초소형모듈원자로 분야의 효율적인 두문자어 사전구축과 단어 임베딩을 이용한 지식 분석

1.1 연구의 필요성

2022년 11월말 대규모언어모델(LLM, Large Language Models)인 챗GPT의 발표 이후 여러 LLM이 등장하면서 급격한 전기 에너지 상승 문제가 대두되고 있다. 이러한 급격한 전력 수요 증가는 소형모듈원자로(SMR, Small Modular Reactor)와 초소형모듈원자로(MMR, Micro Modular Reactor)와 같은 차세대 원전 기술의 주목을 받게 하는 요인이 되었다[1]-[3]. 특히 MMR은 전기출력이 10㎿e(Megawatt electric)급으로 데이터 센터와 연구 시설 전력 소모가 큰 곳이나 특정 지역에 독립적이거나 분산형 전력원(DER, Distributed Energy Resource)이 요구되는 곳에서 안정적인 전력원으로 활용될 수 있어 중요한 변화의 기회로 등장하고 있다[4][5].

MMR은 소형 모듈 단위로 제작 및 설치가 가능하여 건설 기간 단축과 비용 절감 효과를 기대할 수 있다. 또한, 기존 원자로에 비해 규모가 작아 사고 발생 시 위험성이 낮고, 안전 시스템 구축 비용도 상대적으로 적게 든다. 즉 MMR은 초소형화, 모듈화 설계, 향상된 안전성, 다목적 활용 가능성 및 뛰어난 확장성의 장점을 지닌다. 이러한 MMR은 국가가 필요한 에너지를 안정적이고 경제적으로 확보할 수 있는 능력인 에너지 안보와 미래 에너지 시장에서 중요한 역할을 할 수 있게 하며 탄소중립 실현과 노후 석탄화력 대체 등의 과제 해결에 기여할 것으로 기대되고 있다.

전 세계적으로 MMR 기술 개발이 활발히 진행되고 있는 가운데 우리나라도 이 분야에서 기술 경쟁력 확보가 시급한 실정이며 최근 우리나라 에너지 믹스 정책과 맞물려 MMR의 상용화에 대한 관심이 증대되고 체계적인 연구 동향 분석의 필요성이 대두되고 있다. 우리나라는 2024년 2월 12대 국가전력기술로 차세대 원자력을 포함시키며, 첨단산업의 발전에 따라 전 세계 전력수요 증가에 대응하고 탄소중립을 구현하기 위해 원자력 에너지의 중요성 강조하고 있다.

1.2 연구 목적

본 연구는 이렇게 최근 주목받고 있는 MMR에 대해 주요 핵심어와 기술 동향을 파악하고, 우리나라의 MMR 발전 방향과 경쟁력 강화를 모색하기 위해 MMR 신기술에 대한 기술적, 정책적 관점을 다각도로 접근하여 보다 종합적인 인사이트를 도출하기 위해 이들 분야의 지식 구조 연구가 부족한 상황에서 텍스트 마이닝과 효율적인 지식 사전 구축 방안을 제시하고자 한다.

과학기술 분야 논문에서는 전문용어와 기술적 개념을 간결하게 표현하고 복잡한 개념, 기술을 간결하게 표현하기 위해 약어의 일종인 두문자어(Initialism)를 통상적으로 사용한다. 과학기술 논문에서는 일반적으로 한 번 정의된 두문자어를 이후 본문에서 반복 사용해 가독성을 높인다. 따라서 과학기술 논문에서 두문자어의 의미를 정확히 이해하지 못하면 논문의 핵심 내용을 파악하기 어렵고, 검색 효율이 떨어질 뿐만 아니라 자동화된 데이터 분석에서 두문자어를 적절히 처리하지 않으면 잘못된 정보가 도출될 수 있다. 이런 상황에서 두문자어 사전을 활용하면 논문 및 데이터 검색의 정확성과 효율성을 크게 향상시킬 수 있다. 두문자어 사전은 자연어처리(NLP, Natural Language Processing) 모델에서 정확한 단어 의미 해석과 임베딩 학습에도 기여한다.

