커뮤니티
부경투데이
- 국립 부경대학교의 다양한 모습과 소식을 접하시면 부경대학교가 한번 더 가까워집니다.
| AI로 금속 박막 색 설계한다(Designing Metal Thin Film Colors with AI) | |||
| 작성자 | 대외홍보센터 | 작성일 | 2025-10-20 |
| 조회수 | 291 | ||
| AI로 금속 박막 색 설계한다(Designing Metal Thin Film Colors with AI) | |||||
 |
대외홍보센터 |  |
2025-10-20 |  |
291 |
국립부경대, 금속-산화물 박막 색상 예측 물리 기반 머신러닝 모델 개발
- 물리학과 이승훈 교수팀, AI 활용 재료 물성 설계 방향 제시
- 전자기학 기반 ‘커널 트릭’으로 학습 효율 극대화
△ 연구진 사진. (왼쪽부터) 이동익 석사과정(단독 제1저자), 이승훈 교수(교신저자), 정세영 교수(공동 교신저자)
국립부경대학교(총장 배상훈) 물리학과 이승훈 교수 연구팀이 인공지능(AI)을 활용해 금속 산화물 박막의 색을 정밀하게 예측하는 새로운 물리 기반 머신러닝 모델을 개발했다.
이번 연구는 전자기학 원리를 머신러닝(기계학습) 알고리즘의 학습 과정에 직접 반영하는 ‘커널 트릭(kernel trick)’ 전략을 통해 학습 효율과 예측 정확도를 동시에 높였다는 점에서 주목받고 있다.
금속 산화물 박막의 색은 표면 미세구조와 산화 정도에 따라 달라지는데, 이를 조절하면 다양한 색 구현이 가능하다. 하지만 산화 시간과 온도, 두께 등 공정 조건과 색상 사이의 비선형적 상관관계를 정량적으로 예측하는 것은 어려운 문제였다.
이승훈 교수팀은 이러한 한계를 극복하기 위해 머신러닝 기술을 활용해 물리적 원리를 모델 내부에 반영할 수 있는 방법을 찾았다. 데이터의 전자기학적 특성을 기반으로 알고리즘의 커널 함수를 직접 설계하는 방식으로 학습의 효율성과 예측 성능을 함께 향상시키는 전략을 제시했다.
이승훈 교수는 “이번 연구는 물리학적 이해를 기계학습에 통합함으로써 학습 효율과 예측 정확도를 동시에 높일 수 있음을 보여준 사례로, 물리학의 중요성을 직접적으로 보여준다.”라며, “본 연구에서 제시한 개념과 구체적인 예시를 통해 다양한 전공 분야에서도 기계 학습을 더욱 쉽게 이해하고 활용할 수 있는 기반이 마련될 것으로 기대한다.”라고 전했다.
이 연구 결과를 담은 논문 ‘Optimizing a machine-learning model for color design of metal oxides/metal multilayers with physics-guided kernel trick’은 재료과학 분야의 국제 학술지 <Materials Research Letters>(금속 재료공학 분야 JCR 랭킹 7.2%)에 최근 온라인 게재됐다. 이번 연구는 국립부경대 물리학과 석사과정 이동익 석사과정생(단독 제1저자), 부산대 정세영 교수 연구팀과의 공동연구로 수행됐다. <부경투데이>
[논문링크: https://doi.org/10.1080/21663831.2025.2556752]
△ 연구 설명 이미지. (위) 산화 공정 조건에 따른 색상 예측 모델 개발 연구 개략도, (왼쪽 아래) 학습에 활용된 실험 데이터, (오른쪽 아래) 기계학습 모델을 통해 예측된 산화 공정 조건에 따른 색상표
Designing Metal Thin Film Colors with AI
A research team led by Professor Lee Seunghun from the Department of Physics at Pukyong National University (President Bae Sang-Hoon) has developed a novel physics-based machine learning model that accurately predicts the color of metal oxide thin films using artificial intelligence (AI).
This research has drawn attention for improving both learning efficiency and prediction accuracy by incorporating the principles of electromagnetics directly into the machine learning algorithm through a strategy known as the “kernel trick.”
The color of metal oxide thin films varies depending on surface microstructure and the degree of oxidation, allowing for the realization of a wide range of colors. However, it has been difficult to quantitatively predict the nonlinear correlations between color and process variables such as oxidation time, temperature, and film thickness.
To overcome these limitations, Professor Lee Seunghun’s team explored a way to incorporate physical principles directly into the internal structure of a machine learning model. They proposed a strategy that improves both learning efficiency and prediction performance by designing the algorithm’s kernel function based on the electromagnetic characteristics of the data.
Professor Lee Seunghun stated, “This study demonstrates that integrating physical understanding into machine learning can enhance both learning efficiency and prediction accuracy, clearly highlighting the importance of physics.” He added, “The concepts and practical examples presented in this research are expected to serve as a foundation for making machine learning more accessible and applicable across various academic disciplines.”
The findings of this study were recently published online in the international journal <Materials Research Letters> (JCR top 7.2% in the field of metallurgical and materials engineering), under the title ‘Optimizing a machine-learning model for color design of metal oxides/metal multilayers with physics-guided kernel trick.’ This research was jointly conducted by Lee Dong-Ik, a master’s student in the Department of Physics at Pukyong National University (the sole first author), and the research team led by Professor Jung Se-Young at Pusan National University. <Pukyong Today>