디지털 탐구 도구와 인공지능

본문

본문

스마트 플러그를 콘센트에 꽂으면 그 플러그에 연결한 냉장고의 전력이 스마트폰 앱에 기록된다. 그런데 센서는 전력을 끊임없이 재지 않고, 몇 초나 몇 분에 한 번씩 값을 찍어 보낸다. 냉장고의 압축기는 10분쯤 켜졌다가 20분쯤 꺼지기를 되풀이한다. 그렇다면 30분에 한 번만 재도 하루 전력량을 알 수 있을까? 측정 간격을 줄이면 무엇이 좋아지고, 무엇을 잃을까?

측정 간격 (초)

그림 1. 압축기가 10분 켜지고(150 W) 20분 꺼지는(5 W) 냉장고의 전력(회색)과 센서가 찍은 값(점). 측정 간격이 켜짐과 꺼짐의 주기에 가까워지면 하루 전력량을 크게 틀리게 계산한다.

먼저 알아야 할 것전력과 전력량(통합과학), 그래프의 넓이(수학), 탐구 데이터의 종류(탐구 데이터의 종류와 가치).

1.4.1표본화와 측정 간격

디지털 센서는 연속으로 변하는 양을 일정한 시간 간격으로 잘라 숫자로 바꾸어 저장한다. 이를 표본화라 하고, 두 측정 사이의 시간을 측정 간격이라 한다. 컴퓨터는 이 숫자들만 가지고 계산하므로, 두 측정 사이에 일어난 일은 알 수 없다. 그래서 측정 간격이 현상이 변하는 빠르기보다 길면 중요한 변화를 놓치거나, 우연히 같은 순간만 골라 재어 엉뚱한 결론에 이른다.

정리 1.4.1 측정 간격의 기준

주기 \(T\)로 되풀이되는 변화를 기록하려면 측정 간격 \(\Delta t\)가 \(T\)의 절반보다 짧아야 한다. 실제 탐구에서는 \(T\)의 10분의 1 이하로 잡는 것이 안전하다. 전력량은 전력과 시간의 곱을 더한 값 \(\sum P_i\, \Delta t\)로 계산한다.

그림 1에서 측정 간격을 바꾸어 보자. 압축기의 주기는 30분, 곧 1800초이다. 10초마다 재면 하루 전력량이 참값 1.28 kWh와 거의 같다. 그런데 간격을 1800초로 늘리면 센서는 날마다 같은 순간만 찍게 되어, 그 순간이 켜진 때라면 하루 전력량을 3.6 kWh로, 꺼진 때라면 0.12 kWh로 계산해 실제의 약 2.8배나 10분의 1이 된다. 즉 측정 간격이 주기와 맞물리면 오차가 우연이 아니라 한쪽으로 치우친다.¹

1.4.2자주 재는 것의 대가와 인공지능

그렇다고 무조건 자주 재는 것이 좋지는 않다. 1초마다 재면 하루에 86400개의 값이 생기고, 센서의 배터리와 저장 공간, 통신량이 늘어난다. 그래서 현상의 빠르기에 맞추어 간격을 고른다. 이렇게 모은 많은 자료는 인공지능의 재료가 된다. 예를 들어 집 전체의 전력 기록만 보고 어느 순간에 냉장고, 세탁기, 전자레인지가 켜졌는지를 기계 학습으로 구별하는 연구가 있다. 기계 학습은 전력이 변하는 모양의 특징을 스스로 찾아내므로, 표본화가 촘촘해야 특징을 잘 배운다.

그림 2. 측정 간격은 현상이 변하는 빠르기와 측정에 드는 비용을 함께 따져 정한다.

1.4.3예제 풀이

예제 1.4.2

그림 1의 냉장고에서 압축기는 30분마다 10분 동안 150 W, 나머지 20분 동안 5 W를 쓴다. 하루 전력량의 참값을 구하여라. 또 측정 간격 30분으로 압축기가 켜진 순간만 재었다면 하루 전력량을 얼마로 계산하게 되는가?

30분 동안 쓰는 에너지는 \(150 \times \dfrac{10}{60} + 5 \times \dfrac{20}{60} = 25 + 1.67 \approx 26.7\) Wh이다. 하루는 30분이 48번이므로 \(26.7 \times 48 \approx 1280\) Wh, 곧 약 1.28 kWh이다.

