🤖 machine learning

Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction

본 연구는 권선형 회전 동기 전동기의 성능을 예측하기 위한 8가지 머신러닝 및 딥러닝 모델의 종합적인 벤치마크를 제시하며, 신경망 기반 아키텍처, 특히 FT-Transformer가 정확도와 계산 속도 측면에서 트리 기반 모델을 유의미하게 능가하는 동시에 견고한 멀티 시드 재현성 프로토콜과 비용-정확도 트레이드오프에 대한 파레토 분석을 제공한다는 점을 입증한다.

원저자: Kıvanç Doğan, Ahmet Orhan

게시일 2026-06-23✓ Author reviewed ⓘ

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Kıvanç Doğan, Ahmet Orhan

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 새로운 전기차를 위한 완벽한 엔진을 설계하려고 한다고 상상해 보십시오. 과거에 엔지니어들은 자석에 들어가는 것과 같은 희귀하고 비싼 금속(희토류)을 사용하여 모터를 강력하게 만들었습니다. 하지만 이러한 금속은 구하기 어렵고 정치적 문제를 일으킬 수 있기 때문에, 엔지니어들은 이제 **권선 회전자 동기 모터(WRSM)**라고 불리는 다른 유형의 모터로 전환하고 있습니다. 이 새로운 모터를 '스마트'한 엔진이라고 생각해보세요. 이 엔진은 희귀 금속을 필요로 하지 않지만, 설계하기는 훨씬 더 어렵습니다.

문제점: "느린 수학"이라는 병목 현상

이 새로운 모터를 설계하는 것은 가능한 모든 재료의 조합을 맛보며 완벽한 레시피를 찾는 것과 같습니다. 여기에는 수십 가지의 변수(금속판의 크기, 와이어 권선 수, 전류 등)가 존재합니다.

전통적으로 엔지니어들은 각 레시피를 테스트하기 위해 **유한 요소 해석(FEA)**이라는 매우 정확하지만 믿을 수 없을 정도로 느린 컴퓨터 시뮬레이션을 사용합니다.

비유: FEA는 수프 한 숟가락을 맛볼 때마다 그 안의 모든 분자를 분석하여 완벽한 등급을 매기는 마스터 셰프와 같습니다. 문제는, 단 한 숟가락을 맛보는 데만 몇 시간이 걸린다는 점입니다. 만약 3,000개의 레시피를 테스트해야 한다면, 당신은 몇 년을 기다려야 할 것입니다.

해결책: "빠른 학습자들" (머신러닝)

이 과정을 가속화하기 위해, 연구원들은 컴퓨터에게 느린 셰프의 테스트 결과를 "추측"하는 법을 가르치려 노력했습니다. 그들은 **머신러닝(ML)**과 딥러닝(DL) 모델을 사용했습니다.

비고: 느린 마스터 셰프를 기다리는 대신, 그들은 "빠르게 맛을 보는 견습생들"을 훈련시켰습니다. 이 견습생들은 수천 개의 과거 레시피와 그 결과들을 읽으며 패턴을 학습했고, 이를 통해 새로운 레시피의 맛을 밀리초(ms) 단위로 예측할 수 있게 되었습니다.

실험: 위대한 맛 대결

연구진은 3,351개의 유효한 모터 설계 데이터셋(마치 거대한 요리책과 같은)을 만들었습니다. 그런 다음 8개의 서로 다른 "견습생"들을 서로 맞붙여, 누가 모터의 성능(회전력 및 효율성)을 가장 정확하게 예측하는지 겨루었습니다.

8명의 견습생은 네 가지 "가문"에서 왔습니다:

트리 기반 모델 (논리 퍼즐 해결사): CatBoost, LightGBM, Random Forest와 같은 모델들이 여기에 포함됩니다. 이들은 흐름도처럼 일련의 "예/아니오" 질문을 던지며 결정을 내립니다.
신경망 (패턴 인식 전문가): MLP, PI-MLP, 그리고 주인공인 FT-Transformer가 포함됩니다. 이들은 인간의 뇌를 모방하도록 설계되었으며, 단순한 예/아니오 단계가 아니라 변수들 사이의 복잡하고 부드러운 연결 관계를 찾아냅니다.
확률 모델 (도박사): *가우시안 프로세스 회귀(Gaussian Process Regression)*와 같이 불확실성을 가지고 추측하는 모델입니다.

결과: 누가 승리했나?

