LG AI연구원, 리만기하학 적용한 데이터 부족 해결 기술 'GEAR'와 'Sim-GEAR' 공개

LG AI연구원이 ICML 2026에서 데이터가 부족한 과학 문제를 해결하기 위한 새로운 Transfer Learning 방법론인 GEAR와 Sim-GEAR를 발표했다. AI for Science 분야에서는 신소재 개발 등 중요한 물성일수록 측정 비용과 시간 문제로 학습 데이터가 극도로 부족한 현상이 발생한다.

GEAR는 서로 다른 물성 예측 모델의 Latent Space를 리만기하학 관점에서 연결한다. 기존 유클리드 거리 비교의 한계를 넘어, 두 공간의 기하학적 구조를 나타내는 Ricci Scalar가 유사해지도록 학습하여 데이터가 풍부한 Source Model의 지식을 Target Model에 전달한다. 이를 위해 연구진은 PyTorch Autograd의 메모리 문제를 해결하기 위해 미분식을 직접 유도하고 최적화했다.

후속 연구인 Sim-GEAR는 GEAR의 복잡한 곡률 계산 과정을 Metric Matching으로 단순화했다. Ricci Scalar가 방향별 정보를 압축하는 것과 달리, Metric을 직접 정렬하여 거리와 각도 정보를 보존한다. 이 방식은 고차 미분을 제거해 계산 복잡도를 낮추면서도 안정적인 성능을 유지한다.

실험 결과 Sim-GEAR는 GEAR 대비 계산 속도를 약 91.1% 향상시키고 메모리 사용량을 약 62.6% 줄였다. 이를 통해 더 큰 Latent Dimension과 Batch Size를 처리할 수 있어, 제한된 데이터 환경에서도 효율적으로 작동하는 AI 기술의 가능성을 제시했다. GEAR는 메인 콘퍼런스에, Sim-GEAR는 AI for Science 워크숍에 각각 채택되었다.