켜진 순간만 재었다면 하루 내내 150 W를 쓴 것으로 계산하므로 \(150 \times 24 = 3600\) Wh, 곧 3.6 kWh이다. 참값의 약 2.8배이다. 꺼진 순간만 재었다면 \(5 \times 24 = 0.12\) kWh로 거꾸로 크게 작아진다. 따라서 같은 센서라도 측정 간격 하나로 결과가 30배까지 달라진다. 디지털 도구가 편리할수록, 그 도구가 무엇을 언제 재는지 알고 써야 한다.

아래 탐구 카드에서 디지털 센서로 전력을 측정해 보고, 인공지능이 자료에서 규칙을 찾아 분류하는 원리를 살펴보자.

영화에서 앞으로 달리는 마차의 바퀴가 거꾸로 도는 것처럼 보이는 것도 같은 현상이다. 카메라가 1초에 24장을 찍는 간격이 바퀴살이 돌아오는 주기와 맞물려 생긴다.

마무리

디지털 센서는 연속으로 변하는 양을 일정한 간격으로 표본화하므로, 측정 간격이 현상의 주기보다 충분히 짧아야 변화를 바르게 기록한다. 간격이 주기와 맞물리면 오차가 한쪽으로 치우치고, 너무 짧으면 자료량과 비용이 늘어난다. 그래서 처음 질문의 냉장고는 30분 주기의 수십분의 1인 몇십 초 간격으로 재야 하루 전력을 바르게 알 수 있고, 30분에 한 번 재면 크게 틀릴 수 있다.

탐구 1

스마트 플러그는 몇 초마다 재야 하루 전력량을 맞힐까?

실험 · 디지털 탐구 도구 · 가정의 전력 소모량 · 표본화 간격 (모식)

가전

측정 간격 = 1 분

참 전력량 (모형): —
플러그가 계산한 값: —
정격 전력 × 사용 시간: —

가전제품의 하루 소비 전력은 흔한 제품의 값을 바탕으로 만든 모식 모형이다(1초 단위). 플러그는 정해진 간격마다 순간 전력을 한 번 재고, 다음 측정까지 그 값이 이어졌다고 보고 전력량을 더한다. 1 kWh = 1000 W로 1시간 쓴 전력량이다.

탐구 문제우리 집에서 전기를 가장 많이 쓰는 가전은 무엇일까? 스마트 플러그(전력 측정 기능이 있는 콘센트)를 꽂으면 휴대 전화 앱에 사용량이 기록된다. 플러그가 보여 주는 숫자는 얼마나 믿을 만할까?
복원전력 P는 1초 동안 쓰는 전기 에너지(W)이고, 전력량은 전력을 시간에 대해 더한 것이다. 일정한 전력이면 전력량 = P × t이고, 전력이 변하면 짧은 시간 Δt마다 P × Δt를 더한다. 그래프에서는 전력 곡선 아래의 넓이이다.
설계조작 변인은 측정 간격, 종속 변인은 계산된 하루 전력량이다. 같은 가전, 같은 하루 사용 패턴을 쓰고, 측정 시작 시각을 바꿔 가며 반복한다. 측정 간격이 짧을수록 자료가 많아져 저장 공간과 통신량이 늘어나는 비용도 함께 생각한다.
분석냉장고는 압축기가 켜졌다 꺼졌다를 되풀이하므로, 정격 전력을 하루 24시간 곱하면 실제보다 훨씬 크게 나온다. 전자레인지처럼 짧게 크게 쓰는 기기는, 측정 간격이 사용 시간보다 길면 사용을 통째로 놓치거나 몇 배로 부풀린다.
측정가전마다 측정 간격을 1초에서 1시간까지 늘려 가며 오차가 10 %를 넘기 시작하는 간격을 찾아 표로 정리해 보자. 간격이 긴 상태에서 '측정 시작 시각 바꾸기'를 여러 번 누르면 값이 얼마나 흔들리는가? 가전마다 알맞은 측정 간격이 다른 이유를 설명해 보자.
오차·안전실제 스마트 플러그는 내부에서 훨씬 빠르게 재고 평균을 내는 제품도 많아서, 이 모형보다 정확할 수 있다. 제품 설명서에서 측정 방식과 정확도를 확인해 보자. 플러그의 허용 전류(보통 16 A 안팎)를 넘는 기기나 멀티탭에 여러 고전력 기기를 함께 꽂지 말고, 젖은 손으로 다루지 않는다.

