분야별 대표 사례
A사 · 경량복합재
자동차 부품
탄소섬유 복합재
다품종 소량 시제품의 인장강도 확보를 위해 반복 실험이 과도하게 소요
물성 예측 AX
AutoML
보유 실험데이터로 예측 모델을 생성하고 로컬 실행 패키지(.exe)로 배포
62%↓실험 횟수
5→2개월개발기간
0.94모델 R²
B사 · 세라믹 / SOFC
연료전지
고체산화물 연료전지
전극 소결밀도 목표치 달성을 위한 공정 조건 탐색에 시간·비용 과다
소재 실험 최적화
베이지안 능동학습
라운드별 추천 조건으로 최소 실험만 수행해 목표 물성에 수렴
9회목표 달성 실험
40%↓소재 비용
0.91모델 R²
C사 · 섬유 / 염색
기능성 섬유
특수 염색 가공
소량·불균형 데이터로 색차(ΔE) 예측 정확도가 낮아 재시험 빈번
데이터 증강
전이학습
CTGAN 증강과 전이학습으로 소량 데이터의 일반화 성능을 개선
0.74→0.89예측 정확도
35%↓재시험
+3배데이터량
D사 · 화학 / 접착소재
구조용 접착
에폭시 접착제
신규 배합 후보가 많아 전수 실험이 현실적으로 불가능
MDF 어플리케이션
물성 예측 AX
가상 실험으로 유망 후보를 선별하고 사내망 로컬 패키지·ERP 연동
71%↓후보 실험
v3자산 버전
ERP/MES연동
도입 효과 요약
58%↓
평균 실험 횟수 절감
2.4×
평균 개발 속도
0.92
평균 모델 R²
100%
로컬 구동 배포율
✓
공통 효과 — 보유 데이터가 일회성 분석으로 끝나지 않고 재사용 가능한 AI 자산으로 축적되어, 후속 소재 개발에서 전이학습으로 더 빠르게 수렴했습니다.
※ 본 성과 수치는 KoMaP 플랫폼 프로토타입 시연용 예시이며, 참여 기업명은 익명 처리되었습니다.