The Utilization of Artificial Intelligence to Classify Mass Sensor Data, Hazardous Compounds, and Graphene Layer used in The Laboratory

Abstract

본 논문에서는 인공지능을 이용하여 NEMS 기반의 질량 센서 측정 데이터, 그래핀 이미지, 유해 화합물 등을 분류하고, 각각의 성능을 평가했다. 먼저 우리 연구 분야에서 사용되는 재료의 물리, 화학적 공통점이나 차이점 등의 정보를 알기 위해 각각의 특성을 공부했다. 다음으로 우리는 효과적인 훈련이 가능하도록 테스트 과정을 통해 우리 데이터에 맞는 학습 모델을 선택했다. 선택된 모델에 의해 데이타가 분류되고 그 결과는 k-fold cross validation, classification report 및 confusion matrix를 통해 평가 및 검증되었다. 이 과정들을 통해 노이즈 환경에서 측정된 질량 센서의 데이터, 그래핀 이미지, 유해 화합물 등에 대한 분류 결과를 확인하고, 기존 연구 분야에서 인공지능의 적용 가능성을 확인했다. "노이즈 환경에서 인공신경망을 활용한 질량 센서"에서는 공중에 띄운 두 겹 그래핀 기반 나노 역학 공진기와 머신러닝을 결합하여 질량 변화의 감도를 향상시키는 기술을 제시했다. 공진기 상의 질량 증가에 따라 공진 주파수가 이동하고 질량 감지를 방해하는 열 노이즈가 주파수 상에 함께 존재한다. 공진기 데이터에 머신러닝을 적용하여 질량 감지 시 노이즈의 간섭을 줄이고, 보다 정확한 측정을 가능하게 한다. 이미지와 시계열 형식의 데이터셋은 각각 2D-와 1D-CNN(합성곱 신경망)을 사용하여 학습 및 분류된다. 특히, 이미지 분류 기반의 2D-CNN은 노이즈에 의한 공진 주파수의 이동이 열 노이즈 범위의 2.5% 이상일 때 f1-score가 99% 이상의 높은 성능을 보여주었다. “딥 러닝을 이용한 유해 화합물의 분류"에서는 GHS (Globally Harmonized System of Classification and Labeling of Chemicals)를 기반으로 한 유해 화합물을 분류하는 방법을 연구했다. CAS(Chemical Abstracts Service) 등록번호, 유해성, 물리화학적 특성 등 실험실에서 사용되는 화합물에 대한 정보는 GHS를 기반으로 하는 MSDS(Material Safety Data Sheet)를 통해 제공한다. MSDS는 유해 화합물로부터 사용자를 보호하고 화학 물질을 안전하게 사용하는 데 도움이 된다. 화학물질의 유해성을 나타내는 GHS는 동물시험(또는 체내시험), 체외시험, 역학감시, 임상시험 등을 거쳐 분류된다. 우리는 이전의 연구 방법을 대체하고, 생명을 다루는 과정 없이 유해 화합물을 분류하기 위해 인공지능을 활용했다. 환경부에서 제공한 유해 화합물 데이터베이스가 학습 데이터셋으로 사용되고, CNN을 학습 모델로 사용했다. 그 결과 약90%의 분류 정확도를 확인했다. 또한, 다양한 수치 데이터와 시각적 데이터를 통해 결과를 분석했다. 이 연구를 통해 유해 화합물의 지속적인 데이터의 축적과 특성 분석이 가능하다면, 딥 러닝이 알려지지 않은 잠재적 유해 화합물을 예측할 수 있는 도구로도 유용하게 사용될 수 있을 것으로 기대한다. “머신러닝을 이용한 그래핀 레이어의 인식"에서는 이미지 형식의 그래핀 데이터에 머신러닝을 적용하기 위해 그래핀의 광학적 특성과 색상(color) 시스템을 공부했다. 그래핀은 탄소 원자로 구성된 2차원 평면 구조를 가진 저차원 물질이다. 이러한 물성으로 인해 다양한 산업분야에서 그래핀 기반 나노소자의 활용도가 높아지고 있다. 특히 기초과학 분야에서는 대부분 오염되지 않은 그래핀을 사용하여 물성을 연구한다. 오염되지 않은 그래핀을 얻기 위해서는 그래핀, 그라파이트, 기판 사이의 색상을 구별하는 것이 중요하다. 광학현미경에서 기판, 그래핀, 그라파이트의 색상 차이는 먼저 연구자의 눈으로 확인할 수 있다. 그래핀을 찾는데 숙련된 노하우를 가진 사람이라면 그래핀의 레이어를 정확하게 구분할 수 있다. 그러나, 과학적 증거를 통한 확인을 위해 라만 분광법으로 그래핀의 레이어를 검증해야 한다. 머신러닝을 사용하는 이유는 역학적 박리법으로 제작된 그래핀 기반의 소자를 만들기 위해 기본적으로 수행되는 과정을 축소하기 위함이다. 우리는 이 연구에서 Mask RCNN, SVM, Decision Tree와 같은 머신러닝에 그래핀의 이미지와 픽셀값을 학습시켰다. 그 결과, 기판과 그래핀, 그라파이트를 구별할 수 있는 수준의 결과를 확인했다. 머신러닝이 숙련된 노하우를 가진 사람처럼 그래핀 레이어를 인식할 수 있다면 그래핀과 같은 저차원의 물질을 구별할 수 있는 좋은 도구로 활용될 수 있을 것이다.;In this thesis, we classified measurement data of a mass sensor based on Nano Electro-Mechanical System, hazardous compounds, and graphene images using artificial intelligence such as machine learning and deep learning, and evaluated its performance. First, we studied the physical and chemical properties of the materials used in our research. Next, we selected a learning model that is the most appropriate for our data through a testing process to enable effective training. Data are classified by the selected model, and the results are evaluated and verified through k-fold validation, classification report, and confusion matrix. Finally, the classification results were confirmed for the mass sensor data measured in a noisy environment and hazardous compounds. The results confirm the applicability of artificial intelligence to our research fields. In "mass sensor using artificial neural networks in a noisy environment", a technology combining the usage of suspended graphene based nanomechanical resonators and the application machine learning approaches is presented to improve mass change detection. A resonance frequency