MMR은 최신 기술이자 제한 및 특화된 분야여서 논문, 특허, 연구보고서 등의 성과가 충분히 축적되지 않은 영역에서 객관적인 트렌드나 유용한 지식을 발견하기 위해서는 전통적인 연구 방식보다는 새로운 접근법과 다양한 데이터를 활용하거나 메타 분석이 연구 방법이 필요하다. 특히 논문은 새로운 발견이나 이론적 발전이 빠르게 반영되므로 최신 기술 동향 파악에 적합하고 특정 분야의 전문성 및 객관성을 구축하며 공개 접근성이 높다. 본 연구에서는 제한된 데이터로도 의미 있는 새로운 인사이트를 도출하고자 국제적인 논문의 전문(Full-text)을 이용하여 분석하고, 우리나라의 MMR 현황을 위해서 국가 연구개발(R&D) 과제정보를 이용하여 분석한다.

1.3 연구 방법

이를 위해 본 연구는 우리나라 MMR 연구개발 현황과 방향을 잘 파악하기 위해 국가연구개발 과제를 수집하여 분석하고, 국제 논문 240건 전체 내용 원문 pdf 파일을 수집하여 텍스트 파일로 변환한 후 337,054개 문장을 가지고 단어 임베딩과 클러스터링 등 지식구조를 분석하였다. 본 연구의 결과는 MMR 상용화 현황과 최근의 에너지 믹스에 대한 신속하고 효과적인 이해를 제공함으로써, 우리나라의 MMR 관련 국가 R&D 정책 방향 수립에 기여하고 데이터 기반의 분석 결과와 지식 사전 구축은 향후 과학기술 전문분야의 전략적 방향 설정에 기여할 것으로 기대된다.

2.1 MMR 개요 및 동향

MMR은 초소형 모듈형 원자로 기술로 기존 대형 원자력발전소 대비 높은 안전성과 유연한 배치를 제공하여 소규모 전력 수요 충족, 탈탄소화, 원격지 에너지 공급에 큰 잠재력을 지니고 있다[6]. 특히 최근 생성형 AI 기술 눈부신 발전에 따라 GPU나 TPU 고성능 연산과 고성능 하드웨어 작동 중 발열을 냉각하기 위해 폭증하는 AI 전력 수요에 OpenAI는 물론 MS, Google, Amazon 등의 거대 기업도 대규모 투자 및 건설에 뛰어 들고 있다.

하지만 MMR은 안전성 검증, 기술 규제와 표준은 아직 정립되지 않은 상태이며 초기 설계 및 테스트 비용과 관련하여 투자 경제성을 확인해야 하며 에너지 시장에서 신재생에너지 대비 상업적 경쟁력도 검증이 필요하다. 우리나라는 MMR 기술 개발의 중심 기관으로 한국원자력연구원과 한전KPS, 두산에너빌리티 등 민간 부문 협력, 학계의 이론 연구와 산업 연계, 원자력 분야에 대한 국민적 인식과 사회적 수용성의 도전도 남아 있다.

표 1은 미국, 유럽, 중국, 호주, 우리나라와 참여한 회사가 진행한 MMR 테스트 결과로 대부분의 테스트는 전력 출력과 안정성/신뢰성 또는 안전성/확장성을 평가하는 데 집중되고 있으며 전력 출력 범위 1MW∼1GW로 다양하다.

Table 1.

Trends by MMR-related countries(company)

특히 미국의 USNC(Ultra Safe Nuclear Corporation)은 MMR의 설계 및 개발을 진행 중이며, 고온가스로(HTGR, High-Temperature Gas-cooled Reactor) 기반의 4세대 원자로 기술을 적용하고 있다. MMR은 안전성을 높이기 위해 혁신적인 세라믹 연료를 사용하며 이 연료는 녹지 않으며 방사성 물질의 환경 방출을 방지한다. 미국의 MMR 개발업체인 Last Energy는 2026년 첫 번째 초소형 원자로를 가동할 계획이며, 이를 위해 최근 4000만 달러의 투자를 유치했다. 이들은 MMR을 공장에서 사전 제작된 모듈로 조립하여 설치하는 방식을 채택하고 있다. 미국 에너지부는 MMR 기술 개발을 지원하고 있으며, 규제 프레임워크도 이러한 새로운 설계를 수용하기 위해 진화하고 있다.

우리나라 SK에코플랜트와 현대엔지니어링은 USNC와 협력하여 '수소 마이크로 허브' 구축을 위한 MOU를 체결했다. 이 프로젝트는 MMR에서 발생하는 전기와 고온 증기를 활용하여 수소를 생산하는 시스템을 개발하는 것을 목표로 하고 있다.

