올해 4월 한국기계연구원은 옷에 부착하여 사람의 근육을 도와 더 많은 힘을 쓸 수 있도록 해주는 인공 근육Artificial muscle을 옷감의 형태로 개발하였습니다. 나아가 이를 응용하여 의복형 웨어러블 로봇을 만드는 데 성공했다고 합니다. 연구팀은 머리카락보다도 2배가량 더 얇은 40μm 정도의 굵기의 형상기억합금Shape-memory alloy을 스프링 형태로 꼬아서 실을 만들고 그 실을 엮어 근육 옷감을 만들었다고 하는데요. 실제 옷감을 만드는 방식과 비슷하여 기존에 사용하는 직조기를 이용한 대량생산도 가능하다고 합니다. 또 손바닥 크기의 근육 옷감이 6.6g 정도밖에 되지 않아 매우 가볍고 이 크기로 무려 1500배에 달하는 10kg을 들어 올릴 수 있다고 하네요.

보통의 형상기억합금은 다른 모양으로 변형시키더라도 가열에 의해 다시 변형 전의 모양으로 되돌아오는 성질이 대표적입니다. 하지만 이번에 사용한 합금의 경우 전류를 흘려주면 근육이 수축하듯이 형상기억합금이 수축하는 성질을 가지고 있습니다. 이 성질을 활용해 전류를 적절히 조절하며 근육 수축Contraction과 이완Relaxation을 보조하는 역할을 수행합니다. 근육 옷감이 택배, 공사장과 같은 육체적 노동 분야나 헬스케어, 재활 분야에까지 적용될 미래가 기대되네요!

원격으로 통신하는 기술은 정보화 시대 이후 우리에게 익숙한 기술이 되었는데요. 단순히 시각이나 청각 정보가 아닌 촉각 정보도 전달할 수 있다면 어떨까요? 이전에도 이런 기술을 개발하려는 노력이 이어져 왔지만 이번에 한국전자통신연구원ETRI에서 15m 원격에서 촉감을 주고받는 원천기술을 개발하는데 성공했답니다. 이 텔레햅틱tele-haptic이라는 기술로 연구진은 금속, 플라스틱, 고무 등 여러 가지 물질의 질감을 주고받는 실험에 성공하였고, 또한 촉감으로 ‘E T R I’라는 글자도 모스부호화하여 전송했다고 합니다. 센서를 통해서 촉감, 질감, 소리를 무려 97%의 정확도로 동시 전달할 수 있게 되었다고 하네요. 그렇다면 어떤 과학적 기술이 사용된 것일까요? 먼저 기계를 동작시키는 액추에이터Actuator, 힘을 가하면 전기를 만드는 압전소재Piezoelectric material, 그리고 센서Sensor 등이 필요합니다. 센서로 촉각 정보를 수집하고 액추에이터를 통해 이 정보를 촉각으로 재현합니다. 특히 압전 액추에이터는 기존 단순 적층 세라믹 구조를 변형한 멀티몰프Multi-Morph 방식을 사용하며 높은 출력과 11배의 변위 차이를 만들어낼 수 있다고 합니다. 이때 멀티몰프 방식은 압전 소재의 분극 방향을 번갈아 가며 적층하는 기술을 말한답니다. 또 30μm의 압전 복합체 센서를 유연 기판 위에 인쇄하여 최소 1mm 크기부터 제작할 수 있다고 하는데요. 기술을 고도화하여 자동차나 장애인의 재활, 현실 세계가 반영된 가상 공간인 메타버스 등에 활용할 예정이라고 합니다. 다가올 미래에는 사고 싶은 옷의 질감을 온라인으로 느끼고, 촉감까지 적용된 VR, AR 기술이 등장할 수도 있겠군요!

