획기적인 AI 이미지 생성 알고리즘 'Fast Direct' 등장! 질의 효율성 10배 향상!

김용탄 등 연구팀이 개발한 'Fast Direct' 알고리즘은 기존 가이드 확산 모델의 한계를 극복, 오프라인 데이터 없이도 실시간 데이터 수집 및 블랙박스 목적 함수를 지원합니다. 고해상도 이미지 및 3D 분자 생성에서 질의 효율성을 획기적으로 높였으며, 코드 공개를 통해 폭넓은 활용을 기대하고 있습니다.

꿈꿔왔던 AI 이미지 생성, 이제 현실이 된다! 'Fast Direct'의 놀라운 성능

최근 딥러닝 분야에서 혁신적인 발전을 이룬 확산 모델(Diffusion Model)은 고품질 이미지 생성에 널리 활용되고 있습니다. 하지만 기존 가이드 확산 모델들은 사전에 수집된 데이터셋에 의존하거나, 미분 가능한 목적 함수를 필요로 한다는 한계가 있었습니다. 실제 세상의 문제, 예를 들어 인간의 선호도를 반영한 이미지 생성이나 신약 개발을 위한 분자 설계 등에서는 이러한 제약이 큰 걸림돌이었습니다.

이러한 문제를 해결하기 위해 김용탄, 유명류, 아이보르 창, 오유순 연구팀은 획기적인 알고리즘 **'Fast Direct'**를 개발했습니다. 'Fast Direct'는 오프라인 데이터셋 없이도 실시간으로 데이터를 수집하고, 블랙박스 목적 함수를 지원하는 온라인 알고리즘입니다. 이는 마치 AI가 인간의 피드백을 실시간으로 반영하며 학습하는 것과 같습니다.

'Fast Direct'의 핵심은 무엇일까요? 바로 'pseudo-target' 이라는 개념입니다. 이 알고리즘은 데이터 다양체(manifold) 위에 의사 목표(pseudo-target)를 구축하여 확산 모델의 노이즈 시퀀스를 보편적인 방향으로 업데이트합니다. 이를 통해 놀랍도록 향상된 질의 효율성을 달성합니다.

실험 결과는 더욱 놀랍습니다. 고해상도 (1024x1024) 이미지 생성 작업에서는 기존 방식 대비 6배에서 10배까지, 3D 분자 생성 작업에서는 11배에서 44배까지 질의 효율성이 향상되었습니다. 이는 훨씬 적은 연산으로 동일하거나 더 나은 결과를 얻을 수 있음을 의미하며, 실제 응용 분야에서의 활용 가능성을 크게 높입니다.

연구팀은 'Fast Direct'의 코드를 공개적으로 공유하여 (https://github.com/kimyong95/guide-stable-diffusion/tree/fast-direct), 더 많은 연구자들이 이 기술을 활용하고 발전시킬 수 있도록 지원하고 있습니다.

결론적으로, 'Fast Direct'는 AI 이미지 및 분자 생성 분야에 혁신적인 전기를 마련한 알고리즘입니다. 온라인 학습과 블랙박스 목적 함수 지원, 그리고 뛰어난 질의 효율성을 바탕으로, 앞으로 다양한 분야에서 AI의 활용 범위를 넓히는 데 크게 기여할 것으로 예상됩니다.