워지는 방향으로 자성 특성이 변화할 수 있다.

이와 같이 집합조직 측면에서 본다면 압연 texture와 재결정 texture 형성과의 영향으로 설명이 가능하다. <100>//ND texture는 무방향성 전기강판에서 고자속밀도를 구현하는데 유리한 결정학적 orientation을 제공한다. 이 texture는 자화가 용이한 <100> 방향의 결정립이 두께 방향으로 배열되어 있기 때문에 외부 자기장에 대해 높은 자화율과 낮은 히스테리시스 손실을 나타내는 것이 특징이다. 그러나 열처리 온도가 높아지고 시간이 길어질수록 재결정 과정에서 결정립 회전 및 성장이 발생하면서 α fiber의 지배적인 분율이 감소하게 되고, 대신 <111>//ND 방향의 재결정 집합조직이 증가한다. <111> texture는 자화가 어려운 방향이기 때문에, 이러한 조직 변화는 자속밀도의 감소뿐만 아니라 포화가 도달하기까지 더 큰 자장을 요구하게 되어 히스테리시스 곡선이 완만하게 변화하는 결과를 초래한다. 그리고 고온 장시간 조건에서는 grain boundary의 움직임이 특정 결정 방향의 우세한 발달을 방해하는 방향으로 작용하며, 이로 인해 무작위 texture의 분율이 증가하는 경향도 관찰된다. 이는 AI 모델이 최적 열처리 조건을 도출하는 도구로 활용될 수 있는 가능성을 의미하며, 향후에는 열처리 조건의 연속적인 변화에 따른 자성 곡선의 물리적 반응을 보다 정밀하게 학습하기 위해 증강 데이터의 다양성과 정밀도 제어 전략이 중요해질 것이다. 특히, rotated cubic 조직을 유지하면서 <111> texture가 과도하게 발달하지 않도록 제어할 수 있는 조건을 탐색하는 과정은 AI 예측 시스템은 히스테리시스 곡선의 정밀한 예측뿐만 아니라, 결정립-texture-자성 특성 간의 연계 메커니즘을 분석하는 데에도 효과적으로 활용될 수 있다.

한편, GAN은 영상 인식 분야에서 뛰어난 성능을 보이고 있는 기술로, 본 연구의 히스테리시스 루프 데이터뿐만 아니라 자성에 큰 영향을 미치는 집합 조직 정보 학습에도 확장 가능성을 지닌다. 집합 조직을 효과적으로 모델링할 수 있다면, 자성 특성 예측의 정확도와 해석력이 더욱 향상될 수 있으며, 이는 자성 특성과 미세구조 데이터를 통합한 다중 물리 인자 기반 모델링으로의 발전 가능성을 제시한다. 향후에는 이러한 시스템에 베이지안 최적화나 강화학습을 융합함으로써, 보다 정밀하고 효율적인 조건 탐색 및 최적 설계가 가능할 것으로 기대된다.

4. 결 론

전기차 모터 코어의 에너지 효율을 극대화하기 위해, 상용 0.5 mm 무방향성 Si강을 상용화되지 않은 0.1 mm 두께까지 재압연하였다. 자속 밀도는 에너지 효율의 핵심 인자로, 이를 극대화하기 위해 열처리 조건을 기반으로 히스테리시스 AI 모델링을 진행하였고, 그 모델의 예측 정확도를 최적화하였다. 이때, 실험 횟수가 적은 조건에서도 모델의 정합성을 높이기 위해 데이터 증강 기법인 GAN과 AutoML을 활용하였으며, GAN과 AutoML 기법의 효과를 분석하였다.

1. 본 연구는 GAN 기반 데이터 증강이 다양한 예측 모델 성능에 미치는 영향을 분석하였다. Level 1에서는 제한된 데이터 상황에서 GAN 증강의 유효성을 TPOT, FLAML, XGBoost 모델을 대상으로 검토하였다. 다섯 개의 조건을 선정하고, 각 조건당 100개씩 총 500개의 데이터를 증강하여 실험을 진행하였다. 증강된 데이터는 히스테리시스 곡선의 B 데이터 상위 30% 구간, 특히 H 데이터의 200~600 A/m 범위에 주로 집중되어 있어, 데이터 분포의 조정 필요성이 제기되었다.

2. 예측 성능 측면에서, 증강 전에도 X GBoost, FLAML, TPOT 모두 우수한 성능을 보였으나, GAN 증강 이후 모든 모델의 성능이 향상되었다. 특히, 트리 기반 AutoML 모델인 FLAML은 MSE가 0.0544에서 0.0022로 크게 감소하며 가장 큰 성능 향상을 나타냈다. 증강된 데이터는 H값 400~800 A/m 범위에서 효과적으로 풍부하게 보완되었으며, 이 구간에서 FLAML 모델의 예측 정확도가 크게 향상되었다.

3. FLAML과 GAN을 결합하여 비실험 데이터 조건을 증강할 때, 모델 적합도를 극대화하기 위해 하나의 데이터 형상 내에서 소수의 지점을 증강하는 것이 효과적인지를 분석하였다. 온도를 1100°C로 고정하고, 1, 3, 20, 40, 50분 조건을 기반으로 GAN을 이용해 4분 데이터를 생성할 때, 증강 횟수를 1000개에서 6000개까지 증가시키며 최적의 증강 수를 찾았다. 그 결과, 4000개 증강에서 모델 적합도 향상이 극대화되었으며, 이는 다른 데이터 형상 지점과 유사한 수의 데이터를 확보하는 것이 가장 효과적임을 의미한다.

4. 온도와 시간 조건을 모두 변화시키며 FLAML과 GAN을 결합한 경우, 모델 적합도 향상이 확인되었다. R² score은 0.9647에서 0.9827로 증가하였고, MSE는 0.0436에서 0.0213으로 감소하였으며, 편차는 MSE 기준의 절반 이하로 줄어들어, FLAML과 GAN을 통한 가상 실험 데이터의 추가가 모델 예측에 효과적임을 확인하였다.

5. 최종 예측 모델은 B DATA(T) 값을 온도와 시간에 따라 히트맵 형태로 시각화하였다. 데이터 검증 결과, 1.5012T 이상의 자속 밀도를 갖는 재압연 Fe-Si 합금 시트가 구현 가능함을 확인하였고, 이는 실제 실험을 통해서도 입증되었다. 이는 히트맵 상 최저 조건인 1.139T 대비 25% 이상의 향상이며, 이러한 성능 향상은 열처리 조건에 따른 결정립 성장과 집합조직의 변화에 기인한 것으로 판단된다.