A Physics-Informed MobileNetV2 Framework for Thermal Infrared Gas Classification: Combining Thermodynamic Input Features and Loss-Level Physics Penalization

보이지 않는 열의 탐정

방 안에 유령을 찾으려고 노력한다고 상상해 보세요. 유령은 보이지도 않고, 들리지도 않으며, 발자국도 남기지 않습니다. 하지만 유령이기 때문에 주변 공기보다 약간 더 따뜻하거나 차가울 수도 있습니다. 이것이 과학자들이 위험한 가스 누출을 감지하려고 할 때 직면하는 과제입니다. 메탄이나 프로판 같은 가스는 육안으로는 보이지 않는 경우가 많지만, 물리적인 작용을 합니다. 바로 주변 공기의 온도를 변화시키는 것입니다. 가스 누출이 발생하면 독특한 "열적 지문(thermal fingerprint)"—즉, 열이 상승하고, 퍼지고, 소용돌이치는 패턴—을 만들어내며, 특수 카메라는 이를 포착할 수 있습니다.

이 보이지 않는 범인을 잡기 위해 연구자들은 머신러닝이라는 과학 분야를 사용합니다. 여기서 컴퓨터는 수천 개의 사례를 공부하며 패턴을 인식하는 법을 배웁니다. 보통 이 컴퓨터들은 여러분의 휴대폰에 있는 사진들처럼 모든 픽셀을 단순한 색상으로 취급하여 데이터를 입력받습니다. 하지만 여기에는 함정이 있습니다. 열화상 이미지는 단순히 예쁜 사진이 아니라, 물리학 법칙에 의해 지배되는 실제 물리적 열의 지도라는 점입니다. 만약 컴퓨터가 이러한 법칙을 무시한다면, 기괴한 그림자나 카메라 오류를 보고서 해로운 수증기 구름을 치명적인 가스 누출이라고 착각하는 실수를 저지를 수 있습니다. 이 논문은 단순하지만 강력한 질문을 던집니다. "만약 우리가 컴퓨터에게 학습하는 동안 물리학 법칙을 존중하도록 가르친다면 어떨까?" 그렇게 함으로써, 우리는 컴퓨터가 단순히 추측하는 것이 아니라 자신이 보는 열을 이해하는, 더 똑똑하고 안전한 탐정으로 만들 수 있을까요?

물리학을 아는 탐정

이 논문은 열화상 카메라를 사용하여 가스 누출을 포착하도록 컴퓨터를 훈련하는 새로운 방법을 소개합니다. 연구진은 "물리 정보 기반 모바일넷V2 프레임워크(Physics-Informed MobileNetV2 Framework)"라고 불리는 시스템을 구축했습니다. 이것을 고도의 기술을 갖춘 탐정이라고 생각하세요. 이 탐정은 단순히 범죄 현장을 보는 것이 아니라, 그 현장의 물리학을 이해합니다.

과거의 방식 vs 새로운 방식
과거에 과학자들이 컴퓨터에게 가스의 열화상 이미지를 읽는 법을 가르치려 했을 때, 그들은 이미지를 일반적인 사진처럼 취급했습니다. 표준 디지털 카메라와 마찬가지로 세 개의 채널(빨강, 초록, 파랑)의 데이터를 컴퓨터에 입력했습니다. 문제는 열화상 카메라는 실제로 "색상"을 보는 것이 아니라 "온도"를 본다는 점입니다. 열 지도를 일반 사진처럼 취급함으로써, 컴퓨터는 가장 중요한 단서인 열이 어떻게 움직이고 변화하는지를 놓치게 되었습니다.

논문의 저자들은 탐정의 도구 상자를 업그레이드하기로 했습니다. 컴퓨터에 단순한 3채널 사진을 입력하는 대신, 그들은 **6채널 "슈퍼 이미지"**를 만들었습니다. 그 구성 방식은 다음과 같습니다:

1. 온도 정규화 색상: 가공되지 않은 열 데이터를 표준 척도로 변환하여, 컴퓨터가 단순히 밝기만 보는 것이 아니라 각 픽셀이 정확히 얼마나 뜨겁거나 차가운지를 알 수 있게 했습니다.
2. 열 흐름 지도 (푸리에 법칙): 그들은 푸리에의 열전도 법칙이라는 수학적 규칙을 사용했습니다. 지도를 그려 열이 어디로 가장 빠르게 흐르는지 보여주는 선을 긋는다고 상상해 보세요. 이제 컴퓨터는 두 개의 새로운 지도를 봅니다. 하나는 열이 좌우로 움직이는 것을 보여주고, 다른 하나는 열이 상하로 움직이는 것을 보여줍니다. 이는 컴퓨터가 가스 구름과 깨끗한 공기가 만나는 정확한 경계면을 포착하는 데 도움을 줍니다.
3. 이상 징후 지도 (Anomaly Map): 주변 환경과 유독 다르게 나타나는 지점을 강조하는 지도를 만들었습니다. 만약 어떤 픽셀이 주변 15개 픽셀보다 훨씬 더 뜨겁다면, 컴퓨터는 이를 의심스러운 "핫스팟"으로 표시합니다.

"뒤집기 금지" 규칙
연구진은 또한 컴퓨터에게 중력에 관한 매우 중요한 교훈을 가르쳤습니다. 표준적인 컴퓨터 훈련에서는 컴퓨터가 더 빨리 학습하도록 이미지를 상하로 뒤집는 경우가 많습니다. 하지만 열은 그렇게 작동하지 않습니다! 뜨거운 가스는 부력 때문에 위로 올라갑니다. 아래로 내려가지 않습니다. 만약 상승하는 연기 사진을 거꾸로 뒤집으면, 천장에서 연기가 떨어지는 모습이 되는데, 이는 물리적으로 불가능합니다. 저자들은 훈련 데이터가 절대 뒤집히지 않도록 하여, 컴퓨터가 실제 세상에서처럼 열은 항상 위로 향한다는 것을 배우도록 했습니다.

