[학회 후기]

2026년 6월 4~5일 경주에서 개최된 대한산업공학회 춘계학술대회에 참가하였다. 학회에 참가하며 평소 연구실에서 접하던 연구뿐만 아니라 다양한 분야의 연구들을 접할 수 있는 기회가 되었다. 평소에는 현재 수행하고 있는 연구와 직접적으로 관련된 논문이나 주제를 중심으로 살펴보는 경우가 많다. 그러다 보니 자연스럽게 익숙한 분야 안에서만 사고하게 되는 경우가 있는데, 이번 학회에서는 다양한 연구자들의 접근 방법과 문제 정의 방식을 접하면서 새로운 관점을 얻을 수 있었다. 특히 같은 방식이라도 연구 분야에 따라 문제를 바라보는 시각과 연구를 전개하는 방식이 상당히 다르다는 점이 인상 깊었다. 

또한 학회를 다니다 보니 예전과는 다르게 발표 내용을 이해하는 폭이 넓어졌다는 점도 느낄 수 있었다. 처음 학회에 참석했을 때는 발표 주제 자체를 따라가는 것에 집중했다면, 이번에는 연구의 한계점이나 향후 확장 가능성, 실험 설계의 타당성 등 이전보다 다양한 측면에서 발표를 바라볼 수 있었다. 여러 연구를 진행하며 경험이 쌓인 만큼 연구를 보는 시야도 조금씩 넓어지고 있다는 것을 체감할 수 있었다.

이번 학회에서는 대부분의 세션에서 적어도 하나 이상의 흥미로운 발표를 찾을 수 있었으며, 다양한 연구 주제와 방법론을 접하면서 현재 진행 중인 연구를 다른 관점에서 다시 생각해 볼 수 있었다. 또한 연구실 동기들과 함께 학회에 참석하며 연구에 대한 이야기를 나누고 새로운 환경에서 시간을 보낼 수 있어 좋은 리프레시의 기회가 되었다.

이번 대한산업공학회 춘계공동학술대회에서는 "편미분방정식(PDE) 대리모델의 도메인 일반화 성능 향상을 위한 전문가 혼합 기법"에 대해 발표를 진행하였다. 본 연구는 PDE surrogate model이 학습되지 않은 물리 파라미터 환경(OOD)에서도 강건하게 예측할 수 있도록 전문가 간 예측 불일치(disagreement)를 활용하는 relation-adaptive fusion 방법을 제안하였다.

질문 1. Invariant 특징은 어떻게 학습할 수 있는가? 또한 제안 방법이 PDE를 위배하지 않는다는 보장이 있는가?

답변 1. 본 연구는 물리 법칙 자체를 강제하는 Physics-Informed Learning 방식이 아니라, 여러 파라미터 환경에서 공통적으로 유지되는 표현을 학습하여 일반화를 유도하는 접근이다. 따라서 PDE를 반드시 만족한다는 이론적 보장을 제공하지는 않는다. 다만 서로 다른 환경에서 일관되게 유지되는 특징을 활용하여 unseen parameter 환경에서도 강건한 예측을 수행하는 것을 목표로 한다. 향후에는 물리 제약 조건을 함께 고려하는 방향으로 확장 가능할 것으로 생각된다.

질문 2. Mixture-of-Experts 구조에서 편미분 정보는 구체적으로 어디에 활용되는가?

답변 2. 본 연구에서 각 expert는 동일한 neural operator 구조를 사용하지만 입력으로 사용하는 정보가 서로 다르다. 하나의 expert는 상태(state) 정보만을 사용하고, 다른 expert는 gradient 정보, 또 다른 expert는 diffusion 및 curvature와 관련된 2차 미분 정보를 사용한다. 이를 통해 각 expert가 PDE의 서로 다른 물리적 관점을 학습하도록 설계하였다.

질문 3. 시뮬레이션 데이터가 충분하지 않은 경우에도 활용 가능한가?

답변 3. 현재 연구는 생성된 PDE 시뮬레이션 데이터를 활용하여 surrogate model을 학습하는 환경을 가정하고 있다. 따라서 데이터가 매우 부족한 경우에는 직접 적용에 한계가 존재할 수 있다. 다만 Physics-Informed Learning, Active Learning, 실험 설계(DoE) 기법 등과 결합한다면 적은 데이터 환경에서도 활용 가능성이 있을 것으로 생각한다.