사람들은 항상 더 맛있는 음식을 먹고 싶어 하고 이러한 욕구를 만족시키기 위해 끊임없는 연구와 시행착오가 이루어집니다. 이제는 이런 노력도 인간이 아닌 인공지능Artificial intelligence이 대신하는 시대가 되었답니다. 식재료 속 성분을 학습하고 조합을 구성하여 새로운 레시피를 만드는 AI가 고려대 강재우 교수 연구팀과 ‘SONY AI’의 공동 연구를 통해 개발되었습니다. AI가 새로운 레시피를 만들기 위해서는 식재료에 포함된 화학적 성분과 기존 레시피에 대한 학습이 선행되어야 합니다. 이 학습에는 1,561개의 화학 분자의 정보와 100만 개의 레시피에서 분석한 식재료 간의 관계를 통합하여 그래프로 구성한 ‘FlavorGraph’가 활용되었습니다. 2019년에 개발된 인공지능 모델의 경우 레시피 정보만을 활용하였다면 이번 모델은 화학적 정보를 추가하여 더 정교한 레시피를 도출하였다고 합니다. 즉 화학 분자와 식품 간의 새로운 관계를 예측하여 새로운 맛의 조합을 창조하는 과정을 거치는 것이죠. 앞으로는 개인의 유전적 특징, 건강 상태, 생활 방식 등을 종합적으로 고려한 개인 맞춤형 레시피와 식단을 추천하는 정밀 영양 프로그램을 구축할 연구도 진행할 예정이라고 합니다. 여러분들의 입맛과 건강까지 생각한 레시피! 기대되지 않나요?

이황화탄탈럼TaS2은 온도 변화에 따라 전도성Conductivity과 초전도성Superconductivity에 민감한 변화를 보여 센서와 메모리에 활용될 수 있기에 지금껏 많은 연구가 이루어져 왔습니다. 예전부터 이황화탄탈럼으로 실험한 결과, 상온에선 전기가 흐르는 도체Conductor이지만 절대온도 200K 이하에서는 전기가 통하지 않는 부도체Insulator로 바뀌는 특성을 보였습니다. 하지만 양자역학을 이용한 이론적 계산에서는 200K에서도 도체여야 한다는 결론이 나왔습니다. 이렇게 실험과 이론의 엇갈린 결과로 지난 40년간 물리학계에서 논란이 되었는데요.

이황화탄탈럼TaS2은 온도 변화에 따라 양자역학적 계산 시 사용한 밀도범함수이론Density functional theory, DFT에서 ‘전하밀도파’Charge density wave 상태가 제대로 고려되지 않은 것이 논쟁의 원인이었습니다. 이때 전하밀도파는 임계점Critical point 이하의 온도일 때 금속의 전자가 가지는 파동 형태의 전하 밀도를 말합니다. 또 밀도범함수이론은 전자의 위치와 밀도를 알 수 있는 양자역학적 계산 방법으로, 수많은 전자를 개별적으로 보지 않고 하나의 입자계 즉, 전자 밀도의 개념으로 가정합니다. 연구진은 이러한 가정을 하는 과정에서 발생한 오류를 바로잡았고 이 과정에서 양자역학 계산법을 한 계단 발전시킬 수 있었습니다. 특히 이산화탄탈륨의 경우 일반 부도체와는 다르게 모트(Mot) 부도체라는 특수한 부도체의 형태를 띤다는 결과가 나왔는데요. 일반 부도체는 전자가 이동할 수 있는 길 자체가 없다면, 모트 부도체의 경우 전자의 길은 있지만 전자가 매우 빼곡하게 채워져 움직일 수 없는 상태의 물질이라고 하네요. 앞으로 이러한 양자역학적 연구로 더욱 놀라운 물리적 성과가 나오길 기대해 봅니다!

빅데이터를 분석하기 위해선 기본적으로 빅데이터 분석 인프라 기술을 기반으로 그 위에 다양한 분석 방법 및 기계학습, 인공지능 기법을 적용해야 합니다. 이 중에서 먼저 비정형 데이터를 처리하기 위한 기술과 알고리즘을 알아봅시다. 비정형 데이터는 영상이나 그림, 음성, 문서처럼 구조화되지 않은 데이터로 일정한 규격과 형태를 지니지 않은 데이터를 말합니다. 이런 비정형 데이터를 처리하기 위한 대표적인 분석 기술에는 텍스트 마이닝 Text Mining이 있습니다. 텍스트 마이닝은 데이터 수집 및 저장, 자연어 처리 및 텍스트 마이닝, 결과를 통한 의미 추출의 순서로 진행됩니다. 데이터 수집 및 저장 단계에서는 앞서 설명한 웹 크롤러나 로그 수집기를 이용해 비정형 데이터를 HBase와 같은 데이터베이스에 저장합니다. 이렇게 수집된 데이터는 형태소 분석, 단어 청킹 Text Chunking의 자연어 처리 과정을 거치게 됩니다. 예를 들어,