이들은 향후 5년간 공동 연구개발을 통해 가격 경쟁력 있는 수소 생산 체계를 구축할 계획이다. 이탈리아의 Ultra Safe Nuclear는 MMR의 안전성을 강조하며, 혁신적인 세라믹 연료 기술을 통해 방사성 물질의 방출을 차단하는 방법을 연구하고 있다. MMR은 공장 내 열 프로세스를 직접 제공하고, 소규모 커뮤니티에 전력을 공급하는 데 적합하다고 보고되었다.

2.2 두문자어와 단어 임베딩

과학기술 논문에서는 많은 전문용어와 두문자어가 사용된다. 언어학적으로 약어에 해당하는 acronym, abbreviation, initialism은 다음과 같은 차이가 있다. Acronym은 여러 단어의 첫 글자를 따서 만든 단어이다. 이 단어는 보통 하나의 단어처럼 발음되는 단계에 이른 상태이다. 예를 들어, NASA (National Aeronautics and Space Administration)나 NATO(North Atlantic Treaty Organization)가 있으며 나사, 나토로 발음되는 단계이다. Abbreviation은 단어나 구의 일부를 생략하여 만든 약어이다. 이는 보통 단어의 첫 글자나 몇 글자를 따서 만든다. 예를 들어, "Dr."(Doctor)나 "A.I."(Artificial Intelligence)가 있다. Initialism은 여러 단어의 첫 글자를 따서 만든 약어로 아직은 하나의 단어처럼 발음되지 않고 각 글자를 개별적으로 발음한다. 예를 들어, FBI (Federal Bureau of Investigation)나 AI(Artificial Intelligence)가 있다. 이러한 차이점은 약어가 어떻게 시기적으로 형성되고 발음되는지에 따라 구분된다[7].

일상적인 분야에서 두문자어와 관련된 웹 서비스로 AcronymFinder가 있는데 이는 인간 편집 정의를 포함한 세계 최대의 약어, 축약어 및 두문자어와 관련하여 광범위한 약어 사전을 구축하여 서비스하고 있다[8]. AcronymFinder는 정보 기술(IT)에 8.6만, 군사 및 정부 15.4만, 과학 및 의학 14.5만, 조직 및 학교 19.5만 이상의 정의를 포함하며 관료, 번역가, 의사, 무기 설계자 등 다양한 분야의 전문가들이 일상적으로 생성되는 약어를 해독하는 데 도움을 받을 수 있는 중요한 지식 자원이 되고 있다.

단어의 앞과 뒤에 나오는 단어 특히 뒤에 나오는 단어를 분석하는 언어 연구 분야도 있는데 이는 언어학, 자연어처리, 문헌 분석, 심리학, 마케팅 등 다양한 분야에서 단어 연쇄 분석, 키워드 연관어 또는 연어(Collocation) 분석에서 이루어지고 있다[9]. 이러한 연구는 단어들이 문맥 내에서 어떻게 결합하고 의미를 확장하는지, 그리고 그로 인해 발생하는 사회적, 경제적, 심리적 영향을 이해하는 데 큰 의미를 가지며 각 분야에서 이 분석은 언어의 패턴, 상호작용, 의미론적 관계 등을 파악하는 중요한 도구로 활용된다.

두문자어는 과학기술 및 전문 분야에서 정보 전달을 간소화하고 효율성을 높이지만 이들의 의미와 추출 정확성과 문맥 기반의 분석 없이는 명확하게 이해하기 어려운 한계도 존재한다. 이런 한계를 보완하기 위해서는 도메인 특화적으로 보정하고 필터링하는 시스템이 함께 설계되고 있다[10].

과학기술 분야의 논문에서 주요 개념을 대표하기 위해 보통 5개 정도의 키워드가 제시되고 있지만 두문자어는 긴 용어나 개념을 짧게 압축하여 간결하게 표현하며 논문의 가독성을 높이고 공간을 절약하는 데 도움을 준다. 특정 분야에서 사용되는 두문자어는 해당 분야의 전문 용어를 나타내며 이는 논문의 전문성을 높여준다. 두문자어는 새로운 개념에 대한 새로운 전문 용어를 정립하는 데 사용되며 반복적으로 사용되는 개념을 압축해 표현 가능한 장점이 있다. 이외에도 다국적 기업이나 국제 조직에서는 두문자어를 사용하여 언어 장벽을 극복하고 더 쉽게 소통할 수 있게 해 준다.

