Microbiome-Aware HVAC Control in Green Buildings Using Reinforcement Learning

우리 대부분은 인생의 아주 많은 부분을 건물 안에서 보냅니다. 우리는 우리가 편안하고 안전하게 느낄 수 있도록 설계된 기계 시스템에 의해 관리되는 공간에서 잠을 자고, 일하며, 모입니다. 수십 년 동안 실내 공기의 질을 판단하는 기준은 화학적 오염 물질과 에너지 사용량에 집중되어 왔습니다. 예를 들어, 친환경 건축물 인증은 구조물이 이산화탄소, 먼지, 휘발성 화학 물질을 얼마나 잘 걸러내는지, 또한 온도를 조절하기 위해 전기를 얼마나 소비하는지를 측정합니다. 이러한 척도는 안전을 위해 필수적이지만, 이야기의 일부만을 말해줄 뿐입니다. 그것들은 우리 벽 안에서 번성하는 보이지 않는 살아있는 세계, 즉 미생물군집(microbiome)을 간과하고 있습니다. 이것은 우리가 들이마시는 공기 속에 순환하는 박테리아, 곰팡이 및 기타 미생물의 복잡한 공동체입니다. 숲의 토양이 생태계를 건강하게 유지하기 위해 특정한 생명의 균형을 가지고 있는 것처럼, 건물 내부의 공기 또한 인간의 면역 체계부터 호흡기 건강에 이르기까지 인간의 건강에 영향을 미칠 수 있는 자체적인 미생물 공동체를 품고 있습니다.

지금까지 우리의 실내 공기를 제어하는 기술은 대체로 이 생물학적 층을 무시해 왔습니다. 냉난방 시스템은 화학 센서를 기반으로 온도와 습도를 관리하도록 조정될 뿐, 미생물 생태계의 건강을 바탕으로 조정되지 않습니다. 프라딥 토랏(Pradip Thorat)의 새로운 연구는 우리가 건물의 공기를 관리할 때 안정적이고 건강한 미생물 공동체를 지원할 수 있으며, 마땅히 그래야 한다는 다른 방식의 사고를 제시합니다. 이 연구는 실제 건물에서의 물리적 실험에 의존하는 대신, 정교한 컴퓨터 시뮬레이션을 사용하여 새로운 종류의 인공지능을 테스트합니다. 이 AI는 건물 관리자 역할을 하며, 에너지를 절약하면서도 이러한 미생물 생명체들에게 더 나은 환경을 만들 수 있는지 확인하기 위해 환기와 공기 흐름을 끊임없이 조정합니다. 목표는 단순히 공기를 화학적으로 깨끗하게 유지하는 것을 넘어, 균형 잡힌 생물학적 환경을 적극적으로 육성하는 것입니다.

연구진은 사무실, 회의실, 로비가 포함된 3구역 사무용 건물의 디지털 모델을 구축했습니다. 그들은 이 가상 건물이 공기가 어떻게 이동하는지, 습도가 어떻게 변하는지, 그리고 그러한 조건에 반응하여 미생물 개체군이 어떻게 성장하고 변화하는지를 모방하도록 프로그래밍했습니다. 시스템의 성공을 측정하기 위해, 그들은 '미생물군집 안정성 지수(Microbiome Stability Index)'라는 새로운 지표를 만들었습니다. 이 지수를 미생물 공동체가 얼마나 균형 있고 다양하게 유지되는지를 반영하는 점수로 생각하되, 유해한 병원균이 장악하거나 개체수가 급격히 요동치는 상황에는 벌점을 부여하는 방식이라고 이해하면 됩니다. 점수가 높을수록 공기가 더 안정적이고 건강하다고 간주됩니다. 연구팀은 이후 시행착오를 통해 학습하는 유형의 인공지능인 강화 학습 에이전트를 훈련시켜 건물의 환기를 제어하게 했습니다. AI의 임무는 신선한 공기를 얼마나 들여올 것인지를 조정하여, 높은 안정성 점수를 얻고자 하는 욕구와 그 공기를 이동시키는 데 드는 에너지 비용 사이의 균형을 맞추는 것이었습니다.

