Multi-objective Bayesian Optimization with Human-in-the-Loop for Flexible Neuromorphic Electronics Fabrication

이 논문은 유연한 뉴로모픽 전자소자 제조 시 광선형 경화 공정의 최적 조건을 찾기 위해 다목적 베이지안 최적화와 실패 실험 데이터를 활용하는 인간-인-더-루프 (HITL) 프레임워크를 결합하여 실험 효율성을 극대화하고 소자 특성을 정밀하게 제어하는 방법을 제시합니다.

핵심

🍳 1. 배경: 실패하기 쉬운 '신기한 요리' 만들기

연구자들은 **'유연한 뇌형 컴퓨터 (뉴로모픽 전자제품)'**를 만들려고 합니다. 마치 종이처럼 구부릴 수 있는 소자죠. 이를 위해 '알루미늄 산화물'이라는 재료를 특수한 **초강력 섬광 (빛)**으로 순간적으로 구워 (열처리) 만들어야 합니다.

하지만 이 과정은 매우 까다롭습니다.

• 문제: 빛의 세기, 켜는 횟수, 시간 등 조절해야 할 버튼이 5 개나 됩니다. 이 버튼들을 어떻게 조합해야 맛있는 요리 (성공한 소자) 가 나올지 알 수 없습니다.
• 현실: 버튼을 잘못 누르면 재료가 타버리거나 (실패), 아예 안 익거나 (실패) 합니다. 실패한 요리는 버려야 하므로, 인공지능 (AI) 이 배울 수 있는 데이터가 사라집니다.

🤖 2. 기존 방법의 한계: "실패는 무의미한 쓰레기?"

기존의 AI(머신러닝) 는 **"성공한 데이터만"**을 보고 학습합니다.

• 만약 AI 가 "이런 조건에서는 실패했다"는 정보를 모른다면, AI 는 그 실패한 영역을 다시 시도하다가 시간을 낭비하게 됩니다.
• 마치 나침반이 없는 등산객이 절벽으로 떨어질 뻔한 길을 계속 반복해서 걷는 것과 같습니다.

🧑‍🤝‍🧑 3. 이 연구의 핵심: "사람의 눈"을 AI 에게 심기 (Human-in-the-Loop)

이 연구는 **"실패한 요리도 버리지 말고, 그 상태를 기록하자"**는 아이디어를 제시합니다.

• 사람의 역할: 실험자가 실패한 샘플을 보고 "완전히 탔다", "반만 익었다", "아직 안 익었다"라고 점수를 매깁니다.
  • 예시: "완전 탈색 (점수 -1)", "반만 익음 (점수 -0.5)", "완벽 (점수 0)" 등.
• AI 의 학습: AI 는 이 점수를 보고 **"아, 이쪽 지역은 재료가 타버릴 확률이 높구나"**라고 학습합니다.
• 효과: AI 는 이제 실패할 확률이 높은 위험 지역을 피하고, 성공할 확률이 높은 안전한 지역으로 나침반을 돌립니다.

이를 통해 실패를 줄이고, 성공적인 소자를 더 빨리 찾아낼 수 있게 되었습니다.

⚖️ 4. 목표: "두 마리 토끼"를 잡는 법 (다목적 최적화)

연구자들은 두 가지 목표를 동시에 달성해야 했습니다.

1. 기억력 (전하 저장 능력): 뇌처럼 정보를 잘 기억하려면 전하가 많이 쌓여야 합니다.
2. 절연성 (전류 누설 방지): 전기가 새지 않아야 소자가 고장 나지 않습니다.

• 모순: 보통 전하를 많이 쌓으려면 결함이 많아야 하는데, 전기가 새지 않으려면 결함이 없어야 합니다. 서로 상충되는 목표입니다.
• 해결: AI 는 이 두 마리 토끼를 동시에 잡을 수 있는 **최적의 균형점 (파레토 프론티어)**을 찾아줍니다. "기억력은 조금 줄이고 절연성을 극대화한 경우"부터 "절연성을 조금 줄이고 기억력을 극대화한 경우"까지 다양한 레시피를 제안합니다.

