Physics-Informed Federated Learning for Decentralized Pharmaceutical Crystallization: Achieving Personalized Predictive Accuracy with Minimal Data

당신이 로봇에게 완벽한 케이크를 굽는 법을 가르치려 한다고 상상해 보세요. 보통은 수천 개의 레시피가 담긴 거대한 요리책을 로봇에게 주고, 제대로 할 때까지 연습하게 만들 것입니다. 하지만 만약 그 요리책을 공유할 수 없다면 어떨까요? 전 세계의 모든 제빵사가 각자의 주방에 비밀 가족 레시 рецеп토를 잠가두고, 당신에게는 "오븐이 더 뜨거워져야 할 것 같아요"라는 짧은 메모 한 장만 보낼 수 있다면요? 이것이 바로 **연합 학습(Federated Learning)**의 과제입니다. 즉, 서로의 개인 데이터를 전혀 보지 않고도 컴퓨터들이 함께 학습하는 방법입니다.

이제 로봇이 케이크를 굽는 것보다 훨씬 더 까다로운 일, 즉 의약품용 결정을 키우는 법을 배우려고 한다고 상상해 보세요. 현실 세계에서 이 결정들은 그냥 나타나는 것이 아니라, 중력이나 물이 어는 방식처럼 물리 법칙에 따라 엄격하게 성장합니다. 만약 로봇이 센서로부터 들어오는 지저지고 노이즈가 섞인 측정값에만 의존해 추측하게 둔다면, 로봇은 불가능하고 기괴한 모양들을 만들어내기 시작할 것입니다. 여기서 **물리 정보 신경망(Physics-Informed Neural Networks, PINNs)**이 등장합니다. 이것은 단순히 데이터를 암기하는 로봇이 아니라, 우주의 법칙이라는 규칙집을 함께 부여받은 로봇입니다. 이들은 결정이 반드시 특정한 방식으로 성장해야 한다는 것을 알고 있습니다. 따라서 센서 데이터가 흐릿하거나 데이터의 일부가 누락되더라도, 로봇은 물리 법칙을 사용하여 그 빈칸을 올바르게 채워 넣습니다.

독립 연구자인 사이 비나이 타투콜라(Sai Vinay Thattukolla)가 작성한 이 논문은 제약 분야의 매우 구체적인 문제를 다룹니다. 즉, 모든 공장이 저마다 다르고, 데이터는 부족하며, 아무도 자신의 비밀을 공유하고 싶어 하지 않을 때, 어떻게 약품 제조 공정의 슈퍼 스마트한 "디지털 트윈"(가상 복제본)을 구축할 것인가 하는 문제입니다. 저자는 세 가지 서로 다른 "개성"을 가진 결정 성장 시뮬레이션을 구축하여 새로운 방법론인 F-PINN(Physics-Informed Federated Learning)을 테스트했습니다. 이 연구는 연합 학습의 프라이버시 보호 기능과 물리학의 엄격한 규칙을 결합함으로써, 시스템이 모든 공장으로부터 동시에 학습하고, 센서가 오작동하더라도 정확성을 유지하며, 각 특정 공장에 완벽하게 맞춰 스스로를 미세 조정할 수 있음을 보여줍니다. 컴퓨터 시뮬레이션에 기반한 결과에 따르면, 이 방법은 데이터가 지저분하거나 누락되었을 때 표준적인 접근 방식보다 압도적으로 뛰어난 성능을 보였습니다.

결정 성장의 비밀 레시피

의약품 제조의 세계에서 가장 중요한 단계 중 하나는 **결정화(crystallization)**입니다. 이는 액체 용액이 고체 결정으로 변하는 과정으로, 이 결정의 크기와 모양은 약물이 몸 안에서 얼마나 잘 녹는지, 그리고 얼마나 오래 지속되는지를 결정합니다. 아주 작은, 완벽한 눈송이 정원을 가꾼다고 상상해 보세요. 너무 크면 약물이 몸에 녹지 않을 것이고, 너무 작으면 서로 뭉쳐버릴 수 있습니다. 이를 제어하기 위해 공장에서는 MSMPR 결정화기(결정이 자라면서 끊임없이 저어지는 탱크를 뜻하는 멋진 이름입니다)라는 기계를 사용합니다.

