파괴물성 예측용, 머신러닝 모델 설계
|
김동훈 KIST 소재 분야에서 이미지 데이터를 머신러닝 연구의 인풋으로 활용하는 사례가 늘고 있다. 본 발표에서는 두가지 사례를 통해, 소재 이미지 데이터의 전처리 과정의 중요성을 강조하고자 한다. 첫번째 사례는, 소재의 2차원 회절패턴 (diffraction pattern)으로부터 결정 공간군 (space group)을 분류하는 작업이다. 2차원 회절패턴은 상당히 불규칙적이고 잡음(noise)이 많다. 이를 극복하기 위해서 회절패턴에 peak의 위치를 기반으로 모양들 (shapes)을 추가하는 전처리 방법을 개발하였다. 두번째 사레에는, 스테인리스 강 내부를 측정한 3차원 X-CT 이미지로부터 파괴물성을 예측하는 작업이다. 3차원 X-CT 데이터의 내부에는 수많은 기공들이 매우 복잡한 형태로 위치하고 있어 즉각적인 머신러닝 모델에 적용이 어렵다. 이를 극복하기 위해서 토폴로지 데이터 분석법 (topological data analysis)을 도입하여 기공들의 정보를 단순한 형태로 정량화하는 전처리 방법을 개발하였다. 위의 두사례를 통해, 소재 이미지 데이터의 전처리의 중요성을 알리고자 한다. |