shift occurs according to the mass loading on the resonator. However, the thermal noise that exists may interfere with mass detection. Machine learning is applied to the resonator to reduce noise interference in mass detection and to enable more accurate detection. Datasets of images and sequential formats are trained and classified using 2D- and 1D-CNNs (convolutional neural networks), respectively. Image classification based on the 2D-CNN shows high performance, with an f1-score of over 99 % when the resonance frequency shift is more than 2.5 % of the thermal noise range. In “The Classification of Hazardous Compounds Using Deep Learning”, a classification method for hazardous compounds based on the GHS (Globally Harmonized System of Classification and Labeling of Chemicals) was studied. The information on compounds used in the laboratory, such as CAS (chemical abstracts service) registry number, hazardous, and their physicochemical properties, is provided by an MSDS (material safety data sheet) based on the GHS. This information can protect users from hazardous compounds and helps in safely handling chemicals. The GHS categorizes the hazardousness of chemicals through animal testing (or in vivo testing), in vitro testing, epidemiological surveillance, and clinical trials. Artificial intelligence has partly replaced previous research methods and was used in our research to recognize harmful compounds. A database of hazardous compounds provided by the Ministry of Environment was used as the dataset and a CNN was used as the learning model. An accuracy of 90% was achieved in identifying hazardous compounds. In addition, the results were analyzed using various numerical and visual data. If continuous data accumulation and analysis of hazardous compounds are possible through this study, we can conclude that deep learning is a useful tool to predict unknown, potentially harmful chemicals. In "Recognition of graphene layers using machine learning", the optical properties and color system of graphene were studied in order to apply machine learning to graphene data in image format. Graphene is a low-dimensional material with a 2-dimensional plane structure consisting of carbon atoms. The utilization rate of graphene-based nano-devices increases due to this physical property in the various industrial fields. In particular, most of the uncontaminated graphene is used to study physical properties in the field of basic science. In order to obtain uncontaminated graphene, it is important to recognizing the colors of graphene, multilayer graphene/graphite, and substrate. A researcher can differentiate between substrate, graphene, and graphite based on color using an optical microscope. A skilled person with the expertise to identify graphene, can even distinguish its layers correctly. Nevertheless, to obtain scientific evidence, we need to validate the results through Raman spectroscopy. A researcher usually takes a long time to find and identify graphene. Machine learning can help to speed up the identification process of graphene, thereby reducing the time to manufacture devices based on uncontaminated graphene fabricated by mechanical exfoliation. Algorithms such as Mask R-CNN, SVM, and Decision tree are often used in machine learning for such tasks. If machine learning can recognize graphene layers like a person with the relevant expertise, it will be a useful tool to distinguish low-dimenesional materials such as graphene.