일본 과학성 산하 이화학연구소(RIKEN. 이하 리켄)의 혁신지능통합연구센터(AIP)와 후지쯔연구소는 공동으로 '이화학연구소 AIP- 후지쯔 협력 센터(RIKEN AIP-FUJITSU Collaboration Center)'를 2017년 설립하고 인공지능(AI) 기술 연구 개발을 진행하고 있다.

이 연구팀이 데이터 공간 구조를 활용해 학습을 효율화 하는 새로운 AI 학습 밥법 '활층 분할 학습(Stratification Learning)' 개발하고 지난 7 일부터 12 일까지 美 뉴욕의 힐튼 뉴욕 미드 타운에서 개최된 머신러닝·딥러닝 등 최신 AI 기술을 공유하는 글로벌 최고 권위의 제 34회 미국 인공지능학회(AAAI 2020, American Association for the Artificial Intelligence)에서 발표됐다. 또 이와 관련 연구 논문은 아카이브에 지난해 9월 '베지어 심플렉스 피팅의 비증상 위험도(Asymptotic Risk of Bézier Simplex Fitting- 다운)' 이란 제목으로 게재됐었다.

리켄 AIP-후지쯔 공동 센터에서는 다목적 최적화 문제(위 그림 참조)의 해답을 효율적 접근하기 위한 학습 기술을 연구를 하고 있다. 기존에는 여러 목적 함수(평가 지표)를 동시에 최적화하는 다목적 최적화 문제의 해결에 접근하기 위한 방법으로 응답 곡면 방법이 있었지만, 이러한 방법은 해집합의 기하학적 구조(활층, 滑層)를 잡을 수 없었고 많은 훈련 데이터(최적화 계산)가 필요했다.

본 기술이 기존보다 적은 훈련 데이터에서 정밀하게 접근할 수 있음을 실험적으로 나타내고 있었는데 그 근사 정도에 대해서 이론적인 검증은 없으며, 어느 정도 학습에 필요한 데이터 수를 줄일 수 있을지는 알 수 없었다.

베지에 단체에는 한결같은 추출에 따른 근사법과 층화 추출(아래 그림 참조)에 따른 근사법이 있다. 본 연구에서는 이들 기법의 기술을 정밀도를 통계적 점근론(Asymptotic Theory)에 입각해 규명했다. 그 결과, 진정한 솔루션 집합이 2차 베지에 단체로 나타낼 경우 층화(層化, stratification) 추출을 실시함으로써 대략 절반(약 57.4%)의 훈련 데이터에서 고른 추출과 동등한 정밀도를 달성할 수 있었다.

이 기술은 훈련 데이터(그 생성은 실험이나 시뮬레이션을 수반하는 높은 비용 최적화 계산이 필요)를 절감하여 제품 설계 프로세스를 간소화 한다. 또한 다양한 설계안을 망라할 수 있어 혁신적인 디자인을 자동 발견할 수 있다. 연구팀은 향후 비즈니스 과제를 대상으로 한 실증 실험과 제품 설계 이외에도 시설 배치 문제 및 모델링 등의 다양한 과제에 응용도 기대하고 있다고 밝혔다.