최근 딥러닝(DL, Deep Learning)에 기반한 단어 임베딩(Word embedding) 기술이 현대 자연어 처리에서 핵심적인 역할을 하고 있다. 이 기술은 각각의 단어를 수치화된 벡터로 변환하여 컴퓨터가 이해할 수 있는 형태로 표현한다. 단어들 간의 의미적 연관성을 수학적으로 계산할 수 있게 되어 비슷한 의미를 가진 단어들을 쉽게 찾아낼 수 있다. 이러한 단어 임베딩 기술은 단순히 단어 유사도 측정에만 그치지 않고, 유추 분석, 텍스트 분류, 문서 군집화, 검색 엔진 개선, 추천 시스템 구축, 기계 번역, 텍스트 생성 등 최근 폭넓은 응용 분야에서 활용되고 있다[11].

본 연구에서는 논문의 요약문에 나타난 두문자어를 추출하여 비교한 결과 다음과 같은 점을 알 수 있었다. AI라는 두문자어 단어의 뒤에 나오는 영어 단어를 조사해 보면 1,800개 이상이 등장하는데 AI라는 두문자어는 이제는 거의 보통 명사화된 상태로 진행됨을 알 수 있다. 이에 반해 비교적 최근 등장한 MMR이라는 두문자어는 17개, SMR이라는 두문자어는 70개 정도밖에 나오지 않아 AI에 비해 MMR이나 SMR은 아직 사회적으로 자주 쓰이지 않아 아직 보통 명사화되지 않은 상태임을 알 수 있다.

SMR과 MMR 단어 뒤에 오는 단어를 비교하면 표 2와 같다. SMR보다 MMR이 더 최근에 등장하여 아직은 MMR의 사용빈도가 떨어진다. SMR과 MMR 연구는 주로 기술적 측면에서 설계, 핵심 부품, 연료, 안전성 등이 중요한 이슈로 다뤄지고 있다. 또한, 상용화, 기술 개발과 배치에 대한 논의도 활발하게 이루어지고 있다.

Table 2.

SMR and MMR following words

본 연구에서는 MMR과 관련된 두문자어를 과학기술 논문 전문(Full-text)에서 자동으로 찾아 두문자어와 전체 단어 쌍으로 사전을 구축하고자 한다. 본 연구에서는 MMR의 논문이 그리 많지 않은 분야이고 요약문을 가지고서는 데이터 부족 문제가 있어서 MMR 분야의 논문 240건의 전문을 가진 pdf 파일을 R언어의 pdftools 패키지를 이용해 텍스트로 변환하여 이용하고자 한다. 전문을 가지고 두문자어도 자동으로 찾아내고 두문자어의 전체 단어도 R언어를 이용해 프로그램으로 찾은 반자동으로 두문자어와 전체 단어의 쌍을 맞추어 사전을 구축하고자 한다. MMR 분야는 다학제적 특성을 가지고 있어 물리학, 재료공학, 열역학, 원자력공학 등의 다양한 용어가 사용된다. 두문자어와 단어 임베딩을 통해 기술 용어의 의미를 맥락적으로 학습하고, 이를 표준화하여 분야 내 통일된 이해를 제공할 수 있다.

단어 임베딩은 자연어 처리(NLP)에서 단어를 수치 벡터로 표현하는 기법이다. 컴퓨터는 텍스트 데이터를 직접 처리할 수 없기 때문에, 단어를 고차원 공간의 벡터로 변환하고 압축 알고리즘에 해당하는 단어 차원 축소 기법을 이용하여 머신러닝 및 딥러닝 모델에서 활용할 수 있도록 한다. 이 과정에서 단어 간 의미적 관계와 유사성을 벡터 공간에 반영하고 코사인 유사도와 같은 기법을 통해 벡터 간 유사성을 계산할 수 있다.

