KR20230102757A - 메타물질의 표면패턴 생성 방법 및 시스템 - Google Patents

Abstract

메타물질의 표면패턴 생성 방법 및 시스템이 개시된다. 본 발명에 따른 메타물질의 표면패턴 생성 방법은, 변분오토인코더(Variational autoencoder, VAE) 기법에 의해 구성되는 생성망에, 메타물질의 성능지표에 관한 데이터셋을 1차 학습시키는 단계와, 상기 1차 학습 후의 생성망에, 상기 메타물질의 표면패턴과 상기 성능지표와의 쌍으로 이루어진 데이터셋을 2차 학습시키는 단계와, 상기 2차 학습 후의 생성망으로부터, 상기 표면패턴에 상응하는 n차원 은닉공간 상의 은닉벡터를 예측하는 예측인코더망(Prediction net)을 추출하는 단계, 및 상기 예측인코더망을, 상기 은닉벡터에 상응하는 상기 표면패턴을 생성하도록 구성된 역설계망(Inverse design net)에 연결하여, 심층 생성망(Deep Generative Model)을 구성하는 단계를 포함한다.

Description

메타물질의 표면패턴 생성 방법 및 시스템{METHOD AND SYSTEM FOR DESIGNING META-MATERIAL SURFACE PATTERNS}

본 발명은, 메타물질의 표면패턴(메타패턴)과 물리적 특성(성능지표) 간의 연관 관계를 학습시킨 심층 생성망의 구축을 통한, 원하는 성능지표를 만족하는 새로운 메타물질의 역설계 방법에 연관된다.

메타 물질이란 일반적으로 자연계에서 발견되지 않는 독특한 특성을 보이는 인공적으로 개조된 구조를 가지는 물질로서, 전자기 파동, 음향 파동과 같은 파동에 대한 음의 굴절률, 극한 양의 굴절률 등을 예로 들 수 있다.

메타 물질은 산업 현장이나 군사 분야에서 다양하게 활용되고 있다. 예를 들면, 스텔스 비행기의 전파흡수도료의 개발, 잠수함의 음향 무반사 표면층 개발, 스텔스 함정, 자동차 유리창의 전파 흡수체 설계 등에 사용된다.

하지만 높은 관심에도 불구하고, 요구되는 특성을 나타내는 메타 물질 구조를 설계하는 데에는 어려움이 있었다.

종래에는 주로 전문가의 경험치에 의존하여 메타 물질을 구성하는 다양한 파라미터의 조합을 발견하고 있으며, 많은 시행착오를 거쳐 새로운 물질을 설계할 수 있었다.

그러나 성능지표에 영향을 미치는 입력 파라미터의 차원이 너무 높고, 조합할 파라미터도 너무 많기 때문에, 메타 물질의 설계에 소요되는 시간과 비용이 크게 증가하는 문제가 있었다.

이에 따라, 생성망 기반의 효율적인 메타 물질의 설계를 위한 기술에 대한 필요성이 증대되고 있다.

본 발명의 실시예는 메타물질의 표면패턴(메타패턴)과 물리적 특성(성능지표) 간의 연관 관계를 학습시킨 심층 생성망(Deep Generative Model)을 구축함으로써, 심층 생성망을 통해 원하는 성능지표를 만족하는 새로운 메타물질을 효율적으로 역설계하는 것을 목적으로 한다.

본 발명의 실시예는, 심층 생성망을 통한 메타물질 설계를 최적화 알고리즘('CMA-ES'와 같은 진화 알고리즘 등)에 따라 수행함으로써, 최적 성능의 메타패턴을 탐색하는 것을 목적으로 한다.

본 발명에 따른 메타물질의 표면패턴 생성 방법은, 변분오토인코더(Variational autoencoder, VAE) 기법에 의해 구성되는 생성망에, 메타물질의 성능지표에 관한 데이터셋을 1차 학습시키는 단계와, 상기 1차 학습 후의 생성망에, 상기 메타물질의 표면패턴과 상기 성능지표와의 쌍으로 이루어진 데이터셋을 2차 학습시키는 단계와, 상기 2차 학습 후의 생성망으로부터, 상기 표면패턴에 상응하는 n차원 은닉공간 상의 은닉벡터를 예측하는 예측인코더망(Prediction net)을 추출하는 단계, 및 상기 예측인코더망을, 상기 은닉벡터에 상응하는 상기 표면패턴을 생성하도록 구성된 역설계망(Inverse design net)에 연결하여, 심층 생성망(Deep Generative Model)을 구성하는 단계를 포함할 수 있다.

본 발명에 따른 메타물질의 표면패턴 생성 시스템은, 변분오토인코더(VAE) 기법에 의해 구성되는 생성망에 메타물질의 성능지표에 관한 데이터셋을 1차 학습시키고, 상기 1차 학습 후의 생성망에 상기 메타물질의 표면패턴과 상기 성능지표와의 쌍으로 이루어진 데이터셋을 2차 학습시키는 학습부, 및 상기 2차 학습 후의 생성망으로부터, 상기 표면패턴에 상응하는 n차원 은닉공간 상의 은닉벡터를 예측하는 예측인코더망을 추출하고, 상기 예측인코더망을, 상기 은닉벡터에 상응하는 상기 표면패턴을 생성하도록 구성된 역설계망에 연결하여, 심층 생성망을 구성하는 구성부를 포함할 수 있다.

본 발명에 따르면, 심층 생성망을 통한 메타물질의 역설계를 통해 기존 메타물질 설계 방식에서의 전문가의 경험치에 의존한 노동집약적인 최적화 과정 및 시행착오를 최소화하여, 원하는 성능지표를 만족하는 새로운 메타물질을 보다 효율적으로 설계할 수 있다.

본 발명에 따르면, 심층 생성망을 통한 메타물질 설계를 최적화 알고리즘('CMA-ES'와 같은 진화 알고리즘 등)에 따라 수행하여, 최적 성능의 메타패턴을 탐색할 수 있다.

도 1은 본 발명에 따른 메타물질의 표면패턴 생성 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명에 따른 메타물질의 표면패턴 생성 시스템에서, VAE 생성망의 1차 학습 과정(step1)을 설명하는 도면이다.
도 3은 본 발명에 따른 메타물질의 표면패턴 생성 시스템에서, VAE 생성망의 2차 학습 과정(step2)을 설명하는 도면이다.
도 4는 본 발명에 따른 메타물질의 표면패턴 생성 시스템에서, 심층 생성망의 학습 과정(step3)을 도시한 도면이다.
도 5는 본 발명에 따른 메타물질의 표면패턴 생성 시스템에서, 탐색부(140)의 구성을 도시한 도면이다.
도 6은 본 발명에 따른 메타물질의 표면패턴 생성 방법의 순서를 도시한 흐름도이다.
도 7은 본 발명의 메타물질의 표면패턴 생성 시스템에서, 최적 성능의 표면패턴을 탐색하는 최적화 알고리즘을 도시한 흐름도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

도 1은 본 발명에 따른 메타물질의 표면패턴 생성 시스템의 구성을 도시한 블록도이다.

도 1을 참조하면, 본 발명에 따른 메타물질의 표면패턴 생성 시스템(100)은, 학습부(110), 구성부(120), 수집부(130) 및 탐색부(140)를 포함하여 구성할 수 있다.

학습부(110)는 변분오토인코더(Variational autoencoder, VAE) 기법에 의해 입력단의 인코더망 및 출력단의 디코더망을 연결한 구조로 구성되는 생성망에, 메타물질의 성능지표에 관한 데이터셋을 1차 학습시키는 기능을 한다.