시뮬레이션 결과는 우리가 실내 공기를 관리하는 방식에 대해 놀라운 진실을 드러냈습니다. AI 제어 시스템은 일정량의 환기를 지속적으로 실행하는 전통적인 방식보다 더 높은 안정성 점수를 달술했습니다. 표준적인 접근 방식은 환기율을 시간당 2회 교체(air changes per hour)로 일정하게 유지했지만, AI는 훨씬 더 역동적으로 움직이는 법을 배웠습니다. AI는 평균 환기 횟수를 시간당 1.30회로 줄였음에도 불구하고, 미생물 공동체의 안정성을 1.2% 개선했습니다. 이 발견은 환기가 많을수록 공기 질에 항상 좋다는 일반적인 가설에 도전합니다. AI는 신선한 공기를 들여올 시기와 에너지를 아낄 시기를 정교하게 조절함으로써, 더 적은 노력으로 더 건강한 생물학적 환경을 유지할 수 있다는 것을 학습했습니다. 시스템은 특히 안정성 점수가 떨어지기 시작할 때만 환기를 공격적으로 늘리며, 대부분의 시뮬레이션 기간 동안 공기를 안정적으로 유지하는 데 매우 효과적이었습니다.

연구에서 가장 눈에 띄는 발견 중 하나는 습도와 관련되었습니다. 현재의 건물 표준은 일반적으로 곰팡이 성장을 방지하기 위해 상대 습도를 40%에서 60% 사이로 유지할 것을 권장합니다. 그러나 시뮬레이션 결과, 습도가 높아질수록 미생물 공동체의 안정성이 실제로 증가하여 80%에서 정점에 도달하는 것으로 나타났습니다. 이는 곰팡이를 억제하는 데 우선순위를 두는 현재의 가이드라인이 의도치 않게 더 넓은 미생물 생태계의 다양성과 안정성을 제한하고 있을 수도 있음을 시사합니다. 데이터는 높은 습도와 더 안정적인 미생물군집 사이에 강력한 양의 상관관계가 있음을 나타냈으며, 이는 공기를 건조하게 유지하려는 전통적인 초점과 상충하는 결과입니다. 연구진은 80%의 습도가 곰팡이 방지 측면에서는 높게 느껴질 수 있지만, 이 특정 모델 내에서 균형 잡힌 미생물 공동체를 유지하는 데는 최적의 지점(sweet spot)인 것으로 보인다고 언급했습니다.

또한 이 연구는 미생물적 균형을 관리하는 데 있어 모든 건물이나 기후가 동일하지 않다는 점을 강조했습니다. 시뮬레이션에 따르면 해안 및 습윤 열대 기후에 위치한 건물은 자연적으로 안정적인 미생물군집을 유지하는 데 유리하여, 높은 점수를 유지하는 데 필요한 에너지가 적었습니다. 반면, 건조한 사막 및 한랭 건조 기후는 큰 페널티를 부여하여 동일한 수준의 안정성을 달리는 데 훨씬 더 많은 에너지와 노력이 필요하게 만들었습니다. 이는 실내 공기 질을 관리하는 단일하고 보편적인 규칙이 어디에서나 통용될 수는 없음을 시사합니다. AI는 또한 동일한 건물 내에서도 각 방마다 안정성을 달성하기 위해 필요한 에너지량이 다르다는 것을 보여주었습니다. 예를 들어, 시뮬레이션의 사무 공간은 부피와 공기 흐름 역학의 차이 때문에 작은 회의실보다 동일한 안정성 점수를 얻기 위해 두 배 더 많은 에너지를 필요로 했습니다. 이는 건물 제어가 각 방의 구체적인 요구 사항과 지역 기후에 맞춰 고도로 맞춤화되는 미래를 가리킵니다.

결과가 유망하기는 하지만, 연구진은 이러한 결과가 실제 건물이 아닌 컴퓨터 시뮬레이션에서 나온 것임을 주의 깊게 명시하고 있습니다. 모델은 온도를 일정하다고 가정하고 각 방의 공기를 완벽하게 혼합된 물질로 취급하는 등 몇 가지 단순화를 거쳤으며, 이는 책상이나 창가 주변의 복잡한 미세 환경을 반영하지 못합니다. 안정성 점수를 계산하는 공식 또한 다른 유형의 건물이나 계절에 따라 조정될 수 있는 고정된 가중치에 의존했습니다. 이러한 한계에도 불구하고, 이 연구는 중요한 개념 증명(proof of concept)을 제공합니다. 이는 인공지능을 사용하여 실내 공기의 생물학적 질을 관리하고, 전통적인 시스템이 할 수 없는 방식으로 건강과 에너지 효율의 균균형을 맞추는 것이 가능하다는 것을 입증합니다. 이 연구는 차세대 친환경 건축물이 단순히 에너지를 절약하거나 화학 물질을 걸러내는 것을 넘어, 내부의 사람들을 위해 건강하고 살아있는 분위기를 적극적으로 경작하는 것에 관한 것이 될 수 있음을 시사합니다.