논문 브리핑
GenPFN, 선박 설계 후보 99.3% 호환…핵심은 AI 이후의 검증
글 · 한경모
공학 설계에서 AI가 풀어야 할 문제는 데이터의 양만이 아니라 다음 실험에 무엇을 올릴지다. MIT의 Noah J. Bagazinski·Cyril Picard·Faez Ahmed는 11월 10일 공개한 GenPFN 논문에서 소량의 설계 사례로 조건에 맞는 후보를 만드는 방법을 제안했다. 비싼 시뮬레이션과 실험 탓에 평가된 설계가 10~1,000개에 그치는 환경이 출발점이다.
핵심 도구는 표 데이터를 처리하는 사전학습 분류기 TabPFN으로, 원하는 설계에는 1, 원하지 않는 설계에는 0을 붙여 문맥으로 제공한다. 모델 가중치는 고정하고 입력 사례로 새 문제에 대응하므로, 후보 생성용 모델을 과제마다 다시 학습할 필요가 없다. 먼저 원하는 설계 두 개의 중간 지점에서 후보를 만들고, 적합 확률이 0.5 미만이면 그 확률을 높이는 방향으로 설계 변수를 조정한다. 기준에 도달하면 방향 유도를 끄되 가우시안 잡음은 계속 더해, 100회 갱신 동안 후보에 변화를 준다.
생성된 숫자에 곧바로 정답 자격을 주지는 않는다. 후보의 제약 충족 여부와 목적함수 값을 별도로 평가한 뒤, 통과한 설계와 평가값을 회귀모델 학습에 추가한다. 연구진이 정리한 선행연구에서도 공학용 생성기의 유용성은 조건 충족뿐 아니라 후속 의사결정에 필요한 설계 대안의 다양성에 달려 있다.
실험은 변수 2개짜리 문제부터 44개짜리 선체 문제까지 14개를 다뤘으며, 비교 방법마다 후보 5,000개를 평가했다.
- 조건 충족: GenPFN v1은 비교한 CTGAN·TVAE·TabDDPM보다 목표 조건을 만족하는 비율이 높았다.
- 다양성: 단순 보간 기반 SMOTE보다 탐색 범위와 다양성이 좋았지만, TVAE는 이 두 지표에서 GenPFN을 앞섰다.
- 예측 성능: 기존 데이터만 쓴 경우와 짝지은 1,960개 비교에서 AutoGluon의 검증 평균제곱오차 추정치가 62.1% 줄었다.
인사이트
GenPFN의 산업적 가치는 적은 데이터로 다음 평가 후보를 제안하는 데 있다. 도입 판단에서는 조건 충족률과 함께 후보 생성·평가의 총비용, 단순 보간 대비 추가 이득을 확인해야 한다.
자주 묻는 질문
- 학습이 필요 없다는데, AI를 아예 안 훈련한 거야?
- GenPFN은 이미 사전학습된 TabPFN을 사용하며, 후보 생성 과정에서 그 가중치를 추가로 학습하지 않는다. 평가를 통과한 후보로 성능 예측용 회귀모델을 학습하는 단계는 별도로 존재한다.
- 99.3%면 실제로 쓸 수 있는 배를 거의 다 만든 거야?
- 99.3%는 특정 선미 설계 사례에서 보고한 프로펠러 호환 후보 비율이다. 실제 건조 가능성, 운항 성능, 안전성 전체를 검증한 수치는 아니다.
- 오차가 62.1% 줄었다면 기존 생성 AI보다 좋은 거 아냐?
- 62.1%는 기존 데이터만 사용한 학습과 비교한 검증 평균제곱오차 감소 추정치다. TVAE와 TabDDPM은 짝지은 회귀 비교에서 GenPFN보다 오차가 낮았으므로, 모든 지표에서 기존 생성기를 앞섰다고 볼 수 없다.
이 기사 어땠어요?
피드백을 남겨주시면 더 나은 맞춤 추천을 만듭니다.