[청취 후기]

(1) 공정조건의 의미론적 표현 학습을 기반으로 한 강건한 공구 마모예측 모델 개발 - 울산과학기술원 박소연

해당 발표는 LLM을 활용하여 공정 조건의 의미론적 표현을 학습하고 공구 마모에 활용하는 연구였다. 기존 공구 마모 예측 연구는 주로 센서 데이터나 공정 변수 자체를 입력으로 사용하는 경우가 많았다. 반면 해당 연구에서는 다양한 공정 조건을 LLM을 통해 자연어 형태의 공정 분석 서술어로 변환한 뒤, 이를 의미 공간에서 학습하여 공정 조건 간 관계를 표현하는 방법을 제안하였다. 

도메인 지식을 언어 형태로 변환하여 활용한다는 아이디어가 좋다고 생각하였으며 센서 신호나 마모 레이블 없이 공정 조건만으로 의미적 관계를 학습한다는 점이 인상깊었다. 해당 발표를 들으며, 대규모 언어모델을 단순한 생성 모델이 아닌 데이터 표현 학습 문제에 결합으로 활용 가능하다고 생각하였다.

(2) 복잡계 주요안전품목 식별 인공지능 Agent 개발 - 부산대학교 금재혁

해당 발표는 FMEA를 기반으로 LLM을 활용하여 잠수함의 CSI를 식별하는 프레임워크를 제안하였다. 기존 FMEA는 전문가가 장비의 고장 형태와 발생도, 심각도 등을 분석하여 위험도를 평가하는 방식으로 수행된다. 그러나 많은 문서와 보고서를 검토해야 하기 때문에 시간과 인력이 많이 필요하다. 해당 연구는 이러한 문제를 해결하기 위해 LLM을 활용하여 잠재적 고장 형태, 발생도, 심각도 등을 자동으로 도출하고 위험도를 계산하여 CSI 후보를 식별하는 프레임워크를 제안하였다.

인상 깊었던 부분은 단순히 문서 요약에 LLM을 적용하는 것이 아니라 FMEA의 기존 절차를 그대로 유지하면서 각 단계에 LLM을 적용했다는 점이다. 또한 문서 근거, 출처를 함께 제시하여 설명 가능성을 확보하려고 한 점도 흥미로웠다. FMEA와 같은 산업공학의 전통적인 방법론을 유지하면서 LLM을 보조 도구로 활용하는 점이 인상깊었다.

(3) 대규모 언어모델 파인튜닝을 활용한 생존분석 모델 설계 연구 - 고려대학교 정주이

해당 발표는 LLM을 활용하여 생존분석을 수행하는 Survival-LLM에 대한 연구를 제안하였다. 기존 생존분석은 Cox Proportional Hazard Model(CPH), Random Survival Forest(RSF), DeepSurv와 같은 통계·기계학습 기반 방법이 주로 활용되어 왔으며, 정형화된 임상 변수들을 이용하여 환자의 생존 위험도를 예측하는 데 초점을 두고 있다. 반면 본 연구는 최근 발전한 LLM이 제한된 데이터만으로도 환자의 생존 위험도를 추론할 수 있는지, 그리고 단순 예측을 넘어 임상적 해석까지 제공할 수 있는지를 검증하고자 하였다. 

발표에서 가장 인상 깊었던 부분은 제한된 환자 데이터만을 이용해 다수의 환자쌍(pairwise samples)을 생성하고, 이를 기반으로 LLM이 상대적 생존 위험도를 학습하도록 설계한 점이었다. 일반적인 생존분석이 개별 환자의 위험 함수를 직접 추정하는 것과 달리, 환자 간 위험도 순위를 비교하는 방식으로 문제를 재정의하여 적은 데이터에서도 학습이 가능하도록 한 접근이 흥미롭게 느껴졌다.

반면 아쉬웠던 점도 있었다. 발표에서는 모델 성능 평가를 위해 주로 C-index만을 활용하였는데, 생존분석에서는 예측 정확도뿐만 아니라 시간에 따른 예측 성능과 확률 예측의 보정 정도를 평가하기 위해 Integrated Brier Score(IBS)나 Time-dependent AUC와 같은 지표도 널리 사용된다. 이에 대해 질의응답 시간에 추가적인 생존분석 지표를 활용하지 않은 이유를 질문하였으나, 해당 부분은 현재 진행 중인 연구로 향후 연구 방향에 포함되어 있다는 답변을 들을 수 있었다. 개인적으로는 다양한 평가 지표를 함께 제시하였다면 제안 방법의 강점과 한계를 더욱 명확하게 확인할 수 있었을 것이라는 아쉬움이 남았다.