• 목록
• 답변

신소재공학과 이병상 (이정헌 교수 연구팀) 석박사과정 연구원,
AI 기반 이미지 분석 기술을 활용하여 나노소재의 형태를 통계적으로 분석할 수 있는 기술 개발
- 나노소재가 활용되는 다양한 분야에서 무궁한 활용 가능 -

신소재공학과 이병상 석박사 과정 연구원과 이정헌 교수는 AI 기술을 전자 현미경 이미지 분석 기술에 적용하여 나노입자의 형태학적 특성을 높은 정확도로 분석할 수 있는 알고리즘을 개발하였고 이를 활용하여 수십만 개에 달하는 나노입자의 형태와 관련된 다양한 통계적 분석을 진행하였다.

※ 저  자 : 이병상 대학원생 (제1저자, 신소재공학과), 윤석영 대학원생 (참여저자, 성균나노과학기술원), 이진웅 박사 (참여저자, 신소재공학과), 김윤철 대학원생 (참여저자, 신소재공학과), 장준혁 대학원생 (참여저자, 신소재공학과), 윤재섭 대학원생 (참여저자, 시스템경영공학과), 노재철 교수 (참여저자, 신소재공학과), 이종석 교수 (참여저자, 시스템경영공학과), 이정헌 교수(교신저자, 신소재공학과)

신재생 에너지, 나노의약품, 촉매, 센서 등 다양한 분야에 활용되는 나노 신소재의 형태가 물리· 화학적 특성에 매우 큰 영향을 끼치지만 이의 형태학적 정보를 대량으로 정확하게 읽고 정량적으로 분석할 수 있는 기술은 현재까지 존재하지 않았다.

[그림 2] 유전 알고리즘을 이용한 나노입자 이미지 분석 방법
(a) 다양한 이미지 분석 변수들이 포함되어 있는 18bit의 유전자를 이용한 유전 알고리즘의 모식도. 

(b) 다양한 이미지 분석 방법을 통하여 확보된 이진화된 나노입자의 이미지 (c) 유역 변환을 통한 나노입자의 분리

이병상 석박사 과정 연구원과 이정헌 교수팀은 신소재공학과 노재철 교수, 시스템경영공학과 이종석 교수팀과 자연에서의 진화를 모방한 유전 알고리즘이라는 기계학습 기법을 활용하여 이미지 분석에 사용되는 다양한 방법 및 변수들을 자동적으로 최적화함으로써 투과전자현미경 이미지로 얻은 나노입자의 형태적 정보를 99.75%의 높은 정확도와 0.25%의 낮은 오인식률로 분석해내는 기술을 개발하였다. 특히 본 알고리즘은 전자현미경 이미지에서 붙어 있거나 포개어져 있는 나노입자를 찾아 스스로 분리하고, 분리가 되지 않으면 제거해 버림으로써 나노입자의 밀도와 분석 정확도를 동시에 크게 높이는 것이 가능하다.

본 연구진은 이 기술을 활용하여 나노입자의 형태적 특성에 대한 다양한 통계적 분석을 진행하였다. 우선 베이지안 통계학을 기반으로 수행되는 마르코프 체인 몬테카를로를 사용하여 16만여 개나 되는 많은 수의 나노입자 형태에 대한 분포를 추정하였고, 신뢰수준에서 대표성을 갖기 위해 필요한 나노 입자의 개수를 찾아냈다. 또한 샘플에 존재하는 다양한 형태의 나노입자들을 자동으로 분류하고 군집화하는 알고리즘을 개발하였으며 이러한 통계적 정보를 활용하는 경우 나노입자의 광학적 물성을 상당히 정확하게 계산할 수 있음을 확인할 수 있었다. 

[그림 3] 이미지 분석된 나노입자의 원본 이미지와 이진화된 이미지

본 연구 결과는 ACS Nano (IF=14.58) 온라인판에 게재되었고 미국 화학회(American Chemical Society)에서 발행하는 44개 저널의 400명 이상의 편집장들이 추천하여 선정하는 ACS Editors’ Choice 논문으로 채택이 되어 open access로 제공된다.
※ 논문명 : Statistical characterization of the morphologies of nanoparticles through machine learning based electron microscopy image analysis

해당 연구는 전자 현미경 이미지 분석에 머신 러닝 기법을 적용하여 수십만 개의 나노 입자의 형태적 특성을 정밀하게 분석하고 통계적 분석을 수행한 최초의 연구로, 다양한 나노 소재의 주요 물성을 정량화하여 빅데이터를 구축하는데 필요한 핵심 기술 중 하나가 될 것으로 기대한다. 특히 개별 나노 소재의 형태가 광학적 특성이나 표면에서의 반응 등과 같은 물리· 화학적 특성에 큰 영향을 끼치기 때문에 본 기술은 나노 소재의 신뢰성을 평가할 뿐 아니라 새로운 나노 소재를 개발하는데도 활용이 될 수 있을 것으로 생각된다.

[그림 4] 나노입자의 통계분석 및 분류
(a) 나노입자의 모양 정량화를 위한 5개의 변수. (b) 몬테카를로 마르코프 체인을 모델을 사용한 나노입자의 장축 길이 분포 추정. 

(c) 정규 혼합 모델에서 95% 신뢰 수준을 만족하는 나노입자의 장축 및 단축 길이의 적중률. (d) 네 가지 주요 형태학적 매개 변수를 모두 고려할 때의 유효 크기.

(e) 푸리에 변환 및 가우시안 믹스쳐 클러스터링을 사용하여 도출된 나노입자 모양의 분류.