[인터뷰] 그래프 신경망 분야에서 최첨단 연구를 선도하다

[시사매거진 김원규 기자] 그래프의 구조적 특징을 식별할 수 있는 GNN 모델 개발과 응용 연구

사람 사이의 소셜 네트워크부터, 교통망, 유전체, 분자의 구조까지 세상에는 그래프로 나타낼 수 있는 데이터가 무궁무진하다. 가톨릭대 인공지능학과 이오준 교수가 이끌고 있는 네트워크과학 연구실(Network Science Lab)은 그래프로 표현되는 복잡한 연결 구조를 과학적으로 탐구한다. 학부와 대학원에서 그래프 마이닝(Graph Mining)과 그래프 신경망(Graph Neural Network, GNN) 관련 과목을 가르치고 있는 이 교수는 “이러한 그래프 구조의 데이터를 효과적으로 분석하고 활용할 수 있는 인공지능 알고리즘, 특히 그래프 신경망을 연구한다”고 설명한다.

'그래프 신경망(GNN)’을 핵심 연구 주제로 삼아, 그래프 구조를 깊이 이해하고 활용하는 이론과 구현을 탐구하고 있다. 이 과정에서 그래프의 구조적 특징을 효과적으로 식별할 수 있는 GNN 모델의 개발과 응용에 중점을 두고 연구하고 있다. 이 교수는 “일반적인 딥러닝은 이미지나 텍스트 같은 데이터에 강점이 있는데, 우리는 여기에 더해 노드와 엣지로 이루어진 그래프 구조를 잘 이해하는 AI를 만들고자 한다”라며 “구체적으로 그래프상의 전역적인 패턴과 국지적인 패턴을 모두 놓치지 않고 포착할 수 있는 모델을 연구하고 있다.

기존의 그래프 신경망은 서로 다른 구조의 그래프를 잘 구별하지 못하는 한계가 있었는데, 우리는 그래프의 미세한 구조 차이까지도 식별해낼 수 있는 모델을 만들고자 한다. 그래프상에서 노드들이 어떻게 연결되어 있는지를 꼼꼼히 살펴서, 사회관계망의 커뮤니티를 찾아낸다든지, 분자 구조의 미세한 차이를 구분한다든지 하는 능력을 향상시킨다”고 설명했다.

인공지능 분야 최고권위의 국제학술대회인 ‘AAAI’서 연구 성과 발표

그동안 그래프 학습 분야의 새로운 가능성을 찾기 위해 노력해 온 결과, 인공지능 분야 최고권위의 국제학술대회인 AAAI에 2년 연속 논문이 소개되는 성과를 이루었다.

AAAI 2024에서는 구조 식별력이 높은 그래프 트랜스포머 모델 사전학습 방법에 관한 연구를 발표했다. 연구실이 개발한 UGT(Unified Graph Transformer) 모델은 그래프 전체적인 패턴도 잘 잡아내고 세부적인 부분도 놓치지 않기 때문에 그래프 분류나 노드 분류 같은 다양한 작업에서 세계 최고 수준(SOTA)의 성능을 달성했다.

그리고 AAAI 2025에 작용기 기반의 분자 그래프 신경망 사전학습 방법인 S-CGIB(Subgraph-conditioned Graph Information Bottleneck)를 제안하는 연구가 채택되어 발표를 앞두고 있다. 이 연구는 분자 구조 그래프에 특화된 사전학습 기법으로 분자 내에 숨겨진 핵심 작용기를 모델이 자동으로 찾아낼 수 있도록 한 것이 가장 큰 특징이다.

이 교수는 “연이어 AAAI와 같은 세계적인 학회에서 저희 연구를 발표할 수 있게 되어 무척 기쁘고, 그동안 연구실 구성원들의 노력과 연구에 대한 열정이 국제적으로 그 의미를 인정받아 보람을 느낀다.”고 말했다.

그래프 신경망 기법을 실제 산업 분야에 적용하는 응용 연구

네트워크과학 연구실은 세계적인 학회에서 발표하게 된 것을 발판 삼아 분자 그래프 신경망 사전학습 기법을 더욱 고도화하는 연구에 집중하고 있다. AAAI 2025에 채택된 핵심 작용기 기반 사전학습 기법을 한 단계 발전시켜 더 다양한 분자 구조에 적용할 수 있도록 하고 성능도 극대화하려고 한다. 이와 함께 이렇게 개발한 그래프 신경망 기법을 실제 산업 분야에 적용하는 응용 연구도 활발히 하고 있다.

먼저 반도체 분야에서는 칩 설계나 공정 데이터를 그래프 형태로 분석하여 회로 설계 최적화, 결함 탐지와 같은 문제를 해결하는 연구를 수행하고자 추진하고 있으며, 제약 분야에서는 생명과학 분야 연구진과 함께 그래프 신경망을 활용한 신약 후보 물질 발굴이나 약물-표적 상호작용 예측 등의 연구 협업을 추진 중이다.

이 교수는 “기초 알고리즘 연구와 산업 응용 연구를 병행함으로써, 한편으로는 이론적 성과를 더욱 탄탄히 하고 다른 한편으로는 실제 현장의 문제를 해결하는 것을 목표로 하고 있다”라며 연구 프로젝트들을 다각도로 검증하고 개선할 수 있어 보람 된다고 말했다.

그러면서 인공지능 연구는 협업이 매우 중요하다고 말하는 이 교수는 “연구실은 다양한 파트너들과의 깊이 있는 협업을 위해 꾸준히 노력하고 있다”라며 “산업체와의 협력을 통해 현실 데이터와 도메인 지식을 얻으면 연구에 큰 도움이 되고, 저희가 개발한 기술을 실제로 검증할 수 있다는 장점이 있다. 앞으로도 다양한 분야의 전문가들과 열린 마음으로 협업하여 새로운 도전 과제를 찾아내고 해결해나갈 계획이다”라고 피력했다.

연구실의 향후 방향은 지금까지 해오던 연구 노선을 꾸준히 이어가면서, 한층 더 발전시키는 것이다. 현재 집중하고 있는 그래프 신경망 분야의 최첨단 연구를 지속적으로 선도해나가는 것이 이 교수의 목표다.

“그래프 신경망을 더욱 다양한 범위에서 적용해 보고 싶다”는 이 교수는 “그래프 신경망의 가장 큰 장점은 응용 범위가 매우 넓다는 점”이라며 “현실 세계의 많은 문제들이 ‘관계’나 ‘연결’로 표현될 수 있기 때문에, 그래프 신경망의 활용 잠재력은 사실상 무궁무진하다고 생각한다. 이러한 확장성 덕분에 저희도 다양한 분야의 문제를 푸는 데 관심을 갖고 있고, 여러 분야로 연구를 확장하며 GNN의 보편적인 가치를 증명하고자 한다”고 밝혔다.

그러면서 “앞으로도 그래프 표현 학습에서 새로운 아이디어를 낼 것이다. ‘그래프’라는 중심 축을 기반으로 세계적 수준의 연구 성과를 꾸준히 내는 한편, 다양한 산업 분야와의 협력을 통해 연구 결과가 실질적인 영향력을 발휘하도록 할 것이다”라고 피력했다.

아울러 교육자로서 학생들이 그래프 학습 분야의 전문성을 갖추고 창의적인 연구를 할 수 있도록 지도하여 미래의 AI 인재 양성에도 힘쓸 것이라고 말했다.