"물리적 페널티"
이 시스템에서 가장 영리한 부분은 컴퓨터가 "물리적 실수"를 저질렀을 때 벌을 주는 방식입니다. 그들은 컴퓨터의 훈련 과정에 특별한 규칙을 추가했습니다. 만약 컴퓨터가 자신 있게 "저것은 가스 누출입니다!"라고 말했지만, 정작 이미지는 열 구배(경계나 흐름)가 없는 평평하고 지루한 영역을 보여준다면, 컴퓨터는 페널티를 받습니다. 이는 마치 선생님이 학생에게 "하늘이 완벽하게 맑은데 토네이도가 보인다고 말할 수는 없다"라고 말하는 것과 같습니다. 이 규칙은 컴퓨터가 물리적 증거(열 패턴)가 자신의 주장을 뒷받침할 때만 확신을 갖도록 강제합니다.

연구 결과

연구팀은 이 새로운 "물리 정보 기반" 탐정을 4가지 시나리오(가스 없음, 향수(가스를 대신한 안전한 대역), 연기, 그리고 위험한 혼합 가스)를 포함한 6,400장 이상의 열화상 이미지 데이터셋으로 테스트했습니다.

결과

• 정확도: 새로운 모델은 테스트 이미지의 **94.80%**를 정확히 맞혔습니다. 이는 기존 방식(93.00% 정확도)보다 확실한 개선이며, 물리학을 추가하는 것이 도움이 된다는 것을 입증합니다.
• "혼합물"의 초능력: 가장 위험한 시나리오는 두 종류의 가스가 섞이는 상황입니다. 새로운 모델은 이 상황을 포착하는 데 매우 뛰어났으며, **99.58%**의 성공률을 달랐습니다. 더욱 인상적인 것은, 혼합물이 없었던 722장의 이미지에 대해 오보(false alarm)가 단 한 건도 없었다는 점입니다. 늑대가 없을 때 결코 늑대가 있다고 외치지 않았습니다.
• 혼란 방지: 이전 모델들은 "향수"(안전)와 "연기"(위험)를 자주 혼동하곤 했습니다. 이들은 둘을 섞어서 인식했습니다. 하지만 새로운 물리 인식 모델은 이 두 가지 사이에서 실수가 전혀 없었습니다. 모델은 연기가 특정 플룸(plume) 모양으로 상승하는 반면, 향수는 더 완만하게 퍼진다는 점을 학습했고, 그 형태를 이용해 둘을 구분해 냈습니다.

트레이드 오프 (Trade-Off)
논문은 작은 비용에 대해서도 매우 솔직합니다. 새 모델은 물리학을 고려하지 않고 오직 높은 점수를 얻기 위해서만 훈련된 모델보다 정확도가 약 5% 정도 낮습니다. 그러나 저자들은 이것이 좋은 거래라고 주장합니다. "물리 법칙이 없는" 모델은 실제 과학을 배우는 것이 아니라 사진 속의 기괴한 트릭(예: 실험실의 특정 그림자)을 암기하여 그 점수를 얻었을 가능성이 높기 때문입니다. 만약 그 모델을 조명이 다른 다른 건물로 가져간다면 실패할 수도 있습니다. 반면, 열의 법칙을 이해하는 새 모델은 비록 쉬운 사례 몇 개를 놓칠 수는 있어도, 실제 환경에서 훨씬 더 신뢰할 수 있습니다.

보이지 않는 것을 보다
컴퓨터가 단순히 추측하는 것이 아니라 실제로 열을 보고 있는지 증명하기 위해, 연구진은 "오클루전 살리언시(occlusion saliency)" 기법을 사용했습니다. 이는 회색 사각형으로 이미지의 일부를 가려 컴퓨터가 어느 부분을 주목하는지 확인하는 방법입니다.

• 연기를 볼 때, 컴퓨터의 주의력은 열 구배가 가장 강한 곳, 즉 상승하는 연기 기둥의 밑부분에 고정되었습니다.
• 향수를 볼 때, 컴퓨터는 향기가 퍼져 나가는 확산되고 따뜻한 영역에 집중했습니다.
• 가스가 없을 때는 아무것도 특정하지 않았으며, 이는 인간이 하는 방식과 같았습니다.

이는 컴퓨터가 무작위적인 시각적 노이즈가 아니라, 실제 열역학적 구조를 바탕으로 결정을 내리고 있음을 확인시켜 주었습니다.

이것이 왜 중요한가

이 논문은 폭발이나 독성 흡입을 유발할 수 있는 가스 누출 감지와 같은 안전이 직결된 작업에서, 단순히 "높은 점수"를 받는 것보다 "우주의 법칙"을 이해하는 것이 더 중요하다는 점을 시사합니다. 열과 중력의 법칙을 준수하도록 컴퓨터를 가르침으로써, 연구진은 더 신뢰할 수 있는 시스템을 만들었습니다. 완벽할 수는 없겠지만, 이 시스템이 "위험"이라고 말할 때는 열이 물리 법칙이 말하는 방식 그대로 행동하는 것을 보았기 때문입니다. 이러한 접근 방식은 보이지 않는 위협으로부터 사람과 재산을 보호하는 데 있어 더 안전하고 해석 가능한 방법을 제공합니다.