확인조건이 달라지면

헤어드라이어(1500 W)를 아침마다 4분씩 쓴다. 스마트 플러그가 15분마다 한 번씩만 순간 전력을 재서 전력량을 계산한다면, 30일 동안의 기록은 어떻게 될까?

탐구 2

인공지능은 처음 보는 광물을 어떻게 분류할까?

디지털 탐구 도구 · 기계 학습 · k-최근접 이웃 분류

이웃의 수 k = 3

학습 데이터

밀도 단위

그림을 눌러 미지 광물의 밀도와 굳기를 정하면, 가까운 이웃 k개의 다수결로 무리를 예측합니다.

하나씩 빼고 맞혀 본 정확도: —
학습한 광물 수: —
틀린 광물 (예): —

밀도와 굳기는 광물 도감에 실린 값의 대표값(범위의 가운데)이다. 같은 광물도 산지와 성분에 따라 값이 조금씩 다르다. 정확도는 한 종을 빼고 나머지로 학습해 그 종을 맞혀 보는 방법(하나씩 빼기 검증)으로 셌다.

질문사람이 "규칙"을 알려 주지 않아도 컴퓨터가 예시만 보고 분류를 배울 수 있을까? 무리(규산염, 탄산염, 황화물, 산화물)를 알고 있는 광물 48종의 밀도와 굳기만 주고, 처음 보는 광물의 무리를 맞히게 해 보자.
복원광물의 밀도는 구성 원소의 원자량과 원자가 쌓인 방식에, 굳기(모스 굳기 1~10)는 결합의 세기에 달려 있다. 납, 수은 같은 무거운 금속과 황이 만나는 황화물은 무겁고 무른 편이고, 규산염은 가볍고 단단한 편이다.
설명k-최근접 이웃 분류기는 새 자료가 들어오면 학습 데이터 가운데 가장 가까운 k개를 찾아 다수결로 무리를 정한다. 무리가 이미 붙어 있는 예시로 배우는 이런 방식을 지도 학습이라 하고, 분류에 쓰는 성질(밀도, 굳기)을 특징이라 한다. 실력은 학습에 쓰지 않은 자료로 확인해야 한다.
연결은하 사진을 모양에 따라 나누는 분류기, 위성 사진에서 산불을 찾는 분류기도 같은 생각에서 출발한다. 특징이 수천 개, 학습 데이터가 수백만 개로 커지고 계산 방법이 복잡해질 뿐, "답이 붙은 예시에서 배우고, 학습하지 않은 자료로 검증한다"는 원리는 같다.
적용k를 1에서 15까지 바꾸며 배경의 경계와 정확도가 어떻게 변하는지 보자. '황화물 빼기'를 누른 뒤 밀도 7.5, 굳기 2.5 근처(방연석 자리)를 눌러 보자. 마지막으로 밀도 단위만 kg/m³로 바꿨을 때 경계가 왜 세로줄 모양이 되는지 설명해 보자.
판단분류기는 배운 적 없는 무리를 절대 답하지 못하고, 학습 데이터의 치우침을 그대로 물려받는다. 거리로 판단하는 분류기는 단위처럼 사소해 보이는 선택에도 결과가 크게 달라지므로, 특징의 크기를 맞추는 전처리가 필요하다. 또 백연석처럼 무거운 탄산염은 늘 틀린다. 밀도와 굳기만으로는 화학 조성을 알 수 없기 때문이며, 실제 감정에서는 화학 분석이나 X선 회절로 확인한다.

확인조건이 달라지면

피부 사진으로 피부 질환을 찾는 인공지능을 만들었는데, 학습 사진의 대부분이 밝은 피부색인 사람의 것이었다. 하나씩 빼기 검증의 정확도는 95 %였다. 이 인공지능에 대한 판단으로 옳은 것은?

읽기 3

인공지능과 디지털 도구는 과학 탐구를 어떻게 바꾸었을까?

읽기 · 디지털 탐구 도구와 인공지능의 활용 사례 · 의의와 한계

단백질 하나의 3차원 구조를 실험으로 밝히는 데는 몇 달에서 몇 년이 걸리기도 한다. 2020년, 아미노산 서열만 보고 구조를 실험에 가까운 정확도로 예측하는 인공지능이 나왔다. 이런 도구는 탐구의 무엇을 바꾸고, 무엇은 바꾸지 못할까?

