당신이 로봇에게 완벽한 케이크를 굽는 법을 가르치려 한다고 상상해 보세요. 하지만 단순히 "밀가루, 달걀, 설탕" 같은 단순한 목록을 주는 대신, 복잡하고 다단계적인 과정을 설명해야 합니다. 당신은 이렇게 말해야 할 것입니다. "먼저, 특정 속도로 5분 동안 건조 재료를 섞으세요. 그다음, 젖은 재료를 넣으면서 오븐을 정확히 200도로 가열하세요. 마지막으로, 천천히 식히세요." 이것은 단순한 품목의 목록이 아닙니다. 이것은 시작, 중간, 끝이 있고 순서가 중요하며, 단계마다 재료가 변하는 하나의 '이야기'입니다. 과학과 산업의 세계에서 이런 종류의 "이야기"를 **레시피 데이터(recipe data)**라고 부릅니다. 이는 새로운 재료를 만들기 위해 화학 물질을 혼합하는 것부터, 생명을 구하는 의약품을 조제하거나, 당신의 휴대폰 안에 들어가는 아주 작은 칩을 제조하는 것에 이르기까지 도처에 존재합니다.

오랫동안 컴퓨터는 단순한 숫자 목록(키와 몸무게가 적힌 스프레드시트 같은 것)을 읽는 데 뛰어난 능력을 보여왔습니다. 하지만 과학자들이 이 복잡한 "레시피 이야기"를 표준 컴퓨터 프로그램에 입력하려고 했을 때, 결과는 엉망이었습니다. 컴퓨터들은 이야기가 깔끔하고 고정된 격자에 들어맞지 않기 때문에 혼란을 겪었습니다. 어떤 단계는 다섯 개의 재료가 있고, 어떤 단계는 두 개뿐일 수도 있습니다. 단계의 순서는 매우 중요하지만, 기존의 컴퓨터 방식은 단계를 마치 뒤섞인 카드 더미처럼 취급하여, 2단계가 1단계에서 일어난 일에 의존한다는 사실을 무시했습니다. 이 논문인 RecipeNet은 다음과 같은 간단한 질문을 던집니다. 만약 우리가 인간 셰프처럼 레시피를 이해하는, 즉 이야기와 단계, 그리고 각 순간의 특정 재료를 존중하는 컴퓨터 두뇌를 만든다면 어떻게 될까?

문제점: 네모난 말뚝을 둥근 구멍에 박으려는 시도

아리조나 주립대학교와 어플라이드 머티리얼즈(Applied Materials)의 연구진은 기존 컴퓨터 모델들이 레시피 데이터를 처리하는 데 어려움을 겪고 있다는 점에 주목했습니다. 이 모델들이 레시피 데이터를 다루는 모습을 상상해 보세요. 마치 길고 구불구불한 강물을 정사각형 상자 안에 억지로 밀어 넣으려는 것과 같습니다. 이를 맞추기 위해, 그들은 강물을 작고 끊어진 조각들로 자르고 빈 공간을 "아무것도 없음"(0)으로 채워야 합니다. 이것이 현재 방식이 하는 일입니다. 그들은 복잡한 단계별 레시피를 지루하고 고정된 크기의 테이블로 평면화(flattening)합니다.

문제는 이 "평면화"가 마법을 파괴한다는 점입니다. 이는 단일 단계 내의 재료 간의 연결성(예: 온도와 압력이 어떻게 함께 작용하는지)을 잃게 만들고, 단계의 순서(예: 케이크를 굽기도 전에 먼저 식힐 수는 없다는 것)를 잊어버리게 만듭니다. 이 논문은 레시피가 가변적 스키마(단계마다 재료의 수가 다름), 계층적 구조(단계가 필드를 포함함), 그리고 순차적 의존성(순서가 중요함)을 가지고 있기 때문에, 기존의 "평면적인" 방식으로는 컴퓨터를 제대로 가르칠 수 없다고 주장합니다.

해결책: RecipeNet, 이야기를 읽는 로봇

이를 해결하기 위해 연구팀은 RecipeNet을 구축했습니다. RecipeNet을 스프레드시트가 아니라, 매우 특정한 설계가 적용된 2층 집이라고 생각해보세요.