📊 5. 결과: "사람 + AI"는 훨씬 강력하다

• 비교 실험:
  • AI 만 사용: 실패한 시도를 계속 반복하며, 성공한 소자를 얻기까지 많은 시간과 재료가 낭비됨.
  • 사람 + AI: 실패한 시도를 미리 피하므로, 성공한 소자를 얻는 비율 (수율) 이 훨씬 높아짐.
• 결론: 사람의 직관과 경험을 AI 에게 주입함으로써, 실험 횟수를 줄이고 더 빠르게 최적의 조건을 찾아냈습니다.

💡 요약: 이 연구가 우리에게 주는 메시지

이 논문은 **"실패는 실패가 아니라, AI 가 배울 수 있는 소중한 정보"**라고 말합니다.

복잡한 과학 실험에서 **사람의 눈 (직관)**과 AI 의 계산력을 결합하면, 실패를 두려워하지 않고 더 빠르게 혁신적인 기술을 만들어낼 수 있다는 것을 증명했습니다. 마치 요리사가 실패한 요리를 보고 "다음엔 불을 조금만 줄이자"고 배우는 것처럼, AI 도 사람의 도움을 받아 더 똑똑해지고 효율적으로 일하게 된 것입니다.

기술 요약

제공된 논문은 유연한 뉴로모픽 전자소자 제조를 위해 **다목적 베이지안 최적화 (Multi-objective Bayesian Optimization, MOBO)**에 인간 - 루프 (Human-in-the-Loop, HITL) 피드백을 통합한 새로운 프레임워크를 제안하고 있습니다. 이 연구의 기술적 요약은 다음과 같습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 뉴로모픽 컴퓨팅 하드웨어는 에지 컴퓨팅을 가능하게 하며, 유연한 전자소자 (웨어러블 기기 등) 에 적용될 수 있습니다. 금속 산화물은 유망한 소재이나, 고온 공정이 필요하고 기판과의 열팽창 계수 불일치로 인해 유연한 고분자 기판 (PET 등) 에 적용하기 어렵습니다.
• 해결책: 광선 (Photonic) 경화 기술을 사용하여 수초 내 (밀리초 단위) 에 금속 산화물 필름을 경화하고 기판은 상온으로 유지하는 방식이 제안되었습니다.
• 문제점: 광선 경화 과정은 방출 에너지, 펄스 수, 펄스 길이 등 5 가지의 상호 연결된 입력 변수를 가지며, 이를 최적화하기 위해 전통적인 그리드 서치 (Grid-search) 를 수행하는 것은 비현실적입니다.
• 핵심 난제:
  1. 다목적 최적화의 모순: 뉴로모픽 소자에 필요한 '큰 커패시턴스 - 주파수 분산 (C-f dispersion, STP 특성)'과 '낮은 누설 전류 (Leakage current)'는 서로 상충되는 목표입니다 (결함이 많아야 C-f 분산이 크지만, 결함이 적어야 누설 전류가 낮음).
  2. 실험 실패 데이터의 부재: 실제 실험에서는 필름이 타거나 (burned), 불완전하게 경화되거나 (unconverted) 균일하지 않아 측정 가능한 소자가 만들어지지 않는 경우가 많습니다. 기존 머신러닝 모델은 이러한 '실패한 데이터'를 학습에 사용할 수 없어, 최적화 알고리즘이 실패 확률이 높은 영역을 계속 탐색하게 되어 비효율적입니다.

2. 방법론 (Methodology)

이 연구는 **다목적 베이지안 최적화 (MOBO)**와 인간 - 루프 (HITL) 피드백을 결합한 워크플로우를 개발했습니다.

• 다목적 베이지안 최적화 (MOBO):

  • 목표 함수: MIM (Metal-Insulator-Metal) 커패시터의 $C_{100Hz}/C_{1MHz}$ 비율 (최대화) 과 $|log(I_{leakage})|$ (최대화, 즉 누설 전류 최소화) 를 동시에 최적화합니다.
  • 초기 샘플링: 라틴 하이퍼큐브 샘플링 (LHS) 을 사용하여 초기 30 개의 실험 조건을 생성합니다.
  • 대리 모델 (Surrogate Model): 가우시안 프로세스 회귀 (GPR) 모델을 사용하여 입력 변수와 출력 특성 간의 관계를 모델링합니다.
  • 수집 함수 (Acquisition Function): 초기 라운드에서는 qEHVI 를, 후기 라운드에서는 탐색을 강화하기 위해 Pareto-UCB 전략을 적용하여 다음 실험 조건을 선정합니다.

