AI가 초음파 센서까지 설계한다…웨어러블 초음파를 바꾸는 MUT와 인공지능

AI와 미세가공 초음파 트랜스듀서(MUT)의 결합은 센서 설계와 신호 복원, 초음파 영상 분석을 하나의 지능형 시스템으로 연결하며 웨어러블 의료기기로의 확장 가능성을 보여준다.

초음파 센서를 작게 만드는 데서 그치지 않고, AI가 센서의 모양을 설계하고 부족한 신호까지 보완하는 방향으로 기술이 이동하고 있다.

핵심만 먼저 읽기

• 미세가공 초음파 트랜스듀서(MUT)는 초음파 센서를 반도체 수준으로 작게 만들어 웨어러블·이식형 기기에 적용할 수 있는 기술이다.
• AI는 센서 구조의 역설계, 잡음 제거, 영상 복원, 빔포밍, 여러 센서 데이터의 융합에 활용되고 있다.
• 리뷰 논문이 소개한 연구에서는 AI가 찾은 PMUT 구조가 기존 설계보다 사이드로브를 최대 40% 줄이고 빔 집중 성능을 25% 높인 사례가 보고됐다.
• 다만 AI는 실제로 측정되지 않은 정보를 만들어낼 수 없으며 초음파 감쇠와 열잡음 같은 물리적 한계도 없앨 수 없다.

사람이 센서 모양을 정하고 계산하던 방식이 달라지고 있다

초음파 센서는 오랫동안 사람이 먼저 구조를 설계하고 그 성능을 계산하는 방식으로 개발됐다. 문제는 센서가 작아질수록 막의 두께와 모양, 잔류 응력, 재료 특성, 주변 유체와의 상호작용 등 고려해야 할 변수가 급격히 늘어난다는 점이다.

상하이테크대학교(ShanghaiTech University) Yiwei Wang과 Tao Wu 연구팀은 2026년 8월 AI Sensors에 발표한 36쪽 분량의 리뷰 논문에서 미세가공 초음파 트랜스듀서와 AI가 결합하는 연구 흐름을 종합했다. 논문의 핵심은 AI가 기존 초음파 물리학을 대체하는 것이 아니라 설계와 신호처리를 보완하면서 새로운 초음파 시스템을 만들고 있다는 것이다.

미세가공 초음파 트랜스듀서(Micromachined Ultrasonic Transducer, MUT)란 반도체 미세가공 기술을 이용해 만든 초소형 초음파 송수신 소자를 말한다. 작은 크기와 낮은 전력 소비, 반도체 회로와의 높은 집적 가능성 때문에 웨어러블 의료기기와 이식형 센서, 로봇 등에 활용할 수 있다.

PMUT와 CMUT가 웨어러블 초음파에 유리한 이유

기존 벌크 압전 초음파 트랜스듀서(BPUT)는 높은 음향 출력을 내는 데 유리하지만 물이나 인체 조직과 음향 임피던스 차이가 크다. 논문에 따르면 벌크형 트랜스듀서는 약 20~40 MRayl인 데 비해 연조직은 약 1.5 MRayl 수준이어서 에너지를 효율적으로 전달하려면 별도의 정합층이 필요하다.

반면 압전형 미세가공 초음파 트랜스듀서(PMUT)는 얇은 막을 휘게 만들어 초음파를 발생시키며, 정전용량형 미세가공 초음파 트랜스듀서(CMUT)는 얇은 막과 전극 사이의 정전기력을 이용한다.

논문 7쪽의 비교표에서는 BPUT의 CMOS 호환성을 낮음, PMUT와 CMUT는 높음으로 분류한다. PMUT의 구동 전압은 약 1~20 Vpp, 소비전력은 μW~mW 범위로 정리돼 있어 소형 배터리를 사용하는 장치에 특히 유리하다. 반면 CMUT는 일반적으로 30V가 넘는 높은 직류 바이어스가 필요하다는 단점이 있다.

AI 역설계는 원하는 성능에서 센서 모양을 거꾸로 찾는다

AI가 MUT 개발 방식을 바꾸는 핵심 기술 가운데 하나가 역설계(inverse design)다. 역설계란 사람이 센서 구조를 먼저 정한 뒤 성능을 계산하는 대신, 원하는 성능을 먼저 입력하고 그 조건을 만족하는 구조를 알고리즘이 찾아가는 방법이다.

왜 AI가 필요한가. 기존 유한요소해석(FEA)은 높은 정확도로 복잡한 물리 현상을 계산할 수 있지만 한 번의 설계 탐색에 많은 계산량이 필요하다. 리뷰 논문은 분석 모델의 계산 시간이 초 단위인 반면 FEA는 시간에서 며칠까지 걸릴 수 있다고 비교한다. 학습을 끝낸 데이터 기반 모델은 새로운 설계를 초~분 단위로 예측할 수 있다.

연구자들은 신경망 기반 대리모델, 베이지안 최적화, 유전 알고리즘, 강화학습, 물리정보 신경망(PINN) 등을 MUT 설계에 적용하고 있다. 특히 심층강화학습은 사람이 쉽게 떠올리지 못하는 비대칭 또는 자유형 구조를 탐색할 수 있다.

AI가 찾은 구조에서 사이드로브 40% 감소가 보고됐다

AI 설계의 가능성을 보여주는 구체적인 수치도 있다. 리뷰 논문이 인용한 연구에서 심층강화학습이 찾아낸 PMUT 형상은 기존 직관 기반 설계와 비교해 원하지 않는 방향으로 퍼지는 초음파인 사이드로브 수준을 최대 40% 낮추고, 초음파 빔 집중 성능을 25% 향상시킨 것으로 보고됐다.

