본 연구는 철기반 금속유리 연자성 소재의 핵심 물성인 포화자속밀도(Bs)를 정밀하게 예측하기 위해 기계학습 모델을 구축하고, 입력 변수의 조합과 데이터 규모가 모델 성능에 미치는 영향을 심층적으로 분석하였다. 총 197개의 실험 데이터를 활용하여 Random Forest와 Gradient Boosting Regressor 모델을 학습시켰으며, 입력 변수는 성분 원자비(compositional atomic ratio), 파이썬 모듈 Matminer 기반 특성인자, 그리고 이 두 가지를 결합한 세 가지 조건으로 분류하여 비교 평가하였다. 연구 결과, 복잡한 파생 변수를 포함하는 조건보다 원자비만을 단독으로 입력 변수로 사용했을 때 가장 우수한 예측 성능을 나타내었다. Matminer 특성인자를 단독으로 사용하거나 원자비와 결합하여 사용할 경우 오히려 예측 정확도가 감소하는 경향을 보였는데, 이는 금속유리의 Bs 결정에 있어 조성 정보가 가장 지배적인 역할을 하기 때문으로 분석된다. 즉, Matminer를 통해 추출된 일부 변수들이 모델의 학습 과정에서 불필요한 정보로 작용하여 조성 성분비의 중요도를 희석시키고 성능 저하를 유발하는 것으로 판단된다. 또한, 데이터 의존성을 확인하기 위해 테스트 데이터의 비율을 0.2, 0.5, 0.8로 증가시키며 실험한 결과, 학습에 사용되는 데이터의 양이 줄어들수록 테스트 데이터에 대한 결정계수가 뚜렷하게 감소함을 확인하였다. 이는 기계학습 모델의 일반화 성능 확보를 위해 데이터의 절대적인 수량이 결정적인 요소임을 시사한다. 결론적으로, 기계학습을 통한 고성능 철기반 연자성 소재 개발을 위해서는 조성 중심의 효율적인 특징 선택(Feature Selection) 전략과 더불어, 지속적인 실험 데이터 수집을 통한 데이터베이스 확충이 필수적이다.
Chunghee Nam (Sat,) studied this question.