• 인간 - 루프 (HITL) 프레임워크 (핵심 기여):

  • 문제 인식: 실패한 실험 (측정 불가) 은 머신러닝 모델 학습에 직접 사용될 수 없습니다.
  • 해결책: 연구자의 주관적 관찰을 수치화하여 모델에 통합합니다.
    • 점수 부여: 필름 경화 상태를 연구자가 직접 관찰하여 점수를 매깁니다 (예: 미경화 = -1.0, 부분 경화 = -0.5, 경화 = 0, 부분 타짐 = +0.5, 완전 타짐 = +1.0).
    • 제약 조건 모델링: 이 점수 데이터를 별도의 GPR 모델로 학습시켜, 특정 입력 조건에서 **성공적인 소자 제작 확률 ($P_{constraint}$)**을 예측합니다.
    • 최적화 제약: 수집 함수 (Acquisition Function) 에 $P_{constraint}$를 곱하여, 실패 확률이 높은 영역은 탐색을 억제하고 성공 확률이 높은 영역으로 탐색을 유도합니다.

• 해석 (Interpretability): 최적화 후 SHAP (SHapley Additive exPlanations) 분석을 통해 각 입력 변수가 목표 함수에 미치는 영향과 기여도를 정량화하여 물리적 인사이트를 도출했습니다.

3. 주요 결과 (Results)

• 최적화 성공: MOBO 와 HITL 을 결합한 프레임워크를 통해 5 개의 추가 학습 라운드 후, 실험 오차 범위 내에서 파레토 프론티어 (Pareto frontier) 를 성공적으로 식별했습니다.
• 성능 향상:
  • 소자 수율 (Yield) 증대: HITL 을 적용하지 않은 경우 (초기 30 개 중 10 개 성공, 이후 라운드에서 15 개 중 5 개 성공) 에 비해, HITL 을 적용한 경우 **9/10 (90%)**의 높은 성공률을 보였습니다.
  • 자원 절감: 실패한 실험을 피함으로써 필요한 실험 라운드를 줄이고 시간과 자원을 절약했습니다.
• 파레토 최적 조건 도출:
  • 조건 #40: 매우 낮은 누설 전류 ($|log(I_{leakage})| \approx 6.05$) 와 낮은 C-f 분산. (7ms 펄스 길이 사용)
  • 조건 #66: 높은 C-f 분산 ($C_{100Hz}/C_{1MHz} \approx 1.89$) 과 상대적으로 높은 누설 전류 ($|log(I_{leakage})| \approx 4.26$). (16ms 펄스 길이 사용)
  • 두 조건 모두 유연한 뉴로모픽 트랜지스터 제작에 필요한 성능 ($|log(I_{leakage})| \ge 4$) 을 충족하며, 소자의 특성을 조절 (Tunable) 할 수 있는 범위를 제공했습니다.
• SHAP 분석 인사이트:
  • C-f 분산: 낮은 방출 에너지, 낮은 펄스 수, 긴 펄스 길이와 양의 상관관계.
  • 낮은 누설 전류: 높은 방출 에너지, 높은 펄스 수, 짧은 펄스 길이와 양의 상관관계.
  • 특히 **펄스 길이 (Pulse Length)**가 두 목표 간 상충 관계를 결정하는 가장 중요한 변수임을 확인했습니다.

4. 의의 및 기여 (Significance)

• 실험 실패 데이터의 활용: 기존 머신러닝 기반 최적화가 간과했던 '실패한 실험'을 연구자의 전문 지식을 통해 정량화하여 모델 학습에 활용함으로써, 재료 과학 및 소자 제조 분야에서 발생하는 높은 실패율을 효과적으로 해결했습니다.
• 범용성: 이 프레임워크는 입력 변수가 복잡하게 얽혀 있고 실패 확률이 높은 다양한 실험적 최적화 문제에 적용 가능합니다.
• 뉴로모픽 소자 개발 가속화: 유연한 금속 산화물 유전체의 광선 경화 공정을 최적화하여, 차세대 뉴로모픽 컴퓨팅 하드웨어의 상용화를 위한 핵심 공정 기술을 확립했습니다.

결론적으로, 이 연구는 **인간의 직관적 판단 (HITL)**과 **데이터 기반 최적화 (MOBO)**를 융합하여, 기존 방식으로는 달성하기 어려웠던 복잡한 재료 공정의 최적화를 효율적으로 수행할 수 있음을 입증했습니다.