최근 몇 년 동안 수 많은 스마트 촉각 센서는 온도 측정, 수분, 비틀림 및 화학 물질 감지 등 다양한 기능을 가지고 발전했다 [1-25]. 이러한 유형의 센서는 압저항, 압전, 마찰 전기, 용량, 광학, 자기 등 다양한 원리를 기반으로 의학 장치, 인공 피부, 로봇의 터치 센서와 같은 여러 어플리케이션에서 적용되었다 [26-45]. 기존의 대면적 터치 센서 기술은 가압 위치를 특정한 점으로 지정해주거나, 추가적인 논리 회로 기반으로 위치를 실시간으로 탐지할 수 있는 대면적 촉각 센서를 구성하였다 [46-53]. 또한 소재를 제작할 때 미세한 패턴 정렬 기술과 같은 고비용의 제조 공정 방식을 추구해왔는데, 본 연구에서는 기존의 센서를 만드는 상식에서 벗어나 단순 벌크 소재를 기계 학습 기반의 훈련을 통해 스마트 센서로 만드는 개념을 가지고 연구를 진행하였다. 최근 소재 분야에서 인공지능을 활용하여 금속, 압광체, 형광체, 전고체, X선 회절 등 전방위적으로 많은 연구가 진행되어 왔고 성공적인 결과를 보여주었다[54-73]. 이를 통해 단순 벌크 소재를 스마트 촉각 센서로 변환하는 핵심 기술이 바로 인공지능 기술을 소재와 통합하는 것임을 알 수 있다. 대표적인 절연체로 잘 알려져 있는 폴리 디메틸 실록산 (Polydimethylsiloxane, PDMS)에 전기전도도가 높은 탄소 나노튜브 (Carbon Nanotube, CNT)를 사용하였고 다양한 탄소 나노튜브 종류 중에서 경제적으로 저렴한 다중벽 탄소 나노튜브 (Multi-Walled Carbon Nanotube, MWCNT)를 이용하여 압저항 역할을 하는 단순 벌크 소재를 만들었다. 소재 가장자리에 전극 단자를 연결하여 수집되는 전압 데이터와 가압 위치를 기록하였고, 이를 훈련 및 검증 데이터 세트로 이용하였다. 전극으로부터 수집된 데이터를 활용하여 훈련과 검증 과정을 거쳐 위치를 예측할 수 있었다. 이번 연구에서는 앞서 언급된 복잡한 고비용의 제조 공정이 필요하지 않았고, 지극히 단순한 다중벽 탄소 나노튜브 + 폴리 디메틸 실록산 혼합체가 미세 공정으로 만들어진 최첨단 센서를 대체할 수 있음을 보여주었다. 이전 연구에서는 Fab과 같은 미세 제조 공정이 없이 단일층 압저항 패드를 만들어 인공 피부 및 휴대용 키패드 기술에 대해서 보고 한 적이 있다 [74-76]. 더욱이 최첨단 촉감 감지 정확도와 공간 분해능을 달성했으며, 휴대용이며 주머니 안에 넣을 수 있을 정도로 매우 유연한 스마트 키패드를 만들었다. 그럼에도, 추가적인 촉각 감지 방식이 필요하다. 기존의 연구에서는 홀드아웃 테스트를 통해 데이터 세트의 일부분을 훈련 데이터와 검증 데이터로 나누어 진행하였고 성공적인 결과를 보여주었다. 이번 연구에서는 정해진 규격 (73 mm × 73 mm)의 대면적 패드 위에 무작위 위치를 표시하고, 선택된 위치를 검증 데이터로 사용하였다. 이를 통해 수집된 데이터를 이용하여 미지의 위치를 실시간으로 판단할 수 있는지를 알아보았다. 훈련과 검증을 위해 사용된 모델로는 기본 심층 신경망 (DNN)과 3가지로 분류된 12개의 기계 학습 알고리즘을 이용하여 계산을 진행되었다. 선형 회귀 알고리즘인 Basic Linear, Ridge, Lasso, Least-angle (LARS), Elastic Net, Bayesian ridge (BRR), Partial Least Square (PLS) 모델, 의사 결정 기반 앙상블 모델인 Random Forest (RF), Ada Boost, Gradient Boost, XG Boost 모델, 마지막으로 비선형 기계 학습 알고리즘인 K-Nearest Neighbor (KNN)을 사용하였다.

본 연구에서는 기존의 인공지능 기반의 압저항 패드 연구와는 다르게 패드 내의 학습된 위치 이외의 학습되지 않은 위치를 찾을 수 있는지에 대해 다양한 인공지능 모델들을 이용하여 연구를 진행하였다. 다중벽 탄소 나노튜브 + 탄소 나노튜브 압저항 패드 내에 총 54개의 위치를 가압/감압하여 데이터를 1초당 1000개씩 수집하였다. 이 중 무작위의 4개의 위치를 검증 데이터로 사용하였고, 그 이외의 50개의 위치를 훈련 데이터로 사용하였다. 수집된 데이터를 학습시키기 위해 신경망 모델과 각종 회귀 모델 12개를 이용하여 연구를 진행하였다. 심층 신경망 모델에서는 훈련 결과 MSE: 0.00001, R²: 0.999752, 검증 결과 MSE: 0.00026, R²: 0.991158가 나왔고, 회귀 모델 중에서는 앙상블 모델의 한 종류인 RF 모델에서 훈련 결과 MSE: 0.00001, R²: 0.999853, 검증 결과 MSE: 0.00845, R²: 0.971239가 좋은 결과를 보여주었다. 따라서 고비용의 제조 공정 없이 단순한 재료와 제작 방법을 통해 배열이 없는 단일 층 압저항 패드를 보여주었습니다. 이러한 압저항 패드를 다양한 알고리즘 모델을 통해 훈련시키는 것만으로 스마트한 촉각 센서로 변환했음을 알 수 있었고, 학습되지 않은 위치를 실시간으로 원하는 위치를 탐색하는 연구 결과를 보여주었다.