문제는 모든 공장이 서로 다르다는 점입니다. 어떤 곳은 결정이 천천히 자라고, 다른 곳은 빠르게 자랍니다. 게다가 결정을 측정하는 센서는 라디오의 잡음처럼 노이즈가 많거나, 때로는 고장이 나서 데이터에 공백이 생기기도 합니다. 전통적으로 이러한 결정의 성장 방식을 예측하는 컴퓨터 모델을 만들려면 모든 공장의 데이터를 한데 모아 거대한 더미를 만들어야 합니다. 하지만 공장들은 그렇게 할 수 없습니다. 그들의 데이터는 마치 비밀 소스 레시피처럼 영업 비밀이기 때문입니다. 만약 데이터를 공유한다면 경쟁 우위를 잃을 수도 있습니다.

여기서 **연합 학습(Federated Learning)**이 등장합니다. 각 공장은 자신의 소스를 중앙 주방으로 보내는 대신, 자신의 주방에 그대로 둡니다. 대신 그들은 "수학적 업데이트(노트)"만을 중앙 셰프에게 보내고, 중앙 셰프는 이들을 섞어 더 나은 글로벌 레시피를 만든 뒤 다시 새로운 레시피를 보내줍니다. 이 방식은 비밀을 안전하게 지켜줍니다. 하지만 함정이 있습니다. 만약 공장들이 너무 다르다면(한 곳은 느린 결정을 만들고, 다른 곳은 빠른 결정을 만든다면), 중앙 셰프가 만드는 "평균적인" 레시피는 누구에게도 잘 맞지 않을 수 있습니다. 이는 천천히 익히는 스튜 레시피와 빠른 전자레인지 조리법을 평균 내는 것과 같으며, 그 결과는 재앙이 될 것입니다.

"물리학"이라는 안전망

이 지점에서 논문은 주인공인 **물리 정보 신경망(PINNs)**을 소개합니다. 표준 AI 모델은 플래시카드를 암기하는 학생과 같습니다. 만약 플래시카드가 빠져 있거나 오타가 있다면, 그 학생은 무작정 추측하다가 틀리게 됩니다. 반면 PINN은 플래시카드를 암기하면서 동시에 해당 주제의 근본적인 논리를 이해하는 학생입니다.

이 연구에서 "논리"는 **입자 균형 방정식(Population Balance Equation, PBE)**입니다. 이것은 결정이 시간이 지남에 따라 어떻게 성장하고 크기가 변하는지를 설명하는 수학적 법칙입니다. 즉, "특정 수의 작은 결정에서 시작한다면, 그것들은 반드시 특정한 크기 분포로 성장해야 한다"는 규칙입니다. 논문은 이 법칙을 AI의 뇌 속에 직접 심어 놓았습니다. 따라서 센서 데이터에 노이즈가 많거나 데이터의 큰 부분이 누락되더라도, AI는 당황하지 않습니다. AI는 물리 법칙을 보고 "데이터가 여기 비어 있지만, 물리학 법칙에 따르면 결정은 반드시 이런 모양이어야 해"라고 판단합니다.

실험: 가상 공장 투어

이 아이디어를 테스트하기 위해 저자는 실제 공장을 사용하지 않았습니다(실제 공장은 테스트를 위해 설정하기에 너무 느리고 비용이 많이 듭니다). 대신 세 가지 다른 제약 사이트를 시뮬레이션한 가상 시뮬레이션을 구축했습니다:

• 사이트 A: 결정 성장이 느린, 보수적이고 느린 공장.
• 사이트 B: 표준적인 베이스라인 공장.
• 사이트 C: 결정 성장이 빠르고 공격적인 공장.

저자는 각 사이트가 60개의 데이터 포인트(매우 적은 양의 데이터)만을 가지고 있으며, 센서 노이즈가 발생하여 측정 범위 중간에서 10% 정도 편차가 생기거나 완전히 실패하는 시나리오를 시뮬레이션했습니다. 그런 다음 세 곳의 가상 사이트가 서로의 원시 데이터를 공유하지 않고 협력하도록 F-PINN 시스템을 실행했습니다.