단어 임베딩을 생성하는 방법으로는 Word2Vec, GloVe, FastText 등이 있으며 같은 단어라도 문맥에 따라 다른 벡터를 생성하는 맥락 기반 임베딩 기법도 있다. 단어 임베딩은 단어 간 의미적 관계를 벡터 간 거리로 직관적으로 표현하며, 희소 행렬에 비해 저장과 연산에 효율적이다. 하지만 단어 임베딩은 일반적인 사전 학습 모델을 사용하는 대신, MMR이나 의료 등 특정 도메인의 특성을 반영한 임베딩 학습이 필요하다. 또한 단어 임베딩을 통해 "MMR"과 "Micro Modular Reactor"은 형태는 다르지만 동일 의미를 갖도록 즉 두문자어를 학습할 필요가 있다.

4.1 국가R&D과제 데이터 분석

2024년 2월 우리나라는 12대 국가전략기술에서 국가안보에 직결되는 거대과학 분야로 ‘차세대 원자력’을 선정하며 탄소중립을 주도할 세계 최고 수준의 소형모듈원자로 상용화를 포함시키며 세계 시장을 선도하는 차세대 원자력 강국 도약 목표로 하였다.

본 연구는 국가과학기술지식정보서비스(NTIS)에서 수집한 MMR 관련 2013∼2023년 국가R&D과제 17건에 대한 정보를 살펴보면, 총연구비는 29억원에 과제당 평균 2.6억원에 달하며 부처는 모두 과학기술정보통신부(이전에는 미래창조과학부)이다. 과학기술표준의 적용분야분류도 모두 ‘에너지’로 나타났다. 과학기술표준분류의 연구분야에서는 표 3에서 보듯 MMR 관련 기술 개발의 주요 초점이 구조설계와 핵심기기, 핵연료 관련 기술에 있으며, 안전성 및 성능 평가도 중요한 과제임을 보여준다.

Table 3.

Classification of research fields for MMR-related national R&D projects

MMR 분야 국가R&D과제의 과제수행기관 측면에서는 한국과학기술원 9회(52.9%), 울산과학기술원 5회(29.4%), 중앙대학교 2회(11.8%), 한국재료연구원 1회(5.9%)로 수행하였다. 연구개발단계 측면에서는 ‘기초연구’가 94.1%, ‘개발연구’가 5.9%에 속하며, 연구수행주체 측면에서 대학이 94.1%, 출연연구소가 5.9%에 속해 주로 기초연구 분야에서 대학이 중심이 되어 연구가 되고 있음을 알 수 있다.

4.2 MMR 논문 두문자어 사전 구축과 단어 임베딩

본 연구에서는 MMR 관련 국제 논문에서 MMR 이라는 단어 뒤에 나오는 단어를 조사하여 정리하면 표 4과 같이 연어 패턴을 나타낸다. MMR이 소형화 및 모듈형 설계, 효율적 연료 사용, 안전성, 재생에너지와의 연계 가능성을 중점으로 연구되고 있음을 확인할 수 있다.

Table 4.

MMR-related following words in full-text papers

본 연구에서는 MMR 관련 논문 원문을 텍스트로 변환하여 두문자어 추출하고 두문자어와 그 두문자어의 전체 단어(Full-word)를 갖는 사전을 구축하였다. 두문자어는 정규표현식(Regular expression)을 이용하여 쉽고 효율적으로 찾을 수 있다. 예를 들어 단어의 경계에 있는 영어 대문자로 구성된 2~5글자를 찾아 그 빈도수를 찾고 두문자어 리스트를 만들어 국가명, 기관명 등과 같은 불필요한 단어는 제거하는 방식으로 진행하였다.

이런 과정을 통해 MMR 관련해서 추출한 두문자어는 2글자 단어 582개, 3글자 단어 1,950개, 4글자 단어 1,506개, 5글자 단어 764개이다. 이렇게 추출한 두문자어는 특정 키워드가 문맥 내에서 나타나는 방식을 확인할 수 있도록 하는 도구인 KWIC(Keywords-in-context) 분석을 통해 효율적으로 텍스트 데이터에서 지정한 단어를 찾아낸 뒤, 어떻게 나타나고 있는지 맥락적 의미를 확인할 수 있다. 본 연구에서는 R언어의 quanteda 패키지를 이용하여 pattern에 분석할 키워드를 지정하고, window를 통해 키워드 주변의 문맥 길이를 설정하면, 출력된 결과를 통해 키워드의 사용 맥락을 쉽게 찾아볼 수 있도록 구축하였다.

