복합 가스가 화학지문이 되기까지: LIG 센서의 작동 방식

가스와 냄새는 눈에 보이지 않지만 제품과 공간의 상태를 이해하는 중요한 단서가 될 수 있습니다. 공기가 달라졌는지, 보관 환경에 변화가 생겼는지, 기계 주변에서 평소와 다른 화학 신호가 나타났는지는 모두 냄새와 가스의 변화로 드러날 수 있습니다.

그러나 제품이 이러한 변화를 활용하려면 사람의 감각적인 표현을 반복해서 비교할 수 있는 데이터로 바꾸어야 합니다. NeuroSense는 그 출발점으로 LIG 기반 다채널 가스 센서를 활용합니다.

이 글에서 말하는 ‘화학지문’은 다채널 센서의 상대적이고 시간적인 반응을 비교 가능한 패턴으로 정리한 데이터입니다. 혼합가스의 전체 성분을 직접 분석하거나 특정 물질을 확정적으로 판정한 결과와는 다릅니다.

하나의 수치만으로 설명하기 어려운 공기

실제 환경의 공기는 여러 화학 물질이 함께 존재하는 혼합 환경입니다. 같은 냄새도 농도와 배경 공기, 습도, 온도, 공기 흐름에 따라 센서에서 다르게 나타날 수 있습니다.

따라서 중요한 것은 특정 순간의 숫자 하나만 확인하는 것이 아닙니다. 여러 센서 채널이 얼마나 크게 반응했는지, 반응이 어떤 속도로 증가하고 감소했는지, 채널 사이에 어떤 상대적인 차이가 나타났는지를 함께 살펴봐야 합니다. 이러한 반응의 조합은 하나의 총량으로는 남기기 어려운 화학적 맥락을 보존합니다.

LIG가 만드는 다공성 센싱 구조

LIG는 Laser-Induced Graphene, 즉 레이저 유도 그래핀을 뜻합니다. 탄소를 포함한 소재에 레이저 에너지를 가하면 표면에 다공성 전도 구조를 형성할 수 있습니다. 초기 LIG 연구에서는 CO₂ 레이저로 고분자 필름에 3차원 다공성 그래핀 네트워크를 직접 형성하는 방법이 제시됐습니다. 자세한 내용은 Nature Communications 연구에서 확인할 수 있습니다.

다공성 구조는 가스와 상호작용할 수 있는 표면을 제공하고, 센서 채널과 감응 소재의 구성에 따라 서로 다른 전기적 반응을 만들 수 있습니다. 다만 LIG 자체가 가스의 이름을 바로 알려주는 것은 아닙니다. 센서 하드웨어는 정답을 출력하는 장치라기보다, 보이지 않는 화학 변화를 여러 형태의 전기 신호로 받아들이는 첫 번째 층에 가깝습니다.

여러 채널의 차이가 하나의 패턴이 됩니다

다채널 센서 어레이에서는 같은 환경에 노출되더라도 각 채널이 서로 다른 크기와 형태로 반응할 수 있습니다. 한 채널의 반응만 보는 대신 여러 채널의 움직임을 함께 보면 해당 조건을 나타내는 하나의 패턴을 구성할 수 있습니다.

관련 연구에서도 기능성 소재가 결합된 다공성 LIG 센서 어레이가 서로 다른 냄새 분자에 대해 구분되는 반응 조합을 만들고, 이를 머신러닝으로 분류하는 방식이 제시됐습니다. 다만 해당 결과는 특정 소재와 실험 조건, 학습 데이터에서 얻어진 것으로 다른 센서의 성능을 직접 의미하지 않습니다. 자세한 내용은 ACS Nano 연구에서 확인할 수 있습니다.

반응 곡선에서 화학지문으로

센서에서 얻은 원시 반응은 그대로 두면 측정 시점이나 디바이스가 달라졌을 때 비교하기 어렵습니다. 기준선과 반응 크기를 정리하고, 환경 조건과 채널 간 차이를 고려하는 전처리가 필요한 이유입니다.

신호 처리 과정에서는 다음과 같은 특징을 살펴볼 수 있습니다.

• 기준 상태에서 얼마나 변화했는가
• 반응이 얼마나 빠르게 증가하거나 회복되는가
• 어떤 채널이 상대적으로 크게 반응했는가
• 동일한 조건에서 비슷한 패턴이 반복되는가

이 특징들을 하나의 벡터나 레이더 차트, 히트맵과 같은 구조로 표현하면 서로 다른 시점의 반응을 비교할 수 있습니다. 이것이 NeuroSense가 말하는 화학지문의 기본 개념입니다. 화학지문은 성분표가 아니라, 반복되는 이벤트와 배경 상태의 차이를 살펴보기 위한 공통 언어입니다.

AI는 학습된 범위에서 패턴에 맥락을 더합니다

구조화된 화학지문은 AI 패턴 인식의 입력으로 활용할 수 있습니다. 라벨링된 데이터와 반복 측정된 반응을 바탕으로 모델은 기준 상태와 다른 패턴을 찾거나, 학습된 범주 사이의 유사성을 비교할 수 있습니다.

AI의 역할은 처음 접하는 모든 냄새를 조건 없이 알아맞히는 것이 아닙니다. 학습된 데이터와 적용 환경 안에서 센서 반응을 비교하고, 제품에 필요한 이벤트나 상태 후보로 번역하는 것입니다.

어떤 패턴을 알림으로 보여줄지, 어떤 변화가 추가 확인을 필요로 하는지, 연결된 제품이 어떤 동작을 검토해야 하는지는 실제 사용 환경과 운영 기준을 함께 고려해 정해야 합니다.

반복 가능한 결과는 현장에서 만들어집니다

센서 반응은 습도, 온도, 공기 흐름, 혼합가스 간섭, 센서 편차와 시간에 따른 드리프트의 영향을 받을 수 있습니다. 따라서 제품 적용 과정에서는 기준선 설정, 정규화, 교정과 현장 데이터 수집이 함께 이뤄져야 합니다.

목표는 한 번의 측정으로 보편적인 답을 내는 것이 아닙니다. 제품이 놓이는 환경에서 중요한 화학 변화를 정의하고, 반복해서 비교할 수 있는 데이터를 축적하며, 유효한 판단 기준을 만들어 가는 것입니다.

센싱에서 제품의 판단까지

LIG 센서, 화학지문 데이터, AI 해석은 각각 분리된 기능이 아니라 하나의 센싱 흐름을 이룹니다. 센서 어레이가 변화를 포착하고, 신호 처리가 반응을 비교 가능한 형태로 만들며, AI가 학습된 범위에서 패턴에 맥락을 더합니다.

이 흐름은 공기 관리, 스마트 공간, 식품 환경, 로보틱스처럼 화학적 변화가 제품의 판단에 도움이 되는 영역에서 활용 가능성을 검토할 수 있습니다.

NeuroSense가 만들고자 하는 것은 냄새를 하나의 이름으로 단순화하는 장치가 아닙니다. 보이지 않는 화학 변화를 측정 가능한 신호로 바꾸고, 이를 제품이 활용할 수 있는 데이터와 판단으로 연결하는 기반입니다.