즉 학습부(110)는 상기 데이터셋 중 제1 성능지표값을, 상기 인코더망의 입력값 및 상기 디코더망의 출력값으로 각각 설정한 상태에서, 상기 생성망에 대해 상기 1차 학습을 실시할 수 있다.

학습부(110)는 상기 제1 성능지표값을 상기 인코더망에 입력하여, 상기 제1 성능지표값에 상응하는 은닉벡터를 상기 인코더망으로부터 획득하고(성능지표값의 은닉벡터화), 상기 획득한 은닉벡터를 상기 디코더망에 입력하여, 상기 획득한 은닉벡터에 상응하는 성능지표값을 상기 디코더망으로부터 획득하고(은닉벡터의 성능지표화), 이때 디코더망으로부터 획득한 성능지표값(예측값)과 상기 제1 성능지표값(학습 데이터셋의 참값(Ground truth))과의 차이값이 최소화되도록, 상기 1차 학습을 실시할 수 있다.

여기서 은닉벡터(latent vector)는, 그래프나 스펙트럼 형태의 성능지표와 매핑되는 n차원(예를 들어, 32차원 이상의 고차원) 은닉공간 상의 매핑포인트의 좌표값으로 정의될 수 있고, 상기 인코더망은 상기 제1 성능지표값을 은닉벡터화하고, 상기 디코더망은 해당 은닉벡터를 성능지표화해 출력하게 된다.

즉, VAE망이 출력하는 성능지표(그래프)와 1차 학습시 데이터셋의 참값(제1 성능지표값)을 비교하여, 그 차이값을 손실함수(loss function)로 정의하고, 이 값을 최소화하도록 인코더망과 디코더망이 학습된다.

1차 학습시에는, 그래프나 테이블 형태로 주어지는 성능지표에 관한 데이터셋을 입력받아, 입력과 동일한 성능지표를 생성(출력)할 수 있도록, VAE를 이용한 생성망 내부의 인코더(Encoder)망과 디코더(Decoder)망 각각의 내부 파라미터가 학습되며, 이 학습을 통해 후술하는 2차 학습에서 사용할 디코더망(즉, 1차 학습된 디코더망)이 얻어진다.

종래에는, 메타물질의 표면패턴 이미지를 입력받아, 동일한 표면패턴 이미지를 생성하도록 학습을 수행하고 있으나, 메타물질의 표면패턴의 랜덤성 때문에 학습에 어려움이 있고, 특히 최적해 근처에서 진동하며 잘 수렴하지 않는 특징이 있다. 이는 인코더와 디코더 사이에 형성되는 은닉공간에서의 인접 위치가 디코더망 뒷단에 생성되는 패턴이미지의 유사성을 표현하지 않기 때문이다. 따라서, 은닉공간에서의 위치가 조금만 달라져도 생성된 패턴은 완전히 달라져 버리는 성질을 나타낸다. 이러한 현상은 학습을 불안정하게 만들고 수렴 후에 얻어진 최적해의 품질도 좋지 않게 만든다.

이에 따라 본 발명에서는 표면패턴 이미지를 직접 생성하는 생성망을 사용하는 대신에, 성능지표를 생성하는 VAE망을 우회적으로 적용하여, 성능지표를 입력받아 동일한 성능지표를 생성하도록 학습을 수행해, 간접적으로 표면패턴 이미지를 생성하는 접근법을 취하고 있다.

또한 학습부(110)는 1차 학습 후의 생성망에 상기 메타물질의 표면패턴과 상기 성능지표와의 쌍으로 이루어진 데이터셋을 2차 학습시킨다. 즉, 성능지표의 1차 학습이 완료된 VAE 생성망에, 표면패턴과 성능지표를 상호 연관시키는 2차 학습을 수행된다.

이때, 학습부(110)는 1차 학습된 상기 디코더망의 내부 파라미터를 고정시키고, 실제 표면패턴값과 실제 성능지표값과의 쌍으로 된 데이터셋 중, 상기 실제 표면패턴값을 상기 1차 학습된 상기 인코더망의 입력값으로 설정하고, 상기 실제 성능지표값을 상기 1차 학습된 상기 인코더망의 출력값으로 설정한 상태에서, 상기 2차 학습을 실시할 수 있다.

즉, 1차 학습 후에 얻어진 디코더망은 추출하여 그대로 사용하고, 1차 학습 후에 얻어진 인코더망에 대해서만, 표면패턴값과 성능지표값의 쌍으로 된 데이터셋이 2차 학습된다.

이에 따라 2차 학습된 예측인코더망(Prediction net) 및 1차 학습된 디코더망이 연결된 VAE 생성망이 구성되어, 메타물질의 표면패턴을 은닉벡터화하여, 은닉벡터에 상응하는 성능지표를 예측할 수 있게 된다.

2차 학습된 예측인코더망은 표면패턴을 입력받아서 1차 학습시와 동일한 n차원(32차원 이상의 고차원) 은닉공간 상의 매핑포인트로 매핑시키는 역할을 하게 되고, 메타패턴 이미지와 성능지표 간의 관계가 1차 학습시의 성능지표 생성망(디코더망)을 우회해서 연관되어 진다.

이때 학습부(110)는 상기 데이터셋 내 실제 표면패턴값을 1차 학습된 인코더망에 입력하여 상기 실제 표면패턴값에 상응하는 제1 은닉벡터값을 상기 인코더망으로부터 획득하고(표면패턴의 은닉벡터화), 획득한 제1 은닉벡터값을 1차 학습된 디코더망에 입력하여 제1 은닉벡터값에 상응하는 성능지표값을 획득하고(은닉벡터의 성능지표화), 획득한 성능지표값(예측값)과 상기 데이터셋 내 실제 성능지표값과의 차이값이 최소화하도록, 상기 2차 학습을 실시할 수 있다.

즉, 데이터셋에서 선택된 메타패턴과 그래프(실제 성능지표)의 쌍이 입력과 출력 데이터로 사용되며, VAE망이 예측하는 그래프(예측 성능지표)와 참값(실제 성능지표)의 차이를 손실함수(loss function)으로 정의하고, 이 값이 최소화 되도록 인코더망이 2차 학습된다.

구성부(120)는 2차 학습 후의 생성망으로부터, 상기 표면패턴에 상응하는 n차원 은닉공간 상의 은닉벡터를 예측하는 예측인코더망(Prediction net)을 추출하고, 추출한 예측인코더망을 상기 은닉벡터에 상응하는 상기 표면패턴을 생성하도록 구성된 역설계망(Inverse design net)에 연결하여, 심층 생성망(Deep Generative Model)을 구성하는 기능을 한다.

일례로 구성부(120)는 상기 변분오토인코더 기법에 의해, 입력단의 인코더망 및 출력단의 디코더망을 연결한 구조의 상기 역설계망을 구성하고, 상기 역설계망의 디코더망의 출력단에 상기 예측인코더망을 연결함으로써, 상기 심층 생성망을 구성할 수 있다.

여기서 심층 생성망은, 표면패턴의 특징을 가장 정확히 표현한 은닉벡터를 예측 가능한 신경망으로, 성능지표가 만들어내는 은닉벡터를 역설계망을 통해 패턴화시킨 후에, 예측인코더망을 통해 다시 패턴을 은닉벡터화함으로써, 패턴의 특징이 잘 나타나는 은닉벡터를 찾을 수 있다.

본 발명에 의해 구성되는 역설계망은, 메타물질에 대한 물성, 성질, 구조 등을 표현하는 패턴이미지(표면패턴)을 출력값으로서 사용하고, 또한 상기 패턴이미지가 표현하는 성능지표(예, 전파 흡수 성능에 따른 반사율 그래프나, 스펙트럼, 테이블 등)를 입력값으로서 사용한다. 이러한 입력값 및 출력값으로 이루어진 데이터셋은 현장에서 실험을 통해 수집하거나 모의실험을 통해 얻어질 수 있다.

