▲ 입력 데이터를 물리적으로 같은 상태로 맞춘 뒤 인공지능 모델에 넣는 π-불변 보정 과정. π 불변량을 유지한 상태에서 입력 데이터를 학습 데이터 분포와 물리적으로 가장 유사한 위치로 이동시킨 뒤 인공지능 모델에 입력하는 과정을 나타낸 그림이다. 이를 통해 학습 범위를 벗어난 입력에 대해서도 예측 정확도를 높일 수 있다.(그림 및 설명=UNIST)  © 특허뉴스

반도체 설계와 공정에서 핵심인 열 분포와 응력 해석의 정확도를 획기적으로 끌어올리는 인공지능(AI) 기술이 등장했다. 기존 AI의 한계였던 ‘학습 범위 밖 데이터’ 문제를 물리 법칙으로 해결하면서, 산업 전반의 시뮬레이션 방식에 변화를 예고하고 있다.

UNIST 반도체소재·부품대학원 정창욱 교수 연구팀은 입력 데이터를 물리적으로 재정렬해 AI 예측 정확도를 높이는 ‘π-불변 테스트 시점 보정(π-invariant test-time projection)’ 알고리즘을 개발했다고 밝혔다. 해당 연구는 인공지능 분야 최고 권위 학회 중 하나인 ICLR 2026에 채택됐다.

반도체 칩, 배터리, 발전소 구조물 등 다양한 공학 시스템에서는 열의 흐름과 응력 집중을 빠르게 예측하기 위해 AI 모델이 활용되고 있다. 그러나 기존 AI는 학습하지 않은 크기나 조건의 데이터가 입력되면 예측 정확도가 급격히 떨어지는 한계를 보였다.

연구팀은 이 문제를 해결하기 위해 물리학의 기본 원리인 ‘버킹엄 π 정리’를 적용했다. 서로 다른 크기와 단위를 가진 물리 현상이라도 특정 무차원 값(π 값)이 같으면 본질적으로 동일한 상태로 간주할 수 있다는 점에 착안한 것이다. 새로운 입력 데이터가 들어오면, 이를 기존 학습 데이터와 물리적으로 유사한 형태로 변환한 뒤 AI 모델에 입력하는 방식이다.

이 기술의 핵심은 기존 AI 모델을 다시 학습시킬 필요가 없다는 점이다. 입력 데이터만 보정해 기존 모델에 적용할 수 있어 비용과 시간을 크게 줄일 수 있다. 또한 모든 데이터를 일일이 비교하는 대신 유사 데이터 그룹을 활용해 계산량을 약 100분의 1 수준으로 낮췄다.

실험 결과는 주목할 만하다. 2차원 열전도와 선형 탄성 문제에 적용했을 때 평균절대오차가 최대 91%까지 감소했으며, 복잡한 유체 흐름을 설명하는 나비에-스토크스 방정식에서도 유사한 성능 개선이 확인됐다. 외력이 작용하는 실제 환경에서도 안정적인 정확도를 유지한 점 역시 의미 있는 성과로 평가된다.

이번 기술은 반도체 열 설계와 패키지 신뢰성 분석뿐 아니라 배터리 열관리, 구조물 안전 해석 등 다양한 산업 분야에 적용 가능성이 높다. 특히 크기와 조건이 계속 변하는 실제 공정 환경에서 AI의 활용도를 크게 높일 수 있는 기반 기술로 주목된다.

연구팀은 “물리 법칙을 활용해 AI의 일반화 성능을 확장한 것이 핵심”이라며 “다양한 공학 문제에서 계산 시간과 비용을 줄이면서도 높은 정확도를 확보할 수 있을 것”이라고 밝혔다.

AI가 데이터를 학습하는 시대를 넘어, 물리 법칙과 결합해 ‘이해하고 예측하는 단계’로 진화하고 있다. 이번 연구는 그 전환점을 보여주는 사례로 평가된다.

논문명은 Buckingham π-Invariant Test-Time Projection for Robust PDE Surrogate Modeling이다.