본 연구에서는 R언어의 text2vec, doc2vec 패키지를 사용하여 2014년 스탠포드 대학에서 개발한 단어 임베딩 방법인 GloVe(Global Vectors for Word Representation) 모델로 학습하고 문서 및 단어 벡터를 생성하고 난 후에 문서 분류, 단어 및 문장 유사도 측정 등 다양한 자연어 처리 작업을 수행할 수 있다. GloVe는 말뭉치 전체의 통계 정보를 반영하면서도 단어 간 유사도 측정을 효과적으로 할 수 있어, 다양한 자연어 처리 태스크에 유용하게 적용될 수 있다. Text2Vec과 Doc2Vec을 활용하면 MMR 논문 데이터를 보다 심층적으로 분석할 수 있으며 논문 간 유사성 기반 검색, 클러스터 또는 주제 탐색 등 다양한 활용이 가능하며, 연구와 정책 의사결정 모두에서 큰 가치를 제공할 수 있다.

먼저 단어 임베딩 결과를 통해 단어간은 물론 문서간 유사성 분석을 할 수 있다. 단어 간 의미적 유사성 및 문서 간 주제적 유사성을 계산할 수 있다. 새로운 용어(예: 새로운 핵연료 소재)와 기존 용어 간 의미적 관계 탐색할 수 있다. 특정 문서에서 중요한 단어 즉 키워드를 추출해 연구 방향을 제안할 수 있다.

표 5는 단어 임베딩을 하고 난 후 ‘MMR’과 유사한 단어와 그 유사도를 보여준다.

Table 5.

Similar words and their similarity to MMR by word embedding

단어 임베딩을 통해 일반적인 사람이 생각하는 정도의 유사한 단어를 찾아준다. 예를 들어 MMR과 다른 SMR이 51.7% 정도의 유사한 단어임을 보여준다.

단어 임베딩을 통해 나온 결과를 가지고 클러스터링(Clustering) 알고리즘을 적용하여 문서 분류가 가능하다. 즉 논문 데이터의 구조를 파악하고 숨겨진 패턴을 찾을 수 있다. 클러스터링은 데이터 포인트의 유사성을 기준으로 그룹 및 클러스터를 형성하는 기법이며 논문 간의 유사성을 계산하여 비슷한 내용이나 특성을 가진 논문을 하나의 클러스터로 묶는다.

클러스터의 수(k)를 결정하기 위해 본 연구에서는 그림 2와 같은 엘보우 기법을 적용하여 클러스터 수(k)가 증가함에 따라 클러스터 내 제곱합(SSE, Sum of Squared Errors)이 어떻게 변하는지를 관찰하여 팔꿈치(elbow)"처럼 보이는 지점을 최적의 k 값으로 하는데 여기서는 k=5로 지정하였다.

Fig. 2.

Determination of k according to Elbow method

다음으로 k=5일 때 문서를 kmeans 클러스터링 알고리즘을 적용하면 그림 3과 같이 얻을 수 있다. 크게 겹치는 영역이 없이 5개의 클러스터로 나뉘는 것을 볼 수 있다. 이렇게 하여 총 240개 논문 문서를 클러스터1은 44개, 클러스터2는 67개, 클러스터3은 7개, 클러스터4는 82개, 클러스터5는 40개로 나누고 5개의 각 클러스터에서 중심에 가장 가까운 문서를 찾기도 수행하였다.

Fig. 3.

K-means clustering of documents

클러스터링을 통해 문서의 분류를 예를 들어 k=5로 한다고 하고 5개의 중심어를 파악하고 이웃들을 찾아낼 수 있다. 이는 데이터가 구조화되어 있지 않은 경우에도 논문을 주제별 그룹화하여 연구 그룹의 특성, 기술 영역 또는 연구 범위를 파악하고 문서 간 관계를 시각적으로 표시할 수 있다.

본 연구에서는 구조적 토픽모델링(STM)을 통해 토픽 수를 정하고 각 토픽 내용을 살펴보았다. 그림 4는 STM 토픽 모델링을 위해 토픽 수를 결정하기 위한 진단 값이다. Held-Out Likelihood에서 일반적으로 이 값이 급격히 떨어지기 시작하는 지점(예: k=5 이후)이나 안정화되는 지점을 참고하고, Residuals도 k=5에서 급격히 떨어지는 첫 지점이고, Semantic Coherence에서도 k=5이후에 비교적 안정적인 값을 보여 그림 2의 클러스터링 시와 맞추어 k=5로 지정하고 토픽을 정하였다.