상기 역설계망의 입력값은, 성능지표 대신에, 성능지표(예, 그래프 또는 스펙트럼)가 만들어 내는 고차원 은닉공간 상의 은닉벡터일 수 있다. 이 은닉벡터는 1차 학습에 의해 얻어진 인코더망에 성능지표 그래프를 입력하면, 쉽게 얻어질 수 있다. 이렇게 얻어진 성능지표와 연관된 은닉벡터를 역설계망에 입력하게 되면, 역설계망은 메타물질의 표면패턴을 출력값으로 생성한다.

상기 역설계망의 출력값(outputs)인 패턴이미지(표면패턴)는, 성능지표를 생산하는 입력 파라미터들의 조합을 이미지로 표현한 것으로서, 복잡한 고차원의 입력 파라미터들의 조합이나 구성을 하나의 이미지 데이터로 함축하기 위해 사용된다.

일례로, 군사용으로 주로 사용되는 스텔스 도료물질의 패턴 개발에서는 패턴이미지 자체가 어떤 대역대의 전파를 흡수하거나 반사시키는 성능지표를 직접적으로 표현할 수 있다.

메타물질의 표면패턴 이미지를 생성하는 역설계망은, 스텔스 도료물질과 같은 군사용 메타물질 외에, 재료공학, 화학, 생물학, 제약학, 의학 등의 새로운 물질의 조합을 찾아내거나 복잡한 고차원 인자들의 조합으로 이루어진 새로운 구성을 발견해야 하는 다양한 분야에서 적용 가능하다.

심층 생성망(Deep Generative Model)은, 확률 모델(probabilistic model)의 관점으로 보면 데이터셋을 생성하는 신경망으로서, 생성망이 만든 확률분포에서 샘플링(sampling)하면 기존에 가지고 있지 않은 새로운 데이터(메타 물질)를 생성할 수 있다.

심층 생성망을 이용하여 메타물질과 물리적 특성 간의 관계를 알아내고 이를 통해 기존 방식으로 설계가 어려운 파라메트릭 구조 뿐만 아니라, 무작위 이진패턴 구조를 포함한 복합 구조의 새로운 메타물질의 설계가 가능하다.

본 발명에서는 심층 생성망을 통한 역설계(Inverse Design)를 통해 고차원의 입력 파라미터의 다양한 조합을 발견하여 새로운 메타물질을 적은 시간과 비용으로 효율적으로 설계할 수 있다.

수집부(130)는 상기 심층 생성망이 구성됨에 따라, 상기 심층 생성망의 학습에 필요한 데이터셋을 수집하는 기능을 한다.

일례로 수집부(130)는 상기 1차 학습 후의 상기 생성망을 구성하는 인코더망에, 상기 성능지표를 입력하여, 상기 성능지표와 연관된 다수의 은닉벡터를 수집할 수 있다.

학습부(110)는 수집된 상기 다수의 은닉벡터를 데이터셋으로서, 상기 심층 생성망을 학습시킬 수 있다.

구체적으로 학습부(110)는 상기 다수의 은닉벡터 중 선택되는 선택 은닉벡터값을 상기 심층 생성망을 구성하는 상기 역설계망으로 입력하여, 상기 선택 은닉벡터값에 상응하는 표면패턴값을 상기 역설계망으로부터 획득하고(은닉벡터의 패턴화), 획득한 표면패턴값을 상기 예측인코더망에 입력하여, 상기 획득한 표면패턴값에 상응하는 예측 은닉벡터값을 상기 예측인코더망으로부터 획득하고(패턴의 은닉벡터화), 이때 획득한 예측 은닉벡터값이 상기 선택 은닉벡터값과 동일해지도록, 상기 심층 생성망을 학습시킬 수 있다.

상기 심층 생성망의 학습에서는, 2차 학습에서 구성된 예측인코더망은 더 이상 학습되지 않도록 내부 파라미터를 고정시키고, 단지 역설계망의 내부 파라미터만 새로 학습시킨다. 역설계망 역시, 인코더망-디코더망으로 연결된 구조의 VAE 생성망으로 구성된다.

수집부(130)는 선택된 성능지표(그래프 또는 스펙트럼)가 만들어 내는 은닉공간 상에 매핑된 은닉벡터를 1차 학습된 인코더망을 통해 수집하고, 학습부(110)는 이렇게 얻어진 은닉벡터를 심층 생성망 내 역설계망에 입력하여 역설계망을 통해 메타패턴(outputs)을 생성한 후, 생성된 메타패턴이 2차 학습된 예측인코더망을 통과해 다시 은닉벡터를 만들어 내도록 학습을 진행하게 되며, 역설계망에 입력한 은닉벡터와 예측인코더망을 통과해 출력되는 은닉벡터가 상호 같아지도록 비용함수(Loss function)를 정의하고 그 차이값이 최소화되도록 학습시킨다.

이때 학습부(110)는 역설계망이 만들어내는 패턴(outputs)이, 역설계망에 입력된 은닉벡터가 표현하는 패턴과 동일하도록 강제하지 않는다. 이는 패턴과 성능지표는 1대1 대응관계가 아니며, 서로 다른 패턴이 동일한 성능지표를 표현할 수도 있기 때문이다.

탐색부(140)는 역설계망에 의해 생성되는 메타물질의 표면패턴 중에서 최적 성능의 표면패턴을 최적화 알고리즘에 따라 탐색하는 기능을 한다. 여기서 상기 최적화 알고리즘으로는 다양한 알고리즘이 적용 가능하지만, 본 발명에서는 'CMA-ES'라고 불리는 진화 알고리즘(Evolutional algorithm)을 적용한 것을 예로 설명한다.

일례로 탐색부(140)는, 획득부(141), 평가부(142) 및 제거부(143)를 포함하여 구성할 수 있다.

획득부(141)는 상기 다수의 은닉벡터 중에서 랜덤하게 샘플링한 복수의 후보 샘플을 상기 심층 생성망에 입력하여, 상기 심층 생성망으로부터 상기 복수의 후보 샘플에 상응하는 복수의 예측 은닉벡터값을 획득한다.

또한 획득부(141)는 상기 복수의 예측 은닉벡터값을 상기 1차 학습 후의 생성망 내 디코더망(1차 학습된 디코더망)에 입력하여, 상기 디코더망으로부터 상기 복수의 예측 은닉벡터값에 상응하는 복수의 성능지표값을 획득한다.

평가부(142)는 상기 복수의 성능지표값이 선정된 범위 내에 속하는지 성능 평가를 수행한다.

상기 복수의 성능지표값이 선정된 범위 내에 속하여 적절한 표면성능을 나타내는 것으로 평가되면, 제거부(143)는 상기 복수의 예측 은닉벡터값 중, 상기 n차원 은닉공간 상에서 일정 거리 이상 이간하여 분포되는 밀접도가 떨어지는 제1 예측 은닉벡터값이 존재하는지 판단하고, 상기 복수의 예측 은닉벡터값 중에 존재하는 제1 예측 은닉벡터값에 해당하는 후보 샘플을 노이즈로서 제거한다.

상기 노이즈 제거에 따라, 획득부(141)는 상기 다수의 은닉벡터 중에서 새로운 후보 샘플을 재샘플링하고, 상기 심층 생성망 및 상기 1차 학습된 디코더망을 통해 새로운 후보 샘플에 대한 예측 은닉벡터값 및 성능지표값을 획득한다.