결과가 단순히 운이 아니라는 것을 확인하기 위해 실험을 10번 반복하여 테스트한 결과는 다음과 같습니다:

챔피언: FT-Transformer(딥러닝 모델)가 금메달을 차지했습니다. 이 모델은 거의 완벽한 정밀도(99.28% 정확도)로 모터의 성능을 예측하며 가장 정확한 모습을 보였습니다.
- 승리 이유: 논문은 모터의 물리학이 마치 부드럽게 흐르는 강물과 같다고 제안합니다. 신경망은 이 부드러운 흐름을 따라가는 데 탁월합니다. 반면 "트리" 모델들은 강물을 직선적이고 울퉁불퉁한 단계로 쪼개버리기 때문에 그 미세한 차이를 포착하는 데 어려움을 겪었습니다.
준우승: 표준 신경망(MLP)이 2위를 차지했으며, 여전히 모든 트리 기반 모델보다 뛰어난 성능을 보였습니다.
"충분히 좋은" 옵션: 트리 기반 모델 중에서는 CatBoost가 가장 좋았습니다. 신경망만큼 정확하지는 않았지만, 훈련 속도가 훨씬 빨랐습니다.
패배자: GPR은 훈련 속도가 매우 빠르지만 정확도 면에서는 신경망 모델들에 뒤처졌으며, Random Forest가 전체적으로 가장 약한 성능을 보였습니다.

트레이드오프: 속도 vs 정확도

연구진은 또한 이 모델들을 훈련시키는 "비용"을 살펴보았습니다:

FT-Transformer: 훈련하는 데 약 6분이 걸렸지만, 일단 훈련되면 결과를 0.33 밀리초 만에 예측합니다. 이는 기존의 "마스터 셰프"(FEA)보다 수백만 배 빠른 속도입니다.
CatBoost: 훈련에 단 37초만 소요되었으며, 속도와 정확도 사이의 매우 좋은 균형을 제공했습니다.
기존 방식 (FEA): 단 한 번의 테스트에 몇 분 또는 몇 시간이 걸립니다.

결론

이 연구는 희토류를 사용하지 않는 새로운 전기 모터를 설계하는 데 있어 **딥러닝 모델(특히 FT-Transformer)**이 사용 가능한 최고의 도구임을 입증합니다. 이 모델들은 믿을 수 없을 정도로 정확하며, 기존 방식으로는 단 하나의 테스트를 수행할 시간에 수천 개의 설계 가능성을 탐색할 수 있습니다.

만약 절대적으로 최고의 설계를 원한다면 FT-Transformer를 사용하십시오. 만약 초기 계획 단계에서 빠르고 "적당히 좋은" 답이 필요하다면, CatBoost가 훌륭하고 빠른 대안이 될 것입니다. 어떤 방식을 선택하든, 두 방식 모두 전통적인 방법보다 설계 과정을 획기적으로 빠르게 만들어 줍니다.

기술 요약: WRSM 성능 예측을 위한 머신러닝 및 딥러닝 모델의 비교 평가

문제 정의
전기차(EV) 산업의 급격한 확장은 희토류 원소에 대한 의존도를 피할 수 있는 고효율 전기 모터에 대한 수요를 심화시켰습니다. 권선형 회전자 동기 모터(WRSM)는 영구자석 동기 모터(PMSM)의 희토류 의존성을 제거할 수 있는 능력 덕분에 전략적 대안으로 부상했습니다. 그러나 WRSM 설계는 수많은 기하학적 및 전자기적 파라미터를 동시에 조정해야 하는 고차원적, 비선형적 최적화 문제를 수반합니다. 전통적인 설계 검증은 유한 요소 해석(FEA)에 의존하는데, 이는 정확하지만 계산 비용이 많이 들어 한 번의 평가에 수 분에서 수 시간이 소요되기도 합니다. 이러한 병목 현상은 초기 설계 단계에서 광범위한 파라미터 공간을 탐색하는 것을 심각하게 제한합니다. 머신러닝 기반의 대리 모델(surrogate modeling)이 이 과정을 가속화하기 위해 제안되었으나, 기존 문헌은 종종 좁은 범위의 모델 비교에 국한되어 있으며, 현대적인 딥러닝 아키텍처를 제외하거나 WRSM에 특화된 종합적인 벤치마크가 부족한 실정입니다.

연구 방법론
본 연구는 그래디언트 부스팅(gradient boosting), 앙상블(ensemble), 신경망(neural networks), 확률적 방법(probabilistic methods)의 네 가지 알고리즘 계열에 걸쳐 8가지 머신러닝 및 딥러닝 모델을 체계적으로 비교합니다. 평가는 두 가지 핵심 성능 지표인 토크와 모터 효율 예측에 초점을 맞춥니다.

