이 교수는 이 문제를 물리학적 이론을 통해 극복할 수 있다고 주장한다. 기존 AI모델에 실제 현상 규명이 가능한 물리이론을 적용해, 부족한 ‘오류 데이터’를 학습 시켜줄 필요가 있다는 이야기다.

 

 이 교수는 “산업용 AI 발전의 핵심은 제조현장에서 발생하는 현상을 이해할 수 있는 물리이론이 뒷받침돼야 이뤄질 수 있다”며 “우리 연구실 역시 기계시스템의 물리법칙을 AI와 결합하고자 한다”고 말했다.

 

그의 연구팀은 실제로 물리이론과 접목한 AI를 통해 괄목할만한 연구 성과를 얻기도 했다. 대표적 성과는 AI를 활용한 전기차 배터리 용량 예측 연구다. 이 교수 연구팀은 이 연구에 ‘특징 인자 추출 기법’과 ‘물리이론 기반 신경망’을 융합했다. 그 결과, 다양한 용량과 수명 분포를 지닌 테스트용 배터리의 용량 예측 정확도를 최대 20% 향상시켰다. 또 데이터 불균형이 문제였던 통계 기반 AI와 달리, 일관적인 측정 결과도 확인해, 연구 신뢰성도 확보했다. 최근엔 의료·로봇·재료로 연구 분야를 확장해, ‘AI기반 전자현미경’ 기술도 개발했다. 이 기술은 딥 러닝 기반 AI가 재료 미세구조 이미지의 품질을 판별한다.

 

이 교수는 현재 산업계에서 필수적으로 이용되는 ‘컴퓨터이용공학(CAE)’에도 물리 이론이 도입돼야 한다고 주장했다. 기존 컴퓨터 기반 모델처럼 단순한 데이터 수치해석으로 문제를 푸는 것이 아닌, 발생한 현상 자체를 분석할 수 있는 물리 기반 AI모델을 개발·도입해 컴퓨터이용공학의 효율성을 높이자는 것이다.