Practical applications of neural network with Kolmogorov-Arnold layers in spectral analysis

실험실의 고요한 웅성거림 속에서, 빛은 종종 인간의 눈이 볼 수 없는 이야기를 들려줍니다. 적외선 광선이 어떤 물질을 통과할 때, 그 물질 내부의 분자들은 특정 주파수를 흡수하며, 이는 피크와 골이 만들어내는 독특한 패턴인 스펙트럼을 생성합니다. 이 패턴은 화학적 지문 역할을 하여, 그 재료가 정확히 무엇으로 구성되어 있는지를 밝혀냅니다. 수십 년 동안 과학자들은 의약품의 순도부터 병에 담긴 플라스틱의 종류에 이르기까지 모든 것을 식별하기 위해 이 지문에 의존해 왔습니다. 그러나 이러한 복잡한 패턴을 수동으로 읽는 것은 느리고 오류가 발생하기 쉽습니다. 최근 몇 년 동안 연구자들은 이 과정을 자동화하기 위해 인공지능을 활용하여, 컴퓨터 프로그램이 이러한 화학적 서명을 빠르고 정밀하게 인식하도록 훈련시켜 왔습니다. 표준 컴퓨터 모델들도 이 작업에 상당히 능숙해졌지만, 특히 데이터가 지저지고, 부족하거나, 읽기 어려운 경우에 훨씬 더 효율적일 것으로 기대되는 새로운 접근 방식이 등장하고 있습니다.

폴란드의 한 연구팀은 식품 안전과 재료 과학과 관련된 일련의 실질적인 실험을 통해 이 새로운 접근 방식을 테스트했습니다. 그들은 전통적인 합성곱 계층(convolutional layers)과 콜모고로프-아르노프(Kolmogorov-Arnold) 계층이라 불리는 새로운 구성 요소를 결합한 특정 유형의 신경망 구조에 집중했습니다. 차이점을 이해하기 위해, 표준 컴퓨터 뉴런을 숫자의 목록을 받아 고정된 가중치를 곱하고, 모두 더한 다음, 단 하나의 경직된 필터를 통해 결과를 전달하는 노동자라고 상상해 보십시오. 반면, 콜모고로프-아르노프 뉴런은 더 유연한 악기처럼 작동합니다. 고정된 필터를 사용하는 대신, 입력받는 모든 개별 입력에 대해 고유하고 곡선적인 수학적 함수를 학습합니다. 이를 통해 네트워크는 분석 중인 데이터의 특정 형태에 맞춰 내부 논리를 훨씬 더 유연하게 적응시킬 수 있습니다. 연구진은 이 유연한 설계가 작은 샘플 크기, 저해상도 데이터, 그리고 동시에 여러 카테고리를 구분해야 하는 필요성과 같은 실제 세계의 과제에 직면했을 때 표준의 경직된 설계보다 더 뛰어난 성능을 발휘할 수 있는지 확인하고자 했습니다.

그들의 이론을 검증하기 위해, 연구팀은 서로 다른 네 가지의 실제 문제를 나타내는 네 가지 별도의 데이터 세트를 수집했습니다. 첫 번째 과제는 딸기 퓨레의 사기 행위를 탐지하는 것이었습니다. 이 시나리오의 목표는 값비싼 딸기 퓨레에 사과 퓨레나 설탕 같은 더 저렴한 재료가 몰래 섞였는지 여부를 판단하는 것이었습니다. 이 작업에 제공된 데이터는 까다로웠습니다. 스펙트럼이 짧아 데이터 포인트가 235개뿐이었고, 샘플 수집 또한 불균형하여 순수한 식품보다 변질된 식품의 예시가 훨씬 많았습니다. 이러한 장애물에도 불구하고, 새로운 네트워크 구조는 변질된 샘플을 성공적으로 식별해 냈습니다. 이 모델은 훈련 데이터가 제한적이고 신호가 약한 상황에서도 더 높은 정확도를 달eric하며 표준 모델보다 약간 더 나은 성능을 보였습니다. 이는 콜모고로프-아르노프 계층의 유연한 특성이 경직된 모델이 놓칠 수 있는 미세한 화학적 단서를 찾는 데 도움이 된다는 것을 시사합니다.

