연구진, 부식 평가에 LLM 적용 시험

빈첸초 봉조르노(Vincenzo Bongiorno), 미켈레 쿠리오니(Michele Curioni), 닉 하이넨(Niek Hijnen) 연구진은 2026년 《부식공학·과학·기술》에 발표한 연구에서 대규모 언어 모델(LLM)을 부식 관련 이미지 분석에 적용했습니다. 연구진은 LLM에 미리 정한 논리를 결합해 세 가지 과제를 시험했습니다. 유기 코팅 이미지에서 ‘기포 있음’과 ‘기포 없음’을 분류하고, 시편의 부식 심각도를 순위로 매기며, 이미지를 심각도 등급에 배정하는 방식입니다. 기포 유무 분류의 정확도는 최대 0.93이었습니다.

연구진은 모델을 학습시키거나 데이터를 사전 처리하지 않아도 자연어 지시로 LLM을 유도할 수 있어, 전통적인 기계학습의 접근하기 쉬운 대안이 될 수 있다고 밝혔습니다. 부식 관련 과제 전반에서 이 방식은 학습된 기계학습 모델과 비슷한 성능을 보였습니다. 연구는 전문가 주도 전략과 결합한 LLM이 부식 평가에 실용적이고 확장 가능한 도구라고 설명합니다.

빈첸초 봉조르노(Vincenzo Bongiorno), 미켈레 쿠리오니(Michele Curioni), 닉 하이넨(Niek Hijnen) 연구진은 2026년 《부식공학·과학·기술》에 발표한 연구에서 대규모 언어 모델(LLM)을 부식 관련 이미지 분석에 적용했습니다. 연구진은 LLM에 미리 정한 논리를 결합해 세 가지 과제를 시험했습니다. 유기 코팅 이미지에서 ‘기포 있음’과 ‘기포 없음’을 분류하고, 시편의 부식 심각도를 순위로 매기며, 이미지를 심각도 등급에 배정하는 방식입니다. 기포 유무 분류의 정확도는 최대 0.93이었습니다.

연구진은 모델을 학습시키거나 데이터를 사전 처리하지 않아도 자연어 지시로 LLM을 유도할 수 있어, 전통적인 기계학습의 접근하기 쉬운 대안이 될 수 있다고 밝혔습니다. 부식 관련 과제 전반에서 이 방식은 학습된 기계학습 모델과 비슷한 성능을 보였습니다. 연구는 전문가 주도 전략과 결합한 LLM이 부식 평가에 실용적이고 확장 가능한 도구라고 설명합니다.