LG AI Research, 리만 기하학 적용한 GEAR과 Sim-GEAR로 AI 과학 데이터 부족 해결

LG AI Research가 ICML 2026에서 데이터 부족 문제를 해결하기 위한 새로운 전이 학습 방법 GEAR과 Sim-GEAR를 공개했다. 이 방법들은 Riemannian geometry를 활용해 데이터가 풍부한 물성에서 부족한 물성으로 지식을 전이하며, 측정 시간과 비용이 많이 드는 소재 개발 분야의 핵심 과제를 다룬다.

GEAR: 곡률 기반 전이 학습

GEAR(Geometric Transfer Learning through Latent-Space Curvature Matching)은 서로 다른 모델의 잠재 공간 차이를 단순한 벡터 불일치가 아닌 기하학적 변형으로 해석한다. Ricci scalar를 계산해 곡률 정보를 압축하고, 데이터가 부족한 대상 모델이 데이터가 풍부한 원본 모델의 기하학적 구조를 상속하도록 학습한다. 곡률은 좌표 변환에 불변하므로, 모델 아키텍처나 임베딩이 달라도 정확한 지식 전이가 가능하다.

Sim-GEAR: 효율성을 위한 메트릭 매칭

GEAR은 기하학적 전이 학습의 가능성을 입증했지만, 곡률 계산에 필요한 고계 미분으로 인해 계산 복잡도가 높았다. Sim-GEAR은 원본과 대상 잠재 공간의 metrics를 직접 정렬해 곡률 계산을 생략한다. 이를 통해 계산 복잡도를 약 4차에서 3차로 낮추며, Ricci scalar보다 거리와 각도 정보를 더 직접적으로 보존한다.

성능 및 영향

실험 결과 Sim-GEAR은 GEAR 대비 연산 속도를 91.1% 높이고 메모리 사용량을 62.6% 줄였다. 구조가 단순해졌음에도 다양한 분자 물성 데이터셋에서 안정적인 전이 학습 성능을 유지했다. 이러한 발전은 기존 하드웨어에서 더 큰 잠재 차원과 배치 크기를 사용할 수 있게 해 AI 기반 소재 발견의 효율성을 높인다.