Fig. 4.

Exploring number of topics

토픽의 수를 k=5로 하여 STM 토픽모델링을 실행한 결과는 그림 5와 같다. 주요 5개 토픽은 열 생성 및 열 전달 설계, 열 생성과 전력 공급, Brayton 사이클을 기반 고효율 원자로, 효율적이고 안전한 연료 사용과 원자로 설계, 핵 에너지 기반 소형모듈형원자로로 나타났다.

Fig. 5.

Results of STM topic modeling* Best score** Top word per score

본 연구는 기존 논문 유사도 비교 서비스가 주로 요약문(Abstract)을 활용해 유사도를 계산하는 것에 반해 본 연구는 전문 단어 임베딩하고 문서 기반으로 유사도를 비교함으로써 논문의 전반적인 구조와 세부 내용을 더 정확히 반영할 수 있는 방법으로 활용될 수 있을 것으로 기대된다. 또한 기존 클러스터링 기법은 주로 수치화된 정형 데이터를 처리하였으나 비정형 데이터인 텍스트를 처리하기에는 한계가 존재하였다. 본 연구는 단어 임베딩 기법을 통해 비정형 텍스트 데이터를 벡터화하여 클러스터링에 활용할 수 있었다.

4.3 결과 종합 및 토론

MMR은 우리나라 12대 국가전략기술 중 하나로 선정되어 국가안보와 탄소중립 목표를 동시에 달성할 핵심 기술로 상용화에 주력하고 있다. 그러나 우리나라가 MMR을 상용화하고 세계 시장을 주도하기 위해서는 다수의 기초연구를 수행하는 동시에 기초연구에서 개발연구로의 전환으로 상용화 가능성을 높이고 산업 전반에서 기술 생태계를 활성화, 글로벌 상용화를 위해서는 국제 표준 및 안전 규제 대응, 안전성 및 성능 평가가 필요하다. 국가R&D 과제 분석을 통해 우리나라의 MMR 연구가 기초연구 단계로 연구 초점은 구조설계, 핵심기기, 핵연료 제조 및 성능평가 등에 맞춰졌으며, 안전성 및 성능 평가도 중요한 과제임을 보여준다.

우리나라와 선진국과의 비교를 통해 기술 경쟁력 평가, 정책 개선, 글로벌 협력 방향 설정 등을 위한 MMR 기술 발전과 국가 경쟁력 강화에 중요한 기초 자료를 제공한다는 점에서 의의를 가진다. 또한 선진국의 사례를 바탕으로 국내 MMR R&D 정책 방향을 검토하고 국제 연구 협력 및 트렌드 정합성 확보를 위한 기반을 마련하고자 하였다.

우리나라와 미국의 MMR 관련 연구개발은 주체, 연구 동기, 시장 접근 방식에서 차이가 나면 이를 정리해 보면 표 6와 같다. 우리나라는 정부 주도, 미국은 민간 주도라는 핵심 차이를 보이며, 우리나라는 민간 참여 확대와 규제 개선, 상업화 로드맵 구축이 필요하다. 반면, 미국은 민간 혁신과 시장 중심 접근으로 빠르게 상업화에 도달하고 있음을 알 수 있다.

Table 6.

Comparison of MMR R&D between Korea and USA

우리나라 국가R&D과제 데이터 분석을 통해 우리나라 MMR 연구는 매우 활발하다는 사실을 발견했다. 코어 기술, 연료 시스템, 안전성, 다른 에너지 기술과의 통합 등 다양한 측면에서 개발이 진행되고 있으며, 이는 MMR이 미래 에너지 시스템의 중요한 부분으로 자리잡기 위한 노력의 일환으로 볼 수 있다. 이러한 개발 과정은 기존 원자력 발전 경험을 바탕으로 하면서도 새로운 혁신을 추구하는 방향으로 진행될 것으로 전망된다.