데이터셋 생성: Ansys Motor-CAD 시뮬레이션 환경 내에서 라틴 하이퍼큐브 샘플링(LHS)을 사용하여 3,351개의 유효 샘례로 구성된 데이터셋을 생성했습니다. 이 데이터셋은 23개의 입력 파라미터(기하학적 15개, 전기적 8개)를 타겟 변수에 매핑합니다. 데이터는 70%의 훈련 세트, 15%의 검증 세트, 15%의 테스트 세트로 분할되었습니다.
평가된 모델:
- 그래디언트 부스팅: CatBoost, LightGBM, XGBoost.
- 앙상블: Random Forest.
- 신경망: 다층 퍼셉트론(MLP), 물리 정보 기반 MLP(PI-MLP, 손실 함수에 전자기적 제약 조건을 통합함), FT-Transformer(셀프 어텐션을 사용하여 정형 데이터를 위해 설계된 트랜스포머 아키텍처).
- 확률적 방법: 계산 복잡성으로 인해 400개의 샘플 서브셋으로 학습된 가우시안 프로세스 회귀(GPR).
학습 프로토콜: 견고성과 재현성을 보장하기 위해 각 모델은 10개의 서로 다른 무작위 시드(random seed) 값을 사용하여 학습되었습니다. 하이퍼파라미터는 Optuna 프레임워크를 사용하여 체계적으로 최적화되었습니다. 모든 모델은 $R^2$ , 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 평균 절대 백분율 오차(MAPE)를 사용하여 평가되었습니다.

주요 기여
본 연구는 다음 세 가지 측면에서 기존 연구와 차별화됩니다:

광범위한 모델 스펙트럼: 최근의 정형 데이터용 딥러닝 아키텍처인 FT-Transformer을 포함하여 광범위한 알고리즘을 통합하였으며, 이는 WRSM 대리 모델링을 위해 벤치마킹된 바 없습니다.
엄격한 재현성: 멀티 시드 프로토콜(10개 시드)과 체계적인 하이퍼파라미터 최적화를 사용하여 단일 실행 평가를 넘어 통계적으로 견고한 모델 성능 평가를 제공합니다.
다차원적 분석: 계산 비용(학습 시간)과 예측 정확도 사이의 트레이드오프를 평가하기 위해 파레토 분석(Pareto analysis)을 적용하여, 다양한 설계 단계에 대한 실질적인 가이드를 제공합니다.

결과
실험 결과는 명확한 성능 계층 구조를 보여줍니다:

정확도: 신경망 기반 모델들이 트리 기반 모델들보다 체계적으로 우수한 성능을 보였습니다. FT-Transformer는 전체 $R^2$ 0.9928 ± 0.0009를 달성하며 가장 높은 단일 모델 정확도를 기록했습니다. 구체적으로, 토크 예측에서 $R^2$ 0.9914(MAE = 1.227 Nm), 효율 예측에서 $R^2$ 0.9942(MAE = 0.728%)를 달성했습니다.
비교: 트리 기반 모델(CatBoost, LightGBM, XGBoost, Random Forest)은 $R^2$ 값이 0.80에서 0.95 사이로 더 낮은 정확도를 보였습니다. 이 중 CatBoost가 가장 우수했으며, Random Forest는 가장 높은 오차를 나타냈습니다.
물리 정보 기반 접근법: PI-MLP에 물리적 제약 조건을 포함하는 것이 표준 MLP보다 성능 향상을 가져오지 못했으며, 오히려 표준 MLP가 두 지표 모두에서 PI-MLP보다 약간 더 우수한 성능을 보였습니다.
계산 트레이드오프:
- FT-Transformer: 가장 긴 학습 시간(378초)이 소요되었으나 가장 높은 정확도를 제공했습니다.
- CatBoost: 약 37초 만에 $R^2$ 0.9592를 달성하여 속도와 정확도 사이의 유리한 균형을 제공하는 파레토 최적해(Pareto-optimal solution)로 나타났습니다.
- 추론 속도: 학습 후 FT-Transformer 모델은 0.33 밀리초 만에 예측을 생성하며, 이는 FEA의 수 분에 달하는 계산 시간과 비교했을 때 수 차수의 배수(orders of magnitude)만큼 빠른 속도입니다.

의의 및 주장
저자들은 본 연구가 FT-Transformer와 같은 최신 딥러닝 아키텍처를 포함한 WRSM 대리 모델링 분야의 첫 번째 종합적인 벤치마크라고 주장합니다. 연구 결과는 연속 함수 근사 능력을 갖춘 신경망이 트리 기반 모델의 조각적 선형 결정 경계(piecewise linear decision boundaries)보다 WRSM의 매끄럽고 비선형적인 전자기적 전이를 포착하는 데 더 적합하다는 것을 시사합니다.

본 연구는 FT-Transformer가 최대 정확도를 요구하는 응용 분야에 최상의 선택인 반면, CatBoost는 계산 비용이 주요 제약 조건인 신속한 프로토타이핑 및 사전 스크리닝 단계에서 효율적인 대안이 된다고 결론짓습니다. 개발된 대리 모델은 평가 시간을 크게 단축하여 전기 모터의 초기 설계 단계에서 광범위한 파라미터 공간을 신속하게 탐색할 수 있게 합니다. 향후 연구로는 이 모델들을 다른 WRSM 구성에 일반화하는 방법과 더 큰 데이터셋을 활용한 물리 정보 기반 모델링의 통합을 검토할 것을 제안합니다.