이후 평가부(142)에 의한 성능평가 및 제거부(143)에 의한 노이즈 제거를 통해 더 이상의 노이즈가 없다고 판단되면, 탐색부(140)는 상기 노이즈 제거한 나머지의 후보 샘플과, 상기 다수의 은닉벡터 중에서 재샘플링한 후보 샘플에 대해 획득되는 복수의 예측 은닉벡터값이 수렴하는 포인트를 찾아, 최적의 표면패턴을 탐색할 수 있다.

즉 탐색부(140)는 상기 복수의 예측 은닉벡터값이 수렴하는 n차원 은닉공간 상의 특정 포인트, 예를 들어, 센터포인트(center point)에 매핑된 은닉벡터값이 표현하는 성능지표와 표면패턴을, 본 발명에서 설계하고자 하는 최적 성능의 메타물질에 대한 표면패턴(메타패턴)으로서 탐색한다.

이와 같이, 본 발명에 따르면, 심층 생성망을 통한 메타물질의 역설계를 통해 기존 메타물질 설계 방식에서의 전문가의 경험치에 의존한 노동집약적인 최적화 과정 및 시행착오를 최소화하여, 원하는 성능지표를 만족하는 새로운 메타물질을 보다 효율적으로 설계할 수 있다.

본 발명에 따르면, 심층 생성망을 통한 메타물질 설계를 최적화 알고리즘('CMA-ES'와 같은 진화 알고리즘 등)에 따라 수행하여, 최적 성능의 메타패턴을 탐색할 수 있다.

도 2 내지 도 4에는 step1에서 step3으로 진행되는 역설계망의 구성 및 학습 과정이 도시된다.

도 2는 본 발명에 따른 메타물질의 표면패턴 생성 시스템에서, VAE 생성망의 1차 학습 과정(step1)을 설명하는 도면이다.

도 2를 참조하면, 본 발명의 메타물질의 표면패턴 생성 시스템은 VAE 기법에 의해 초기 VAE 생성망을 구성한 후, 성능지표에 관한 데이터셋을 1차 학습시켜 VAE 생성망(200)을 구성할 수 있다(step1).

상기 성능지표의 일례로, 도 2와 같이 메타물질의 전파 흡수 성능에 따른 흡수응답(Absorption response) 그래프가 초기 VAE 생성망의 입출력값으로 설정된다.

참고로 도 2의 흡수응답 그래프는, 파장대 8~12GHz의 X밴드에서 나타나는 스텔스 도료물질의 전파 흡수 성능에 따른 반사율 그래프를 나타내고 있다. 일반적으로 군사용 스텔스기에는 외부 레이다망에 노출되지 않도록 전파를 흡수해 반사하는 성질을 가지는 스텔스 도료물질이 사용되는데, 새로운 스텔스 도료물질을 설계하려는 경우, 전파 흡수 성능을 나타내는 흡수응답 그래프에 관한 데이터셋이 1차 학습에 이용된다. 또한 스텔스 도료물질이 아닌, 재료공학, 화학, 생물학, 제약학, 의학 등의 다른 분야에 이용되는 메타물질을 설계시에는, 해당 메타물질의 성능지표가 되는 다양한 그래프나 스펙트럼 등이 1차 학습에 이용될 수 있다.

초기 VAE 생성망은, 입력단의 인코더망 및 출력단의 디코더망을 연결한 구조로 구성되고, 상기 인코더망의 입력값 및 상기 디코더망의 출력값으로서, 메타물질에 관한 성능지표가 동일하게 설정된 상태에서 초기 VAE 생성망의 1차 학습이 수행된다.

그러면 상기 인코더망에서는, 입력된 성능지표(흡수응답 그래프)에 상응하는 은닉벡터(latent vector)를 출력하도록 상기 인코더망의 내부 파라미터가 학습된다. 이와 함께 상기 디코더망에서는, 상기 은닉벡터에 상응하는 성능지표(흡수응답 그래프)를 출력하도록 상기 디코더망의 내부 파라미터가 학습된다.

즉, 상기 인코더망에 입력된 성능지표와 상기 디코더망에서 출력된 성능지표와의 차이값이 최소화되도록 상기 1차 학습이 수행된다.

이에 따라 1차 학습 후의 VAE 생성망(200)은, 도 2에 도시된 것처럼, 입력단의 1차 학습된 인코더망(210) 및 출력단의 1차 학습된 디코더망(220)으로 구성된다.

1차 학습된 인코더망(210)은 성능지표를 은닉벡터화하고, 1차 학습된 디코더망(220)은 은닉벡터에 상응하는 성능지표를 예측하여 출력할 수 있게 된다.

여기서 1차 학습된 디코더망(220)은 후술하는 step2의 2차 학습에서 더 이상 학습되지 않고 내부 파라미터가 고정된 상태로 그대로 이용될 수 있다.

step1의 1차 학습은, 변분오토엔코더(VAE) 기법을 이용해서 성능지표(스펙트럼)를 성능지표(스펙트럼)으로 학습시키는 과정이며, 동일한 성능지표(스펙트럼)를 입출력으로 설정하여, 인코더망(210)과 디코더망(220) 사이의 샘플링된 은닉벡터(Sampled latent vector)를 얻을 수 있도록, 인코더망(210)과 디코더망(220)의 내부 파라미터를 학습시키는 것이다.

즉, 성능지표(스펙트럼)를 입력 시, 동일한 성능지표(스펙트럼)를 얻을 수 있도록, 내부 파라미터가 학습된 인코더망(210)과 디코더망(220)을 얻기 위해 1차 학습이 수행된다.

본 발명에서는 성능지표를 생성하는 VAE 생성망(200)을 이용해, 간접적으로 표면패턴을 생성하도록 함으로써, 메타물질의 표면패턴(이미지)을 직접 생성하는 기존의 생성망을 이용시보다, 안정적으로 학습을 진행할 수 있고, 최적해의 품질을 높일 수 있다.

도 3은 본 발명에 따른 메타물질의 표면패턴 생성 시스템에서, VAE 생성망의 2차 학습 과정(step2)을 설명하는 도면이다.

도 3을 참조하면, 본 발명의 메타물질의 표면패턴 생성 시스템은, 도 2의 step1에 의해 구성된 VAE 생성망(200)에 메타물질의 표면패턴과 성능지표와의 쌍으로 이루어진 데이터셋을 2차 학습시켜 VAE 생성망(300)을 구성할 수 있다(step2).

즉, 성능지표가 1차 학습된 VAE 생성망(200)의 인코더망(210)의 입력값으로 데이터셋 내 메타물질의 표면패턴(이미지)을 입력하면, 데이터셋 내 메타물질의 성능지표가 VAE 생성망(200)의 디코더망(220)의 출력값이 되도록 VAE 생성망(200)의 2차 학습이 수행된다.

이때 디코더망(220)의 내부 파라미터를 고정시켜 2차 학습되지 않도록 하고, 인코더망(210)에 대해서만 2차 학습이 수행되며, 예측인코더망(Prediction net)(310) 및 1차 학습된 디코더망(220)이 연결된 VAE 생성망(300)이 구성될 수 있다.

데이터셋 내 표면패턴(이미지)을 인코더망(210)에 입력시 디코더망(220)에서 출력되는 성능지표값(예측값)과, 상기 데이터셋 내 성능지표값(실제값)의 차이를 손실함수로 정의하고, 이 값이 최소화되도록 2차 학습이 수행되어, 예측인코더망(310)이 구성된다.

이에 따라 VAE 생성망(300)은, 입력된 표면패턴(이미지)로부터 예측된 은닉벡터(Predicted latent vector)를 출력하는 예측인코더망(310)과, 예측된 은닉벡터에 상응하는 성능지표(흡수응답 그래프)를 출력하는 디코더망(220)으로 구성된다.