본 연구는 MMR 관련 국제 논문에서 연어 패턴을 분석하고 정규표현식을 사용해 4,802개 두문자어를 추출하고, KWIC 분석으로 문맥 내 의미를 파악하고 불필요한 단어를 제거해 효율적인 텍스트 분석을 제시하여 두문자어 사전 구축을 하고, GloVe 모델과 R언어의 text2vec 및 doc2vec 패키지를 활용해 단어 임베딩 및 문서 벡터 생성을 하고 각 클러스터에서 중심 문서를 식별하고 논문 주제 간 구조적 관계를 시각적으로 분석하였다. 과학기술 논문에서 두문자어는 정보를 효율적으로 전달하고, 전문성을 강화하며, 국제적 소통을 촉진하는 중요한 역할을 한다. 물론 두문자어가 특정 분야의 전문성을 강조할 수 있지만 두문자어를 모르는 사람들은 대화에서 소외감을 느끼게 하거나 세대 간 의사소통에서 문제가 될 수 있어 무분별한 두문자어 사용은 오히려 언어의 본질을 해치고 의사소통의 효율을 떨어뜨릴 수도 있어 상황에 맞게 적절히 사용하는 것이 중요하다.

이렇게 본 연구에서는 과학기술 논문의 전문에서 논문의 내용의 핵심에 해당하는 두문자어를 효과적으로 추출하고 이를 필터링하고 두문자어의 전문을 찾아서 MMR 분야의 도메인 특화 두문자어 사전을 구축하는 방법을 제안하였다. 물론 텍스트 내 여러 두문자어가 불규칙적으로 사용될 경우 정확한 추출 및 매핑이 어려울 수 있고, 필터링 과정에서 중요한 두문자어와 불필요한 두문자어를 구분하는 기준이 명확하지 않거나 주관적일 가능성이 있고, 도메인에서도 새로운 두문자어가 빠르게 등장하거나 기존 두문자어의 의미가 변화할 경우 사전이 금방 구식화될 우려가 있다.

이런 비판적인 측면에도 불구하고 다행히 과학기술 논문에서 두문자어는 불규칙적으로 사용되지 않으며 불필요한 두문자어도 비교적 명확하여 MMR 도메인의 연구 효율성을 높이는 기초 자료와 분석 방법론을 제시했다는 점에서 가치를 가진다. 즉 MMR과 같은 전문적이고 특수한 분야처럼 두문자어 사용이 빈번한 분야에서 매우 유용하며, 논문 분석 자동화, 도메인 특화 자료 구축, 비정형 데이터 분석의 확장 가능성 등에서 실질적이고 유의미한 기여를 할 수 있을 것이다. 그림 5에서 나온 국제 논문의 토픽에 따라 표 7는 MMR 관련 토픽과 실행계획(Action plan)을 보여준다.

Table 7.

MMR-related topics and action plan

토픽 1는 MMR 설계에서 열 전달 최적화 방안 연구, 온도 제어 시스템 개발 및 테스트, 효율적인 파이프 네트워크 설계 관련이며, 토픽 2는 새로운 열 전달 기술 적용 가능성 검토, MMR의 모델 설계 프로토타입 제작 및 실험, 전력 출력 최적화를 위한 기술 개선 작업 수행 관련이며, 토픽 3은 Brayton 사이클 기반 시스템의 효율성 분석, MMR의 제어 시스템 설계 및 테스트, 초임계 조건에서의 성능 평가 연구 관련이며, 토픽 4는 연료 사용 효율 최적화 연구, MMR의 코어 설계 개선 검토, 온도 및 반응도 제어 시스템 개발 관련이며, 토픽 5는 모듈형 설계 프로토타입 제작 및 검토, MMR의 핵심 기술 성능 시험 및 분석, 전력 및 에너지 효율 최적화를 위한 데이터 수집 및 개선 작업 수행 관련이 필요함을 알 수 있다.

본 연구는 기존의 논문 요약문에 제한하지 않고 논문 전문을 활용함으로써 유사도 분석의 깊이와 신뢰도를 높이고 학계의 데이터 분석 및 정보 검색 방법론을 한 단계 발전시킬 수 있다는 점에서 의의를 가진다. 논문의 서론, 본문, 실험, 결과, 토론 등 각 섹션에서 얻어진 다양한 정보가 분석에 포함되어, 유사도 분석의 정밀도가 높아 기존의 요약문 기반 접근법과 달리, 연구 배경과 맥락을 고려한 보다 종합적이고 심층적인 유사도 평가가 가능하다.