라는 데이터는 형태소 분리에 따라


로 의미가 달라집니다. 형태소 분석은 Hannanum, KKma, Komora, Mecab 등의 형태소 분석기 함수를 통해 이루어지고 데이터의 빈도수를 기준으로 의미를 파악합니다. 빈도수는 “아버지” 같이 각 단어에 대해 계산하는 것이 아니라 “아버지”와 “가방”, “아버지”와 “방” 같은 핵심 단어를 묶어 빈도수를 알아냅니다.


Word2Vec에는 주변 단어들을 기준으로 중심 단어를 찾는 CBOW Continuous Bag of Words와 중심에 있는 단어로 주변 단어를 찾는 SkipGram 방식이 있습니다. 이때 Word2Vec는 다음 식의 값을 최대화하는 알고리즘입니다.


중심단어벡터($v_c$)와 주변단어벡터($u_0$) 사이의 내적값($u_0^Tv_c$)이 크다는 것은 중심단어와 주변단어 간의 유사도가 높다는 것입니다. 이를 ‘코사인 유사도’라고 합니다. 또 분모는 중심단어($c$)와 문장 내 모든 단어를 각각 내적한 것의 총합을 지수로 넣은 값입니다. 따라서 전체값을 크게 하기 위해 분모를 줄이려면 중심단어 근처에 없는 단어와 중심단어 사이의 연관성은 낮아야 하죠. 이런 원리로 자연어들을 추출한 뒤 키워드 데이터로 저장하고 상관관계 알고리즘을 통해 키워드 간의 의미를 추출합니다. 또 감정 분석을 이용해 텍스트 작성자의 감탄사나 감정을 나타내는 단어를 기반으로 작성자의 선호도를 분석하여 상품의 마케팅이나 여론 분석에 이용하기도 한답니다.

지금부터는 빅데이터를 처리하는 기계학습과 인공지능 기법에 대해 알아보겠습니다. 먼저 데이터 마이닝 Data Mining은 대규모의 데이터 안에서 체계적으로 통계적 규칙이나 패턴 같은 의미 있는 정보를 캐내는 기술입니다. 머신러닝 Machine Learning은 훈련 데이터를 통해 학습된 속성을 기반으로 예측 및 분류하는 알고리즘 분야입니다. 마지막으로 딥러닝 Deep Learning은 빅데이터에 인공신경망인 ANN Artificial Neural Network을 결합하여 머신러닝보다 더 깊은 학습을 할 수 있도록 만든 기술입니다.


이 3개의 개념은 그림처럼 서로 교집합의 영역이 많듯 본질적인 것은 비슷하지만 강조하고 싶은 특징에 따라 용어가 나뉜 것입니다. 데이터 마이닝은 현재 데이터의 특징을 알아내는 데 중점을 두는 반면 머신 러닝은 현재 데이터를 가지고 학습한 뒤 미래에 예측하는 데 중점을 두고 있습니다. 또한, 머신러닝에 속하는 딥러닝은 인간이 가르치지 않아도 ‘스스로’ 학습한 뒤 예측한다는 데 중점을 두고 있습니다. 지금부터는 앞의 3개 개념 중 딥러닝에 대해 더 자세히 다뤄보겠습니다. 딥러닝은 신경망 알고리즘 Neural Network Algorithm이 기반이 됩니다. 인공신경망은 두뇌의 뉴런이 전기신호를 전달하는 모습에서 착안한 것으로 입력값이 들어가는 입력층, 입력값을 변환하는 중간층(은닉층), 출력값이 나오는 출력층으로 나뉩니다. 또 층과 층 사이에는 가중치가 부여됩니다.