본 발명에서는 성능지표의 1차 학습이 완료된 VAE 생성망(200)에, 표면패턴과 성능지표를 상호 연관시키는 2차 학습을 더 수행해 VAE 생성망(300)을 구성하여, 예측인코더망(310)에 의해 메타물질의 표면패턴을 은닉벡터화하고, 디코더망(220)에 의해 은닉벡터에 상응하는 성능지표를 예측할 수 있다.

이처럼 VAE 생성망(300)에서는 은닉벡터를 통해서, 메타물질의 표면패턴의 성능지표를 정확히 예측할 수 있고, 바꿔 말하면, 성능지표를 정확히 예측할 수 있는 메타물질의 표면패턴을 생성 가능하게 할 수 있다.

도 4는 본 발명에 따른 메타물질의 표면패턴 생성 시스템에서, 심층 생성망의 학습 과정(step3)을 도시한 도면이다.

도 4를 참조하면, 본 발명의 메타물질의 표면패턴 생성 시스템은 도 3에서 얻어진 2차 학습된 VAE 생성망(300)으로부터 표면패턴에 상응하는 은닉벡터를 예측하는 예측인코더망(310)을 추출하고, 추출한 예측인코더망(310)을 역설계망(Inverse design net)(410)의 출력단에 연결해 심층 생성망(400)을 구성하고, 심층 생성망(400)의 학습을 수행한다(step3).

본 발명의 메타물질의 표면패턴 생성 시스템은, VAE 기법에 의해 입력단의 인코더망 및 출력단의 디코더망을 연결한 구조의 역설계망(410)을 구성하고, 역설계망(410)의 디코더망에 예측인코더망(310)을 연결한 구조의 심층 생성망(400)을 구성한다.

이후 본 발명의 메타물질의 표면패턴 생성 시스템은, 도 2에서 1차 학습된 인코더망(210)을 이용해, 심층 생성망(400)을 학습시키기 위한 데이터셋을 수집한다. 즉, 임의의 성능지표 그래프나 스펙트럼의 입력 시 1차 학습된 인코더망(210)에서 출력되는 은닉벡터값(Encoded latent vector)들이 데이터셋으로 수집된다.

이때 본 발명의 메타물질의 표면패턴 생성 시스템은, 예측인코더망(310)의 내부 파라미터를 고정시켜 더 학습되지 않도록 하고, 상기 수집된 데이터셋을 이용해 역설계망(410)에 대해서만 학습을 수행한다.

즉, 수집된 데이터셋의 은닉벡터값(Encoded latent vector)을 역설계망(410)에 입력시 역설계망(410)에서 출력되는 표면패턴이, step2에서 구성된 예측인코더망(310)에 의해 은닉벡터화가 가능하도록, 역설계망(410)의 내부 파라미터가 학습된다.

그러면 결과적으로 입력된 은닉벡터값(Encoded latent vector)을 예측된 은닉벡터(Predicted latent vector)에 매핑시킨 심층 생성망(400)이 구성된다.

심층 생성망(400)을 통해서는, 원하는 성능지표를 은닉벡터화하여 은닉벡터(Encoded latent vector)에 상응하는 표면패턴을 생성한 후, 그 표면패턴의 특징을 가장 정확히 표현한 은닉벡터(Predicted latent vector)를 예측할 수 있게 된다.

다시 말해 본 발명에서는 메타물질의 표면패턴 이미지를 직접 생성하는 생성망을 사용하는 대신에, 성능지표 생성으로 우회하여 간접적으로 표면패턴 이미지를 생성하는 접근법을 취함으로써, 종래보다 안정적으로 학습을 진행할 수 있어, 표면패턴의 품질을 개선할 수 있다.

정리하면, 본 발명에서는 step1~3을 거쳐 메타물질의 패턴 생성을 위한 VAE 생성망을 학습시킨다.

step1에서는, 성능지표를 입력받고 동일한 성능지표를 생성하도록 VAE 생성망 내부의 인코더망 및 디코더망을 학습시킨다.

종래기술에서는 메타패턴 이미지를 입력받고, 동일한 메타패턴 이미지를 생성하도록 VAE 생성망을 학습시키지만, 이 경우 은닉공간에서의 위치가 조금만 달라져도 생성된 패턴은 완전히 달라져 버리는 성질을 나타내어 성능이 매우 떨어지고 안정적이지 않기 때문에, 본 발명에서는 성능지표를 입력받고 동일한 성능지표를 생성하도록 VAE 생성망을 학습시킴으로써 종래보다 안정적으로 학습을 진행할 수 있고, 최적해의 품질을 높일 수 있다.

step2에서는, step1에서 학습시킨 디코더망 내부 파라미터는 고정시켜 그대로 사용하며, 인코더망만 학습시킨다. 이때의 인코더망의 입력은 메타패턴 이미지(메타패턴)가 되고, 인코더망의 출력은 성능지표가 되고, 인코더망의 출력에 따른 디코더망의 출력값(성능지표 예측치)과, 실제 성능지표값과의 차이값이 최소화되도록 인코더망을 학습시킬 수 있다.

step3에서는, 인코더망 및 디코더망을 가지는 VAE 구조의 역설계망을 구성하고, 역설계망의 후단에, step2에서 얻어진 예측인코더망(Prediction Net.)을 연결하여 심층 생성망을 구성하고, 예측인코더망의 내부 파라미터는 고정시켜 학습되지 않도록 하고 역설계망만 학습시킨다. 이때의 역설계망의 입력은 step1에서 얻어진 인코더망에 성능지표를 입력하여 얻어진 은닉벡터값(Encoded latent vector)이 되고, 이 은닉벡터값을 역설계망에 입력시 역설계망에서 출력되는 메타패턴 이미지가 step2의 예측인코더망으로 입력되어 예측인코더망에서 출력된 은닉벡터값(Predicted latent vector)과, 역설계망에 입력한 은닉벡터값(Encoded latent vector)이 같아지도록, 심층 생성망의 역설계망이 학습된다.

이처럼 본 발명에서는 도 2 내지 도 4에 도시한 3개의 step을 거쳐서 성능지표를 은닉공간 상의 은닉벡터에 매핑하고, 은닉공간 상의 은닉벡터를 이용해 새로운 표면패턴을 생성해 내는 역설계망을 구성하고 각 구성망들을 학습할 수 있다.

도 5는 본 발명에 따른 메타물질의 표면패턴 생성 시스템에서, 탐색부(140)의 구성을 도시한 도면이다.

도 5를 참조하면, 탐색부(140)는 step3의 심층 생성망(400) 및 step1의 1차 학습된 디코더망(220)을 이용한 새로운 메타물질 설계를 최적화 알고리즘의 일례인 'CMA-ES'와 같은 진화 알고리즘에 따라 반복 수행함으로써, 원하는 성능지표를 만족하는 최적의 새로운 메타패턴을 탐색할 수 있다.

여기서 최적화 알고리즘으로는 'CMA-ES'와 같은 진화 알고리즘에 국한되지 않고, 원하는 성능지표를 만족하는 최적의 새로운 메타패턴을 탐색할 수 있는 다른 유사한 최적화 알고리즘이 적용 가능하다.

상술한 step1~3의 학습이 완료하면, 표면특성을 나타내는 은닉벡터가 0점 부근에 랜덤하게 분포하게 된다. 그 중에서 획득부(141)는 예컨대 15개의 초기 후보 샘플을 임의로 샘플링해서 심층 생성망(400)에 입력한다. 이때의 15개의 초기 후보 샘플은 흩어져 분포된다.