결과: 물리학이 구원하는 순간

결과는 매우 놀라웠으며, 특히 상황이 악화되었을 때 더욱 그러했습니다.

1. "센서 오류" 처리
저자가 결정 크기 20에서 60 마이크로미터 사이의 데이터가 누락되는 센서 결함을 시뮬레이션했을 때, (물리학이 없는) 표준 연합 학습 모델은 통제 불능 상태가 되었습니다. 모델은 물리적으로 불가능한 모양을 추측하며 격렬하게 진동하기 시작했습니다. 그러나 F-PINN은 물리 법칙을 사용하여 그 간극을 매끄럽게 채웠고, 완벽하고 부드러운 곡선을 유지했습니다. 이는 마치 엔지니어들이 다리가 어떻게 생겨야 하는지 정확히 알고 있기 때문에, 중간 부분이 사라져도 다리가 버텨내는 것과 같았습니다.

2. "개인화"의 돌파구
가장 큰 도전 과제는 세 사이트가 너무 달랐다는 점이었습니다. 글로벌 모델(평균 레시피)은 괜찮았지만, 극단적인 사이트들에게는 최선이 아니었습니다. 저자는 개인화 적응(Personalized Adaptation) 단계를 도입했습니다. 글로벌 모델이 훈련된 후, 각 사이트는 자신의 특정 로컬 데이터를 사용하여 약간의 추가적인 "미세 조정"을 할 수 있었습니다.

• 사이트 A(느린 성장형)의 경우, 이 개인화 과정을 거친 후 오차가 92.8% 감소했습니다.
• 사이트 C(빠른 성장형)의 경우 역시 오차가 크게 감소했습니다.

3. "시각적 부검(Visual Autopsy)"
가장 극적인 발견은 "시각적 부검"이라 불리는 병렬 비교에서 나왔습니다. 저자는 까다로운 사이트 A의 데이터를 가져와 두 가지 모델을 훈련시켰습니다: 하나는 표준 AI(데이터 전용)이고, 다른 하나는 F-PINN(물리 정보 포함)입니다.

• 표준 AI는 처참하게 실패했습니다. 노이즈에 과적합되어 물리적으로 말이 안 되는 들쭉날쭉한 직선 형태를 만들어냈습니다. 이 모델의 오차율은 무려 56,841.25였습니다.
• F-PINN은 안정적이고 정확하게 유지되었으며, 오차율은 단 159.13에 불과했습니다.

이는 개인화된 모델이 표준 모델에 비해 99.72%의 오차 감소를 달성했음을 의미합니다. 논문은 이처럼 작고 노이즈가 많은 데이터셋의 경우, 물리학은 단순한 도움말이 아니라 모델이 무너지는 것을 막기 위한 필수 요구 사항임을 강조합니다.

이것이 미래에 갖는 의미

이 연구는 이 F-PINN 프레임워크가 Pharma 4.0(제약 산업의 디지털 전환)의 미래를 위한 강력한 "파운데이션 모델" 역할을 한다고 결론짓습니다. 이는 공장들이 자신만의 비밀 레시피를 절대 드러내지 않으면서도 더 나은 모델을 만들기 위해 협력할 수 있음을 증명합니다. 연합 학습의 프라이버시 보호 기능과 물리학 법칙의 신뢰성을 결합함으로써, 산업 제조의 무질서한 현실을 다룰 수 있는 정확하고 안정적인 디지털 트윈을 만들 수 있습니다.

결과는 실제 공장 테스트가 아닌 컴퓨터 시뮬레이션에 기반하고 있지만, 이 논문은 이 접근 방식이 각자의 고유한 비밀을 잃지 않으면서도 다양한 출처로부터 학습할 수 있는 확장 가능하고 프라이버시를 보호하는 경로를 제공한다고 시사합니다. 저자는 향후 연구에서 이를 더 복잡하고 역동적인 공정에 적용할 것이라고 언급했지만, 현재로서는 시뮬레이션 결과가 데이터가 부족하고 노이즈가 많을 때 물리학 법칙이 최고의 스승임을 보여주고 있습니다.