그림에서 주황색 원은 노드 Node 혹은 변환 함수로 신경망의 중간층에는 노드가 2개 이상이라는 점이 특징적입니다. 딥러닝의 경우 이런 중간층(은닉층) 자체를 여러 단계로 만들어 학습 수준과 정확도를 높였습니다. 이를 응용한 알고리즘에는 합성곱 신경망 CNN Convolutional Neural Network이 있는데요, 합성곱 신경망은 이미지 데이터를 인식하는 데 특화된 알고리즘입니다. 이미지의 각 픽셀에는 색의 정보가 숫자로 기록되어 있는데 이것을 그대로 신경망에 입력하기에는 픽셀의 양이 너무 많아 데이터의 크기를 줄여야 합니다. 이에 커널 Kernel이라는 필터를 이용해 일정 구역을 대표하는 하나의 값으로 치환하는 과정을 거치게 됩니다. 이를 합성곱 Convolution 연산이라고 합니다.


간단한 예로 입력의 첫 3 x 3 행렬은,


이라는 계산을 통해 6으로 치환됩니다. 입력 정보와 커널을 겹쳤을 때 겹쳐진 두 수를 곱한뒤 만들어지는 9개의 수를 모두 더하면 출력값이 나옴을 알 수 있습니다. 이런 방식으로 합성곱 신경망을 통해 데이터의 크기도 줄이면서 이미지의 특징도 추출할 수 있습니다.

머신러닝의 학습은 크게 지도 학습 Supervised Learning과 비지도 학습 Unsupervised Learning으로 나눌 수 있습니다.
AI에게 강아지와 고양이 사진을 구분하도록 학습하는 경우를 생각해 봅시다. 지도 학습은 강아지와 고양이 사진을 넣어주되 어떤 것이 강아지이고 어떤 것이 고양이인지 답을 알려준 뒤, 이를 기반으로 학습하는 방식을 말합니다. 이렇게 훈련 데이터에 답을 다는 것을 '레이블링' Labeling이라고 합니다. 지도 학습의 결과 AI는 들어오는 사진을 개와 고양이로 구분할 수 있게 됩니다. 반면 비지도 학습은 강아지, 고양이 사진을 주되 어느 것이 강아지고 어느 사진이 고양이인지 알려주지 않고 AI 스스로 비슷한 특징을 찾아 2개의 그룹으로 분류하게 합니다. 분류가 끝난 2개의 그룹을 강아지와 고양이로 결정하는 것은 사람이 하게 됩니다.
지도 학습에서 레이블링 된 답이 어떤 형태인지에 따라 모델은 분류 Classification나 회귀 Regression의 방법으로 답을 예측합니다. 개와 고양이같이 레이블링 된 값이 완전히 구분되면 분류를, 임의의 숫자와 같이 구분되지 않으면 회귀를 사용합니다. 이 분류와 회귀 분석을 위한 알고리즘에는 서포트 벡터 머신 Support Vector Machine, SVM이 있습니다. 이 알고리즘은 출력값들을 구분할 수 있는 평면이나 선을 긋되 출력값들과 가장 큰 폭으로 차이가 나도록 긋는 것을 기본으로 합니다. 이때 구분하는 평면이나 선을 초평면 Hyperplane이라고 하고 초평면과 출력값들의 거리 차이를 마진 Marging이라고 합니다. 서포트 벡터 머신으로 마진을 최대로 하다 보면 초평면이 휘어질 때가 있는데 이를 직선 함수로 바꾸기 위해 커널 함수 Kernel Function라는 변환 함수를 사용하기도 합니다.


비지도 학습은 대표적으로 군집 분석 Clustering Analysis를 이용합니다. 여기에는 한 군집이 다른 군집을 포함하는 계층적 군집 분석과 군집끼리 독립적인 비계층적 군집 분석이 있습니다. 또 비계층적 군집 분석은 K-means 등 거리를 기반으로 군집화하는 방법과 DB-SCAN 등 밀도를 기반으로 군집화하는 방법 으로 나눠집니다. 군집 분석을 할 때도 다양한 통계적 계산법이 있으니 관심이 있다면 더 찾아보시는 걸 추천합니다!


빅데이터를 분석하기 위해 정말 다양한 알고리즘이 존재한다는 사실, 놀랍지 않나요? 위에서 언급한 것은 극히 일부일 뿐 정말 많은 분석 방법과 그 안에 숨은 수학적, 과학적 메커니즘이 존재한답니다. 또 이런 원리들이 유기적으로 연결되어 음성 인식, 무인 자동차, AI와 같은 거대 기술이 만들어지는 것이랍니다. 이제부터는 선거와 관련된 빅데이터를 분석하는 방법을 알아볼까요?