심층 생성망(400)은 입력된 초기 후보 샘플의 은닉벡터(Encoded latent vector)에 상응하는 표면패턴을 생성한 후, 그 표면패턴의 특징을 가장 정확히 표현한 예측 은닉벡터(Predicted latent vector)를 출력한다.

심층 생성망(400)에서 출력된 각 초기 후보 샘플의 예측 은닉벡터는, step1에서 얻어진 디코더망(220)으로 입력되고, 디코더망(220)은 이 예측 은닉벡터에 상응하는 성능지표값을 예측하여 출력한다.

평가부(Spectrum evaluation)(142)는 디코더망(220)에서 출력되는 성능지표값이 선정된 범위 내에 속하는지 확인하고, 선정된 범위 내에 속하면 적절한 표면성능을 가진 것으로 평가한다.

초기 후보 샘플이 적절한 표면성능을 가진 것으로 확인되면, 제거부(Outliers elimination)(143)는 각 초기 후보 샘플의 예측 은닉벡터 중에서 일정 거리 이상 이간하여 분포하는 밀접하지 않은 제1 예측 은닉벡터가 존재하는지 판단하고, 제1 예측 은닉벡터에 해당하는 초기 후보 샘플을 제거한다.

이후 새로운 후보 샘플을 재샘플링되고, CMA-ES에 따라 성능평가와 노이즈 제거, 재샘플링 과정이 반복되면서, 각 후보 샘플들의 variance가 줄어 은닉공간에서의 임의의 특정 포인트(Center point)로 점차 수렴하게 된다.

탐색부(140)는 그 특정 포인트에 해당하는 은닉벡터값이 표현하는 스펙트럼 및 메타패턴을, 설계하고자 하는 메타물질의 성능지표 및 표면패턴으로서 탐색할 수 있다.

종래에는 전문가가 경험치로 특정 값(최적해)을 정해 두고, 그 값에 수렴하는 은닉벡터를 찾아 메타패턴을 찾을 수 있었지만 많은 시행착오를 거쳐야 했다.

본 발명에서는 고차원의 은닉공간을 사용하기 때문에 각 후보 샘플들이 미리 정한 특정 값(최적해)으로 수렴하도록 하여 메타패턴을 찾는 것은 어렵지만, CMA-ES와 같은 최적화 알고리즘에 따라 성능평가, 노이즈 제거, 및 재샘플링을 통한 수렴 포인트를 대략 0.12초 정도의 단시간 연산 처리로 찾아낼 수 있어, 원하는 성능지표를 만족하는 최적의 새로운 메타패턴을 효율적으로 탐색할 수 있다.

도 6은 본 발명에 따른 메타물질의 표면패턴 생성 방법의 순서를 도시한 흐름도이다.

본 실시예에 따른 메타물질의 표면패턴 생성 방법은, 상술한 메타물질의 표면패턴 생성 시스템(100)에 의해 수행될 수 있다.

도 6을 참조하면, 단계(610)에서 메타물질의 표면패턴 생성 시스템(100)은 VAE 기법에 의해 생성망(VAE 생성망)을 구성한다. 여기서 생성망은 인코더망-디코더망이 연결된 구조로 생성된다.

단계(620)에서 메타물질의 표면패턴 생성 시스템(100)은 메타물질의 성능지표에 관한 데이터셋을 VAE 생성망에 1차 학습시킨다.

본 단계(620)는 동일한 성능지표값을 입력과 출력으로 1차 학습을 실시해, 성능지표에 해당하는 은닉벡터 및 내부 파라미터를 생성망 내부의 인코더망 및 디코더망에 학습시키는 과정일 수 있다.

이에 따라 1차 학습된 인코더망은 입력된 성능지표에 상응하는 은닉벡터(Sampled latent vector)를 출력하고, 1차 학습된 디코더망은 은닉벡터에 상응하는 성능지표를 출력할 수 있게 된다.

본 명세서에서 사용되는 '은닉벡터'는 고차원(예, 32차원)의 은닉공간 상의 벡터로서, 입력되는 성능지표 그래프를 매핑시킨 32차원 은닉공간 중의 어느 한 포인트의 좌표값을 지칭할 수 있다.

단계(630)에서 메타물질의 표면패턴 생성 시스템(100)은 1차 학습 후의 VAE 생성망에, 메타물질의 표면패턴과 성능지표와의 쌍으로 이루어진 데이터셋을 2차 학습시킨다.

성능지표의 1차 학습 후에는, 메타물질의 표면패턴과 성능지표 간의 연관 관계를 2차로 학습시키게 되는데, 이때 은닉벡터를 스펙트럼화시키는 1차 학습된 디코더망의 내부 파라미터를 고정시켜 학습되지 않도록 하고, 1차 학습된 인코더망에 대해서만 2차 학습을 실시하여, 예측인코더망으로 대체한다.

2차 학습 후의 VAE 생성망에 메타패턴 이미지를 입력시, 상기 예측인코더망에 의해 예측된 은닉벡터에 대해 디코더망(1차 학습된 디코더망)에서 얻어진 성능지표가 원하는 스펙트럼을 잘 나타낸다면, 표면특징이 잘 표현된 메타패턴을 설계한 것으로 판단 가능하다.

단계(640 내지 650)에서 메타물질의 표면패턴 생성 시스템(100)은 2차 학습 후의 VAE 생성망에 포함되는 예측인코더망을 추출하여, VAE 구조로 생성한 역설계망의 후단에 연결해, 심층 생성망을 구성한다.

단계(660)에서 메타물질의 표면패턴 생성 시스템(100)은 성능지표와 연관된 다수의 은닉벡터를 수집해, 심층 생성망을 학습시킨다.

본 단계(660)에서는 성능지표와 연관된 다수의 은닉벡터를 1차 학습 후의 인코더망을 이용해 수집한 후, 이를 데이터셋으로서 심층 생성망을 학습시키는 과정이 수행된다. 이때 예측인코더망의 내부 파라미터는 고정시켜 더 이상 학습되지 않도록 하고, 역설계망에 대해서만 학습이 수행된다.

즉 성능지표와 연관된 은닉벡터를 심층 생성망의 역설계망에 입력시켜, 은닉벡터를 패턴화한 표면패턴 이미지를 생성하고, 예측인코더망에서 이 표면패턴 이미지에 상응하는 은닉벡터를 출력하도록, 역설계망의 학습이 수행된다.

그러면 결과적으로 입력된 은닉벡터값(Encoded latent vector)을 예측된 은닉벡터(Predicted latent vector)에 매핑시킨 심층 생성망이 구성되고, 심층 생성망을 이용하면, 원하는 성능지표를 은닉벡터화하여 은닉벡터에 상응하는 표면패턴을 생성한 후, 그 표면패턴의 특징을 가장 정확히 표현한 은닉벡터를 예측할 수 있게 된다.

이와 같이 본 발명에서는 메타물질의 표면패턴과 물리적 특성(성능지표) 간의 연관 관계를 학습시킨 심층 생성망을 구축함으로써, 원하는 성능지표를 만족하는 새로운 메타물질을 효율적으로 역설계(Inverse Design)할 수 있다.

도 7은 본 발명의 메타물질의 표면패턴 생성 시스템에서, 최적 성능의 표면패턴을 탐색하는 최적화 알고리즘을 도시한 흐름도이다.

본 실시예에 따른 메타물질의 표면패턴 생성 방법은, 상술한 메타물질의 표면패턴 생성 시스템(100)에 의해 수행될 수 있다.

도 7을 참조하면, 단계(710)에서 메타물질의 표면패턴 생성 시스템(100)은 다수의 은닉벡터 중에서 일정 수의 후보 샘플을 샘플링한다.