1. 1층 (단계 수준의 방): 컴퓨터가 레시피의 단일 단계(예: "혼합")를 볼 때, 단순히 숫자의 목록을 보는 것이 아닙니다. 컴퓨터는 **트랜스포머(Transformer)**라고 불리는 특별한 도구(언어를 이해하는 데 유명한 AI의 한 종류)를 사용하여 해당 단계의 모든 재료를 동시에 살펴봅니다. 이를 통해 재료들이 서로 어떻게 소통하는지 학습합니다. 예를 들어, 컴퓨터는 "25°C"와 "5분"이 "혼합" 단계에서 함께 작동하는 한 팀이라는 것을 이해합니다. 이는 마치 셰프가 다음 단계로 넘어가기 전, 볼(bowl)의 상태를 정신적으로 스냅샷을 찍듯 해당 단계의 요약본을 만드는 것과 같습니다.
2. 2층 (레시피 수준의 복도): 컴퓨터가 모든 단계의 스냅샷을 확보하면, 이제 위층으로 올라갑니다. 여기서 또 다른 트랜스포머가 그 스냅샷들의 순서를 살펴봅니다. 컴퓨터는 1단계, 2단계, 3단계 사이의 점들을 연결합니다. 즉, "가열" 단계가 "혼합" 단계에서 일어난 일에 의존한다는 것을 배웁니다. 이를 통해 컴퓨터는 개별 문장이 아닌 전체 이야기를 이해할 수 있게 됩니다.

이 2층 구조 덕분에 RecipeNet은 레시피를 조각내거나 0으로 채울 필요 없이, 어떤 길이의 레시피나 어떤 수의 재료라도 처리할 수 있습니다. 마치 실제 레시피 북처럼 구조를 온전히 유지합니다.

결과: 셰프의 승리

연구팀은 세 가지 다른 유형의 "레시피" 데이터셋(고체 상태 반응, 솔-젤 전구체 합성, 용액 합성)을 대상으로 RecipeNet을 테스트했습니다. 이들은 새로운 재료를 발견하는 데 사용되는 실제 과학 데이터입니다. 연구팀은 컴퓨터에게 두 가지 까다로운 과제를 부여했습니다.

1. 다음 단계 예측: "앞선 몇 단계를 주었을 때, 다음 단계는 무엇이어야 하는가?"
2. 마스크 단계 예측: "여기에 한 단계가 숨겨진 레시피가 있다. 비어 있는 단계가 무엇이었는지 맞혀보라."

결과는 명확했습니다. RecipeNet은 표준 데이터에 매우 뛰어난 XGBoost 및 CatBoost와 같은 강력한 모델들과 다른 신경망 모델들을 제치고 일관되게 우수한 성능을 보였습니다.

• 고체 상태 반응(Solid-state reactions) 과제에서, RecipeNet은 0.453의 다음 단계 예측 정확도를 달s 기록하며, 이전 최고 기록인 0.439를 넘어섰습니다.
• 솔-젤 전구체 합성(Sol-gel precursor synthesis) 과제에서는, 차점자와 비교하여 0.406의 다음 단계 예측 점수를 기록했습니다.
• 가장 인상적인 것은 "빈칸 채우기"(마스크 단계) 과제에서였습니다. RecipeNet은 0.995 및 0.999와 같은 점수를 얻었는데, 이는 레시피의 누락된 부분을 거의 완벽하게 맞혔음을 의미합니다.

저자들은 이러한 성공이 RecipeNet이 단순히 숫자를 암기하는 것이 아니라, 단계 내의 재료 간의 관계와 단계 사이의 흐름을 학습하기 때문이라고 설명합니다. 연구진이 t-SNE 기법을 사용하여 컴퓨터의 "생각"을 시각화했을 때, RecipeNet은 유사한 레시피들을 깔끔하고 뚜렷한 클러스터로 묶어낸 반면, 다른 모델들은 엉망으로 뒤섞인 더미를 만들었습니다.

속도와 효율성: 빠르고 정확하게

두 층짜리 AI 집을 짓는 데 시간이 아주 오래 걸릴 것이라고 생각할 수도 있지만, 연구팀은 놀라운 사실을 발견했습니다. RecipeNet은 다른 복잡한 AI 모델보다 실제로 학습 속도가 더 빨랐습니다. 고체 상태 반응 데이터셋에서, RecipeNet은 가장 빠른 경쟁 트랜스포머 모델보다 학습 시간을 약 18% 단축했습니다.

왜일까요? RecipeNet은 "비어 있는" 단계나 가짜 데이터를 처리하는 데 시간을 낭비하지 않기 때문입니다. 실제로 존재하는 재료만을 살펴봅니다. 이는 RecipeNet이 더 똑똑할 뿐만 아니라 더 효율적임을 보여주며, 실제 실험실과 공장에서 실용적인 도구로 쓰일 수 있음을 시사합니다.

핵심 요약

이 논문은 레시피 데이터를 진정으로 이해하려면 그 형태를 존중해야 한다고 결론짓습니다. 이야기를 격자 형태로 평면화하면 그 흐름을 놓칠 수밖에 없습니다. 단일 단계의 세부 사항과 전체 과정의 흐름을 모두 이해하는 모델을 구축함으로써, RecipeNet은 과학과 제조를 이끄는 복잡한 단계별 지침을 컴퓨터가 학습하는 새로운 방식을 제시합니다. 저자들의 연구는 AI에게 문제와 일치하는 구조를 제공할 때, AI가 단순히 더 빨리 배우는 것이 아니라 더 잘 배운다는 것을 보여줍니다.