KIST(한국과학기술연구원)에서 하계 인턴십을 진행했습니다.
XAI(설명가능 AI)를 활용한 에너지공정 및 CO2포집공정 데이터분석 업무를 맡았습니다.
기존에 쓰던 MLP 방식 대신 설명가능 AI인 KAN과 SHAP를 활용해 민감도 분석(sensitivity analysis)를 진행하고 있습니다.
공정데이터를 보고 8개의 input data와 output data 사이의 함수식을 예측하는 설명가능 AI(XAI)를 활용해 특정 함수 식을 도출했습니다
KAN(Kolmogorov-Arnold Networks)을 활용한 CO₂RR 데이터 분석
최근 주목받고 있는 KAN(Kolmogorov-Arnold Networks) 모델을 활용하여 CO₂ 환원 반응(CO₂RR) 공정 데이터를 분석하고, 해석가능성(XAI)을 높이는 프로젝트를 진행했습니다.
📓 전체 Jupyter Notebook
전체 분석 코드와 시각화 결과는 아래 GitHub 링크에서 직접 확인하실 수 있습니다.
분석의 주요 내용
1. 데이터 준비 및 전처리
공정 데이터를 불러와 분석에 적합한 형태로 클리닝 및 전처리를 진행했습니다.
2. KAN 모델 학습
KAN 모델을 정의하고, 준비된 데이터를 이용해 모델을 학습시켰습니다.
3. 결과 분석 및 해석
학습된 모델의 성능을 평가하고, SHAP와 같은 XAI 기법을 통해 모델이 어떤 변수를 중요하게 판단했는지 해석했습니다.
주요 발견점
- 입력 변수와 출력 변수 사이의 함수식을 도출했습니다
패러데이 효율,압력,전해질 농도가 CO₂ 전환 효율에 가장 큰 영향을 미치는 주요 변수임을 확인했습니다.- KAN의 해석가능성을 통해 복잡한 공정 내의 상호작용을 시각적으로 이해할 수 있었습니다.