후보 샘플은, 선택된 성능지표의 그래프나 스펙트럼을 1차 학습된 인코더망에 입력시 출력되는 다수의 은닉벡터 중에서 랜덤하게 샘플링되고, 초기의 후보 샘플은 0점 주위에서 흩어져 분포된다.

단계(720)에서 메타물질의 표면패턴 생성 시스템(100)은 심층 생성망을 통해 각 후보 샘플의 예측 은닉벡터값을 획득한다.

일정 수의 후보 샘플은 심층 생성망 내 역설계망으로 입력되고, 역설계망에 의해 각 후보 샘플에 해당하는 표면패턴 이미지가 생성된다.

역설계망에 의해 생성된 표면패턴 이미지는, 역설계망 후단의 예측인코더망으로 들어가게 되고, 이 표면패턴 이미지로부터 예측되는 예측 은닉벡터값이 예측인코더망으로부터 출력된다.

본 단계(720)에서는 심층 생성망을 통해 성능지표가 만들어내는 은닉벡터를 역설계망을 통해 패턴화시킨 후에, 예측인코더망을 통해 다시 패턴을 은닉벡터화함으로써, 패턴의 특징이 잘 나타나는 은닉벡터를 찾을 수 있다.

단계(730)에서 메타물질의 표면패턴 생성 시스템(100)은 1차 학습 후의 디코더망을 통해 각 후보 샘플의 성능지표값을 획득한다.

본 단계(730)에서는 1차 학습 후의 디코더망을 이용하여, 상기 심층 생성망을 통해 획득한 각 후보 샘플의 예측 은닉벡터값에 상응하는 성능지표값을 획득한다.

단계(740)에서 메타물질의 표면패턴 생성 시스템(100)은 각 후보 샘플의 성능평가값이 선정된 범위 내에 속하여 적절한 표면성능을 만족하는지 성능 평가를 수행한다.

표면성능이 적절하다고 평가되면(상기 단계(740)에서 Yes일 때), 단계(750)에서 메타물질의 표면패턴 생성 시스템(100)은 각 후보 샘플의 예측 은닉벡터값 중 일정 거리 이상 이간하여 분포하는 밀접도가 떨어지는 제1 예측 은닉벡터값(노이즈)이 존재하는지 판단한다.

상기 제1 예측 은닉벡터값이 존재하지 않으면(상기 단계(750)에서 No일 때), 단계(760)에서 메타물질의 표면패턴 생성 시스템(100)은, 각 후보 샘플의 예측 은닉벡터값이 수렴하는 특정 포인트를 찾고, 해당 포인트에 매핑된 은닉벡터값이 표현하는 성능지표 및 메타표면을, 최적 성능의 표면패턴으로서 탐색한다.

한편, 상기 단계(740)에서 적절한 표면성능을 만족하지 않는 것으로 판단되거나(상기 단계(740)에서 No일 때), 상기 단계(750)에서 상기 제1 예측 은닉벡터값(노이즈)이 존재한다고 판단되면(상기 단계(750)에서 Yes일 때), 메타물질의 표면패턴 생성 시스템(100)은 노이즈를 제거하고, 상기 단계(710)로 돌아가서 후보 샘플을 재샘플링한다.

이후 재샘플링한 후보 샘플을 이용해 상술한 성능지표의 적절성 평가(Spectrum evaluation), 노이즈 제거(Outlier elimination)와 수렴성 여부 체크(Candidate tolerance check) 등의 과정을 거쳐 재평가되고, 이 과정은 후보 샘플들이 수렴할 때까지 반복된다.

종래에는 전문가가 경험치로 특정 값(최적해)을 정해 두고, 그 값에 수렴하는 은닉벡터를 찾아 메타패턴을 찾을 수 있었지만 많은 시행착오를 거쳐야 했지만, 본 발명에서는 CMA-ES와 같은 최적화 알고리즘에 따라 성능평가, 노이즈 제거, 및 재샘플링을 통한 수렴 포인트를 대략 0.12초 정도의 단시간 연산 처리로 찾아낼 수 있어, 원하는 성능지표를 만족하는 최적의 새로운 메타패턴을 효율적으로 탐색할 수 있다.

본 발명은 군사용으로 스텔스 패턴을 설계하기 위해 고안되었지만, 이 밖에도 복잡한 구성물을 조합해서 새로운 메타물질을 설계하는 재료화학 등의 다양한 분야에 적용 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

100: 메타물질의 표면패턴 생성 시스템
110: 학습부
120: 구성부
130: 수집부
140: 탐색부
141: 획득부
142: 평가부
143: 제거부

Claims (16)