두 번째 실험은 데이터 가용성의 한계를 더욱 밀어붙였습니다. 연구진은 커피 품종, 구체적으로 로부스타와 아라비카 원두를 적외선 스펙트럼을 기반으로 구별하는 작업에 착수했습니다. 이 데이터 세트는 매우 작아서 훈련용 28개, 테스트용 28개의 샘플만을 포함하고 있었습니다. 머신러닝의 세계에서 이토록 작은 데이터 세트는 복잡한 컴퓨터 모델을 훈련시키기에 불충분하다고 간주되는 경우가 많습니다. 그럼에도 불구하고, 새로운 구조는 두 커피 유형 사이의 차이점을 효과적으로 학습해 냈습니다. 이는 이 유형의 네트워크가 패턴을 찾기 위해 반드시 방대한 양의 데이터를 필요로 하는 것은 아니라는 점을 입증했으며, 수백 또는 수천 개의 샘플을 수집하는 것이 불가능하거나 비용이 너무 많이 드는 상황에서 유망한 도구가 될 수 있음을 보여주었습니다.

식품에서 산업으로 넘어간 연구팀은 재활용 및 폐기물 관리에 있어 중요한 과제인 플라스틱 폴리머 분류 작업을 다루었습니다. 여기서 목표는 폴리에틸렌 테레프탈레이트(PET)와 폴리염화비닐(PVC)을 포함한 여섯 가지 흔한 플라스틱 유형을 분류하는 것이었습니다. 이는 모델이 단지 두 가지가 아닌 여섯 가지 카테 катего리를 선택해야 했기에 더 복잡한 작업이었습니다. 데이터 세트는 총 3,000개의 스펙트럼을 포함하는 크고 균형 잡힌 것이었습니다. 새로운 네트워크 구조는 이 다중 클래스 문제를 매우 효과적으로 처리하여, 대다수의 경우에 플라스틱 유형을 정확하게 식별했습니다. 결과는 이 시스템이 단순한 예/아니오 질문에만 능한 것이 아니라, 여러 유사한 재료 사이의 미묘한 차이를 다룰 수 있을 만큼 견고하다는 것을 확인시켜 주었습니다.

마지막으로, 연구진은 용기를 열지 않고도 분석이 가능한 기술인 비침습적 측정 능력을 테스트했습니다. 그들은 가시광선과 근적외선을 사용하여 밀봉된 음료 병의 알코올 농도를 결정했습니다. 여기서의 과제는 빛이 유리병을 통과해야 한다는 점이었으며, 병의 모양과 재질 자체가 측정값에 간섭을 일으킬 수 있다는 것이었습니다. 데이터 세트에는 네 가지 다른 알코올 농도가 포함되었으며, 테스트 세트에는 모델이 용기가 아닌 액체 자체를 학습했는지 확인하기 위해 훈련 세트와 다른 병들을 사용했습니다. 네트워크는 알코올 농도를 성공적으로 식별해 냈으며, 이는 병의 노이즈를 걸러내고 내부 액체의 화학적 서명에 집중할 수 있음을 증명했습니다. 이러한 능력은 품질 관리가 매장 선반에서 봉인을 뜯지 않고도 즉각적으로 이루어지는 미래를 향한 가능성을 보여줍니다.

네 가지 실험 전반에 걸쳐, 연구진은 새로운 콜모고로프-아르노프 네트워크를 표준 합성곱 신경망과 비교했습니다. 공정한 비교를 위해 두 모델의 조정 가능한 파라미터 수를 동일하게 맞추었으며, 이는 새로운 모델이 단순히 더 크거나 복잡해서가 아니라 구조적으로 다르다는 것을 의미합니다. 저해상도 식품 사기 탐지부터 복잡한 산업용 분류에 이르기까지, 모든 경우에서 새로운 구조는 표준 모델만큼 혹은 그보다 더 우수한 성능을 보였습니다. 결과는 여러 번의 훈련 실행에서도 일관되게 나타났으며, 새로운 네트워크는 정확도 면에서 약간이지만 신뢰할 수 있는 우위를 점했습니다. 이 연구는 이 구조가 저해상도 식품 사기 탐지부터 복잡한 산업 분류까지 처리할 수 있는 다재다능한 도구임을 결론짓습니다. 이는 데이터가 부족하거나, 노이즈가 많거나, 얻기 어려운 상황에서 화학 분석을 자동화할 수 있는 길을 제시하며, 잠재적으로 현실 세계에서 품질 관리를 더 빠르고 접근 가능하게 만들 것입니다.