1측정하는 도구, 센서와 데이터 로거

온도, 빛, 소리, 가속도, 기압, 이산화 탄소 농도 같은 물리량을 전기 신호로 바꾸는 센서와, 그 신호를 일정한 간격으로 기록하는 데이터 로거는 사람이 눈금을 읽는 것보다 빠르고, 오래, 여러 곳에서 동시에 잴 수 있게 해 준다. 스마트폰 안에도 가속도·자기장·기압·조도 센서가 들어 있어, 독일 아헨 공과대학이 만든 무료 앱 phyphox 같은 도구로 바로 실험 자료를 얻을 수 있다.

센서가 낸 숫자도 결국 측정값이다. 보정이 맞는지, 몇 초마다 재는지, 센서가 무엇에 함께 반응하는지(예를 들어 값싼 미세먼지 센서는 습도가 높으면 값이 커짐)를 알아야 그 숫자를 해석할 수 있다.

2인공지능이 쓰인 과학 연구

분야	사례	인공지능이 한 일
생명과학	알파폴드(구글 딥마인드). 2020년 단백질 구조 예측 대회(CASP14)에서 많은 단백질의 구조를 실험에 가까운 정확도로 예측. 2022년에는 2억 개가 넘는 단백질의 예측 구조를 공개	이미 밝혀진 단백질 구조 데이터로 학습해 서열에서 구조를 예측. 2024년 노벨 화학상은 단백질 설계를 연구한 베이커와, 알파폴드를 개발한 허사비스·점퍼에게 돌아감
천문학	갤럭시 주(2007~). 시민 수십만 명이 은하 사진을 모양별로 분류	사람이 분류한 결과를 학습 데이터로 삼아, 훨씬 많은 은하를 자동 분류하는 기계 학습 모델을 훈련
기상	기계 학습 기상 예보 모델(2023년 발표된 GraphCast 등)	과거 수십 년의 기상 재분석 자료로 학습해, 물리 방정식을 직접 풀지 않고도 10일 예보를 빠르게 계산
환경	대기 질(미세먼지) 예측	기상 예보, 과거 농도, 배출 자료를 함께 학습해 다음 날 농도를 예측하는 연구와 활용이 늘고 있음

공통점은 데이터가 아주 많고, 사람이 일일이 보거나 계산하기에는 너무 오래 걸리는 문제라는 점이다. 인공지능은 이런 문제에서 탐구의 속도와 규모를 크게 늘렸고, 연구자는 남는 시간을 새로운 질문과 검증에 쓸 수 있게 되었다.

3한계, 도구의 숫자를 그대로 믿을 수 없는 이유

먼저 학습 데이터가 치우칠 수 있다. 2020년 미국의 한 연구(『뉴잉글랜드 의학 저널』)는 손가락에 끼우는 산소 포화도 측정기가 흑인 환자에서 실제보다 높은 값을 보여, 저산소 상태를 놓치는 경우가 백인 환자보다 약 3배 많았다고 보고했다. 센서와 알고리즘이 주로 어떤 사람들의 자료로 만들어졌는지가 결과에 영향을 준다.

또 배운 범위 밖, 곧 학습한 적 없는 조건(새로운 기후, 처음 보는 종류의 단백질)에서는 성능이 떨어질 수 있다. 극단적인 사건은 데이터에 드물어서 예측이 특히 어렵다.

복잡한 모델은 왜 그런 답을 냈는지 알기 어렵다. 예측이 맞아도 원리를 이해했다고 할 수는 없다.

게다가 생성형 인공지능은 존재하지 않는 논문이나 수치를 그럴듯하게 만들어 낼 수 있다. 인공지능이 알려 준 사실과 출처는 원래 자료에서 반드시 확인해야 한다.

판단디지털 도구의 의의를 평가할 때는 "무엇을 더 빠르게, 더 많이, 새롭게 할 수 있게 했는가"와 함께 "그 결과를 어떻게 검증했는가"를 물어야 한다. 알파폴드의 예측도 실험으로 밝힌 구조와 비교해 정확도를 확인했기 때문에 신뢰를 얻었다. 도구는 탐구를 돕지만, 질문을 세우고 증거를 판단하는 책임은 탐구자에게 남는다.

확인조건이 달라지면

한 학생이 생성형 인공지능에게 "우리 지역 하천의 수질 변화"를 물었더니, 연도별 수치와 함께 논문 두 편을 출처로 알려 주었다. 탐구 보고서에 쓰기 전에 해야 할 일로 가장 알맞은 것은?