매니폴드 제약 준지도 표현학습을 활용한 다변수 능동학습 방법 연구 = A Study on Multivariate Active Learning using Manifold-Constrained Semi-Supervised Representation Learning

다국어 초록 (Multilingual Abstract)

Active learning is increasingly adopted in AI-driven materials design to accelerate the discovery of high-performance materials under limited experimental budgets. Gaussian Process Regression (GPR) is particularly attractive for composition–process exploration because it provides both predictions and uncertainty estimates. However, as the dimensionality of design variables (e.g., composition, heat-treatment temperature, and time) increases, data sparsity often leads to unreliable uncertainty estimates, which can degrade exploration efficiency.
To address this challenge, we propose an active learning framework based on Manifold-Constrained Semi-Supervised Representation Learning (MC-SSAE) to enable sample-efficient exploration in high-dimensional spaces. The framework learns a low-dimensional latent representation via an autoencoder while preserving local geometry through manifold regularization. In addition, a teacher–student scheme with confidence-aware pseudo-labeling stabilizes representation learning even with scarce labeled data.
When coupled with GPR for uncertainty-driven acquisition, the learned latent space resulted in improved predictive performance and faster convergence compared to conventional unsupervised autoencoders and baseline semi-supervised autoencoders. These results indicate that MC-SSAE serves as an effective preprocessing strategy for active learning-based experimental design in high-dimensional materials problems, including alloy design and process optimization.

국문 초록 (Abstract)

최근 인공지능 기반 소재 설계에서는 최소한의 실험 데이터로 고성능 소재를 효율적으로 탐색하기 위한 능동학습 기법이 활발히 활용되고 있다. 특히 Gaussian Process Regression (GPR)은 예측값과 불확실성을 동시에 산출할 수 있어, 소재의 조성 및 공정 조건 탐색에 유용한 도구로 주목받고 있다. 그러나 합금 조성, 열처리 온도, 시간 등 입력 변수가 증가할수록 데이터 희소성이 심화되고, 이로 인해 GPR의 불확실성 추정이 불안정해지는 문제가 보고되고 있다.
본 연구에서는 이러한 고차원 설계공간에서의 탐색 성능 저하 문제를 해결하기 위해, 매니폴드 제약 준지도 표현학습 기반의 새로운 능동학습 프레임워크를 개발하였다. 제안된 프레임워크는 오토인코더 구조를 기반으로 하여 고차원 입력 데이터를 저차원 잠재공간으로 축소하고, 매니폴드 손실을 통해 국소 구조를 보존함으로써 물성값의 방향성과 구조적 일관성을 유지한다. 또한 teacher–student 구조와 신뢰도 기반 의사라벨링을 결합하여, 제한된 라벨 데이터 환경에서도 안정적인 잠재 표현 학습이 가능하도록 하였다.
도출된 잠재공간 데이터는 GPR의 입력 데이터로 활용되어 불확실성 기반 탐색을 수행하였으며, 그 결과 기존 비지도 오토인코더 및 준지도 오토인코더와 비교해 보다 향상된 예측 정확도와 빠른 수렴 속도를 나타내며, 결과적으로 소수의 라벨 데이터만으로도 최적 영역을 신속히 탐색할 수 있는 것으로 분석되었다.
제안된 “매니폴드 제약 준지도 표현학습을 활용한 다변수 능동학습 기법”은 고차원 입력 공간에서 효율적인 실험설계가 가능한 새로운 데이터 전처리 기술로, 향후 합금 설계나 열처리 공정 최적화 등 다양한 소재 개발에 폭넓게 활용이 가능할 것으로 기대된다.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 재료과학 내 능동학습 1
• 1.2 고차원 입력공간과 차원의 저주 (Curse of dimensionality) 4
• 1.3 Gaussian process 기반 능동학습의 한계 6
• 1.4 차원축소 및 표현학습 접근의 개요와 한계 10
• 1.5 본 연구의 목적 13
• 제 2 장 매니폴드 제약 준지도 오토인코더 기반 표현학습 14
• 2.1 Methodology 16
• 2.1.1 오토인코더(autoencoder) 기반 차원축소 구조 16
• 2.1.2 교사학습(teacher–student) 기반 준지도 학습 구조 18
• 2.1.3 신뢰도 기반 의사라벨링(confidence-aware pseudo-labeling) 21
• 2.1.4 매니폴드 제약(manifold constraints) 설계 23
• 2.1.5 손실 함수 구성 28
• 2.1.6 단계적 학습 전략 (step-wise training strategy) 30
• 2.1.7 학습 파라미터 (training parameters) 33
• 2.1.8 데이터셋 및 오라클(oracle) 구축 36
• 2.1.9 설계공간(design space) 정의 41
• 2.2 Results and Discussion 44
• 2.2.1 AE 기반 표현 학습 결과 44
• 2.2.2 SSAE 기반 표현 학습 결과 46
• 2.2.3 MC-SSAE 기반 표현 학습 결과 49
• 2.2.4 잠재공간의 정렬 특성 및 정렬도 분석 53
• 2.3 Conclusion 57
• 제 3 장 제약된 잠재공간 기반 능동학습 58
• 3.1 Methodology 58
• 3.1.1 Gaussian process 기반 탐색 구조 58
• 3.1.2 잠재공간 기반 능동학습 수행 절차 60
• 3.2 Results and Discussion 64
• 3.2.1 잠재공간 기반 GPR 예측 결과 64
• 3.2.2 잠재공간 기반 능동학습 탐색 결과 66
• 3.3 Conclusion 69
• 참고문헌 70
• 영문 초록 75