1. 변분오토인코더(Variational autoencoder, VAE) 기법에 의해 구성되는 생성망에, 메타물질의 성능지표에 관한 데이터셋을 1차 학습시키는 단계;
   상기 1차 학습 후의 생성망에, 상기 메타물질의 표면패턴과 상기 성능지표와의 쌍으로 이루어진 데이터셋을 2차 학습시키는 단계;
   상기 2차 학습 후의 생성망으로부터, 상기 표면패턴에 상응하는 n차원 은닉공간 상의 은닉벡터를 예측하는 예측인코더망(Prediction net)을 추출하는 단계; 및
   상기 예측인코더망을, 상기 은닉벡터에 상응하는 상기 표면패턴을 생성하도록 구성된 역설계망(Inverse design net)에 연결하여, 심층 생성망(Deep Generative Model)을 구성하는 단계
   를 포함하는 메타물질의 표면패턴 생성 방법.
2. 제1항에 있어서,
   상기 변분오토인코더 기법에 의해, 입력단의 인코더망 및 출력단의 디코더망을 연결하여, 상기 생성망을 구성하는 단계
   를 더 포함하고,
   상기 1차 학습시키는 단계는,
   상기 데이터셋 중 제1 성능지표값을, 상기 인코더망의 입력값 및 상기 디코더망의 출력값으로 각각 설정한 상태에서, 상기 생성망에 대해 상기 1차 학습을 실시하는 단계
   를 포함하는 메타물질의 표면패턴 생성 방법.
3. 제2항에 있어서,
   상기 1차 학습시키는 단계는,
   상기 제1 성능지표값을 상기 인코더망에 입력하여, 상기 제1 성능지표값에 상응하는 은닉벡터를 상기 인코더망으로부터 획득하는 단계;
   상기 획득한 은닉벡터를 상기 디코더망에 입력하여, 상기 획득한 은닉벡터에 상응하는 성능지표값을 상기 디코더망으로부터 획득하는 단계; 및
   상기 디코더망으로부터 획득한 성능지표값과 상기 제1 성능지표값과의 차이값이 최소화되도록, 상기 1차 학습을 실시하는 단계
   를 더 포함하는 메타물질의 표면패턴 생성 방법.
4. 제2항에 있어서,
   상기 2차 학습시키는 단계는,
   상기 1차 학습된 상기 디코더망의 내부 파라미터를 고정시키는 단계; 및
   실제 표면패턴값과 실제 성능지표값과의 쌍으로 된 데이터셋 중, 상기 실제 표면패턴값을 상기 1차 학습된 상기 인코더망의 입력값으로 설정하고, 상기 실제 성능지표값을 상기 1차 학습된 상기 인코더망의 출력값으로 설정한 상태에서, 상기 2차 학습을 실시하는 단계
   를 포함하는 메타물질의 표면패턴 생성 방법.
5. 제4항에 있어서,
   상기 2차 학습시키는 단계는,
   상기 실제 표면패턴값을 상기 1차 학습된 상기 인코더망에 입력하여, 상기 실제 표면패턴값에 상응하는 제1 은닉벡터값을 상기 인코더망으로부터 획득하는 단계;
   상기 획득한 제1 은닉벡터값을 상기 1차 학습된 디코더망에 입력하여, 상기 제1 은닉벡터값에 상응하는 성능지표값을 획득하는 단계; 및
   상기 획득한 성능지표값과 상기 실제 성능지표값과의 차이값이 최소화하도록, 상기 2차 학습을 실시하는 단계
   를 더 포함하는 메타물질의 표면패턴 생성 방법.
6. 제1항에 있어서,
   상기 변분오토인코더 기법에 의해, 입력단의 인코더망 및 출력단의 디코더망을 연결하여, 상기 역설계망을 구성하는 단계
   를 더 포함하고,
   상기 심층 생성망을 구성하는 단계는,
   상기 역설계망의 디코더망의 출력단에 상기 예측인코더망을 연결함으로써, 상기 심층 생성망을 구성하는 단계
   를 포함하는 메타물질의 표면패턴 생성 방법.
7. 제1항에 있어서,
   상기 1차 학습 후의 상기 생성망을 구성하는 인코더망에, 상기 성능지표를 입력하여, 상기 성능지표와 연관된 다수의 은닉벡터를 수집하는 단계; 및
   상기 다수의 은닉벡터를 데이터셋으로서, 상기 심층 생성망을 학습시키는 단계
   를 더 포함하는 메타물질의 표면패턴 생성 방법.
8. 제7항에 있어서,
   상기 심층 생성망을 학습시키는 단계는,
   상기 다수의 은닉벡터 중 선택되는 선택 은닉벡터값을 상기 심층 생성망을 구성하는 상기 역설계망으로 입력하여, 상기 선택 은닉벡터값에 상응하는 표면패턴값을 상기 역설계망으로부터 획득하는 단계;
   상기 획득한 표면패턴값을 상기 예측인코더망에 입력하여, 상기 획득한 표면패턴값에 상응하는 예측 은닉벡터값을 상기 예측인코더망으로부터 획득하는 단계; 및
   상기 획득한 예측 은닉벡터값이 상기 선택 은닉벡터값과 동일해지도록, 상기 심층 생성망을 학습시키는 단계
   를 포함하는 메타물질의 표면패턴 생성 방법.
9. 제7항에 있어서,
   상기 다수의 은닉벡터 중에서 랜덤하게 샘플링되는 복수의 후보 샘플을 상기 심층 생성망에 입력하여, 상기 심층 생성망으로부터 상기 복수의 후보 샘플에 상응하는 복수의 예측 은닉벡터값을 획득하는 단계;
   상기 복수의 예측 은닉벡터값을 상기 1차 학습 후의 생성망 내 디코더망에 입력하여, 상기 디코더망으로부터 상기 복수의 예측 은닉벡터값에 상응하는 복수의 성능지표값을 획득하는 단계;
   상기 복수의 성능지표값이 선정된 범위 내에 속하는지 성능 평가를 수행하는 단계; 및
   선정된 범위 내에 속하면, 상기 복수의 예측 은닉벡터값이 수렴하는 상기 n차원 은닉공간 상의 센터포인트(center point)에 매핑된 은닉벡터값에 따라, 상기 메타물질에 대한 최적의 표면패턴을 탐색하는 단계
   를 더 포함하는 메타물질의 표면패턴 생성 방법.
10. 제9항에 있어서,
    상기 복수의 예측 은닉벡터값 중, 상기 n차원 은닉공간 상에서 일정 거리 이상 이간하여 분포되는 제1 예측 은닉벡터값이 존재하는지 판단하는 단계; 및
    상기 복수의 예측 은닉벡터값 중에 존재하는 상기 제1 예측 은닉벡터값에 해당하는 후보 샘플을 노이즈로서 제거하는 단계; 및
    상기 다수의 은닉벡터 중에서 새로운 후보 샘플을 재샘플링하는 단계
    를 더 포함하는 메타물질의 표면패턴 생성 방법.
11. 변분오토인코더(VAE) 기법에 의해 구성되는 생성망에 메타물질의 성능지표에 관한 데이터셋을 1차 학습시키고, 상기 1차 학습 후의 생성망에 상기 메타물질의 표면패턴과 상기 성능지표와의 쌍으로 이루어진 데이터셋을 2차 학습시키는 학습부; 및
    상기 2차 학습 후의 생성망으로부터, 상기 표면패턴에 상응하는 n차원 은닉공간 상의 은닉벡터를 예측하는 예측인코더망을 추출하고, 상기 예측인코더망을, 상기 은닉벡터에 상응하는 상기 표면패턴을 생성하도록 구성된 역설계망에 연결하여, 심층 생성망을 구성하는 구성부
    를 포함하는 메타물질의 표면패턴 생성 시스템.
12. 제11항에 있어서,
    상기 1차 학습 후의 상기 생성망을 구성하는 인코더망에, 상기 성능지표를 입력하여, 상기 성능지표와 연관된 다수의 은닉벡터를 수집하는 수집부
    를 더 포함하고,
    상기 학습부는,
    상기 다수의 은닉벡터를 데이터셋으로서, 상기 심층 생성망을 학습시키는
    메타물질의 표면패턴 생성 시스템.
13. 제12항에 있어서,
    상기 학습부는,
    상기 다수의 은닉벡터 중 선택되는 선택 은닉벡터값을 상기 심층 생성망을 구성하는 상기 역설계망으로 입력하여, 상기 선택 은닉벡터값에 상응하는 표면패턴값을 상기 역설계망으로부터 획득하고,
    상기 획득한 표면패턴값을 상기 예측인코더망에 입력하여, 상기 획득한 표면패턴값에 상응하는 예측 은닉벡터값을 상기 예측인코더망으로부터 획득하고,
    상기 획득한 예측 은닉벡터값이 상기 선택 은닉벡터값과 동일해지도록, 상기 심층 생성망을 학습시키는
    메타물질의 표면패턴 생성 시스템.
14. 제12항에 있어서,
    상기 다수의 은닉벡터 중에서 랜덤하게 샘플링되는 복수의 후보 샘플을 상기 심층 생성망에 입력하여, 상기 심층 생성망으로부터 상기 복수의 후보 샘플에 상응하는 복수의 예측 은닉벡터값을 획득하고, 상기 복수의 예측 은닉벡터값을 상기 1차 학습 후의 생성망 내 디코더망에 입력하여, 상기 디코더망으로부터 상기 복수의 예측 은닉벡터값에 상응하는 복수의 성능지표값을 획득하는 획득부;
    상기 복수의 성능지표값이 선정된 범위 내에 속하는지 성능 평가를 수행하는 평가부; 및
    선정된 범위 내에 속하면, 상기 복수의 예측 은닉벡터값이 수렴하는 상기 n차원 은닉공간 상의 센터포인트에 매핑된 은닉벡터값에 따라, 상기 메타물질에 대한 최적의 표면패턴을 탐색하는 탐색부
    를 더 포함하는 메타물질의 표면패턴 생성 시스템.
15. 제14항에 있어서,
    상기 복수의 예측 은닉벡터값 중, 상기 n차원 은닉공간 상에서 일정 거리 이상 이간하여 분포되는 제1 예측 은닉벡터값이 존재하는지 판단하고, 상기 복수의 예측 은닉벡터값 중에 존재하는 상기 제1 예측 은닉벡터값에 해당하는 후보 샘플을 노이즈로서 제거하는 제거부
    를 더 포함하고,
    상기 획득부는,
    상기 다수의 은닉벡터 중에서 새로운 후보 샘플을 재샘플링하는
    메타물질의 표면패턴 생성 시스템.
16. 제1항 내지 제10항 중 어느 한 항의 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체.

Images