다만 이 수치를 실제 제품 성능으로 해석해서는 안 된다. 논문 저자들이 확인한 범위에서 강화학습으로 만들어진 자유형 MUT 구조는 아직 실제 제작을 통한 검증까지 이어지지 않았다. 대부분 시뮬레이션 단계에 머물러 있다.

기술성숙도(Technology Readiness Level, TRL)에서도 차이가 분명하다. 리뷰는 신경망이나 가우시안 프로세스를 이용한 대리모델을 TRL 4~5, 심층강화학습이나 생성모델 기반 역설계를 TRL 2~3, 물리 법칙을 학습 과정에 넣는 PINN을 TRL 3~4 정도로 평가한다.

AI는 작은 센서에서 부족해진 신호를 보완하는 역할도 한다

MUT를 작게 만들면 새로운 문제가 생긴다. 송신 압력이 낮아질 수 있고 수신 신호가 약해지며 사용할 수 있는 채널 수도 제한된다.

AI 기반 신호처리는 이 문제를 여러 방향에서 보완한다. 압축센싱은 적은 측정값으로 신호를 복원하고, 신경망 빔포밍은 적은 채널에서도 영상을 구성하도록 돕는다. 딥러닝은 약한 초음파 신호의 신호대잡음비(SNR)를 개선하며 생성형 모델은 잡음이 많은 영상의 품질을 높이는 데 활용된다.

응용 범위도 넓다. 논문 19쪽 그림 6에는 손동작 인식, 공중 글쓰기 인터페이스, 웨어러블 심장 초음파, 심부조직 모니터링, 방광 용적 측정, 광음향 영상 개선 등이 대표적인 다채널 지능형 초음파 시스템으로 정리돼 있다.

AI가 초음파의 물리 법칙까지 뛰어넘는 것은 아니다

AI 초음파에서 가장 중요한 한계도 여기서 나온다. AI는 잡음에 가려졌거나 적은 샘플 속에 남아 있는 정보를 찾아낼 수 있지만 애초 센서가 측정하지 않은 정보를 복구할 수는 없다.

Wang과 Wu는 AI가 음향 감쇠, 회절, 열잡음의 바닥값, 초음파 변환 효율 같은 근본적인 물리적 한계를 극복할 수 없다고 강조한다.

의료 영상에서는 이 문제가 특히 중요하다. 리뷰에 따르면 많은 GAN 기반 영상 개선 기술은 단일 PMUT 채널보다 신호대잡음비가 약 10~20dB 높은 기존 임상 초음파 데이터에서 검증됐다. 입력 채널의 SNR이 약 0~5dB 이하로 내려가면 여러 모델의 영상 개선 신뢰성이 떨어지고, GAN이 실제로 존재하지 않는 해부학적 특징을 만들어낼 위험도 있다.

자주 묻는 질문

Q. AI가 설계한 초음파 센서를 지금 바로 의료기기에 사용할 수 있나?

A. 아직 그렇게 보기 어렵다. 특히 심층강화학습으로 만든 자유형 MUT 설계는 대부분 시뮬레이션 단계이며, 실제 제작과 현실적인 환경에서의 검증이 남아 있다.

Q. AI를 사용하면 초음파 영상의 해상도를 무한히 높일 수 있나?

A. 아니다. AI는 측정된 신호 속에 남아 있는 정보를 효과적으로 복원할 수 있지만 센서가 애초 측정하지 못한 정보를 되살릴 수는 없다.

Q. 앞으로 가장 필요한 기술은 무엇인가?

A. 논문은 공개 MUT 데이터셋, 물리정보·불확실성 인식 AI, 센서와 AI 가속기를 함께 설계한 엣지 AI 반도체, 합성 학습 데이터 등을 주요 과제로 제시한다. AI 설계→실제 제작→AI 신호처리를 하나의 시스템으로 연결하는 폐쇄루프 검증도 아직 해결되지 않은 핵심 과제다.

초음파 검사가 병원 장비에서 몸에 붙이는 센서로 이동할 가능성

이번 리뷰가 보여주는 변화는 단순히 ‘초음파에도 AI를 쓴다’는 데 있지 않다.

MUT는 초음파 센서를 작고 전력 효율적인 반도체 시스템으로 만들 수 있게 한다. AI는 그 과정에서 센서 구조를 탐색하고, 작은 하드웨어 때문에 약해진 신호를 복원하며, 여러 센서의 정보를 함께 해석하는 역할을 맡는다.

이 조합이 발전하면 초음파는 병원에서 잠깐 촬영하는 검사 장비를 넘어 몸에 붙이고 장시간 측정하는 웨어러블 센서로 확장될 가능성이 있다. 실제로 리뷰에는 심장 기능, 혈압 파형, 심부조직 혈류 등을 지속적으로 관찰하는 기술들이 소개돼 있다.

그러나 현재의 핵심 과제는 더 강력한 AI 자체가 아니다. 시뮬레이션에서 찾은 설계를 실제 반도체 공정으로 만들고, 제한된 전력으로 실시간 계산하면서, 의료적으로 신뢰할 수 있다는 사실까지 입증해야 한다. AI와 초음파 물리학, 반도체 공정이 하나의 시스템으로 연결되는지가 다음 단계의 관건이다.

출처 

Wang, Y., & Wu, T. (2026). AI-driven innovations in micromachined ultrasonic transducers: From smart design to intelligent systems. AI Sensors, 2, 11. DOI: 10.3390/aisens2030011.