You know maize mean?
SFE-O: An Ontology for Knowledge-Grounded AI in Supercritical CO2 Biomass Extraction and Fractionation
0. Summary
- 기본 정보 : ArXiv,2026.10.27, SFE-O: An Ontology for Knowledge-Grounded AI in Supercritical CO2 Biomass Extraction and Fractionation
- 연구 배경 : 초임계 CO2 추출(CO2-SFE)은 유기 용매 사용을 줄이면서 바이오매스에서 고부가가치 화합물을 회수하는 기술이지만, 공정의 설계와 해석에는 바이오매스 조성·형태, 전처리, 입자 크기, 추출기 형상, CO2 유량, 보조용매, 유체 물성, 수력학, 외부·내부 물질전달, 추출 시간, 후단 분리 구성 등 이질적 지식이 동시에 필요하다. 이 지식은 기술 보고서, 공학 모델, 외부 데이터베이스, 전문가 관행에 흩어져 있고, 값의 출처(입력·측정·계산·외부 조회·피팅)가 서로 다르다. OntoCAPE 같은 범용 공정 온톨로지나 BiOnto 같은 바이오매스 온톨로지는 있지만, 파쇄·온전 세포(Broken-and-Intact Cell, BIC) 추출 동역학과 파라미터 출처(provenance)를 결합해 초임계 CO2 추출 도메인을 형식화한 온톨로지는 저자들이 아는 한 없었다.
- 제안 방법 : OWL 2로 구현한 모듈형 온톨로지 SFE-O(v0.1.0, Zenodo 공개)를 제안한다. Biomass → Process → Product 세 관점을 인과·계산 의존성으로 연결하고, Core·Biomass·Process·Transport·Product·Provenance·Application 일곱 모듈로 나눈다. 화학 조성은 ⟨재료, 화학 엔티티, 양, 기준 기저⟩의 재이피케이션(reification)으로, 용질·보조용매는 고유 유형이 아닌 맥락적 역할로, 계산은 “필요한 양들 → 계산 활동 → 출력 양”의 명시적 의존성으로 표현하되 수치 계산은 OWL 바깥에 둔다. 화학 식별자는 ChEBI, 양·단위는 QUDT, 시간은 OWL-Time, 출처는 PROV-O를 재사용한다. BIC 모델의 파쇄 세포 분율 $g$ 로 정속 추출(CER)과 감속 추출(FER) 영역을 연결하고, Re·Sc → Sh → $k_f$ 의존 사슬을 형식화한다.
- 발견 사실 : 온톨로지 자체는 개체(individual)가 없는 스키마이며, 평가는 예측 성능이 아니라 지식 표현의 타당성을 본다. 실제 파일럿 규모 Dunaliella salina 추출 배치 1건(350 bar, 65°C, CO2 0.31 kg/min, 120 min, 3단 분리기 SE1/SE2/SE3, SE2 56 bar/25°C, SE3 54 bar/25°C)을 인스턴스화해 HermiT DL 추론기로 전체 OWL 2 DL 일관성을 확인했고(generatedBySeparationStage의 한정 기수 제약 포함), 역량 질문 CQ5에 대한 SPARQL 질의가 β-카로틴 농도 7.08 mg/g·회수율 20.8%의 원본 값과 정확히 일치하는 결과를 반환했다. 이 하나의 사례는 CQ1–CQ8이 실제 데이터 위에서 표현·질의 가능함을 보이지만 성능 벤치마크는 아니다.
- 핵심 기여 :
- SFE 특화 모듈형 OWL 2 온톨로지 : 바이오매스–공정–제품 세 관점, 공정 위상(배치·사이클·순서 있는 분리 단계), 시간 단계, 수송 현상, 계산 의존성, 파라미터 출처를 한 모델에 연결했다.
- BIC/CER–FER 메커니즘과 계산 의존성의 명시적 형식화 : 파쇄 세포 분율 $g$ 에 따른 초기·파쇄·온전 세포 양의 정의, 질량수지 제약, Re–Sc–Sh–$k_f$ 사슬을 OWL을 수치 해석기로 쓰지 않고 표현했다.
- 외부 자원 재사용과 검증 : ChEBI·QUDT·OWL-Time·PROV-O를 선택적으로 재사용하고, 실제 배치 인스턴스화·추론기 일관성 검사·역량 질문 SPARQL 질의로 온톨로지를 검증했다. 향후 LLM 기반 온톨로지 접지(ontology-grounded) AI의 형식 계층으로 자리매김하되, 이 논문은 그 방향을 동기화만 하고 평가하지 않는다.
Knowledge-Grounded AI Perspective
핵심 아이디어: 역할 분리
논문은 AI 시스템을 세 층으로 나누는 구조를 구상합니다.
| 계층 | 담당 | 역할 |
|---|---|---|
| SFE-O (온톨로지) | 의미적 타당성 | 어떤 개념·관계·의존 경로가 허용되는지 정의 |
| 수치 서비스 | 계산 | 실제 방정식 풀이, 물성 조회, 파라미터 피팅 |
| LLM | 상호작용 | 자연어 이해, 질의 변환, 결과 설명, 전체 조율 |
여기서 “지식 계층”은 첫 번째 층입니다. LLM이 그럴듯하게 지어내지 않도록, 근거가 되는 사실과 관계를 구조화해 제공하는 바닥층이라고 보시면 됩니다.
작동 방식
- 사용자가 자연어로 질문합니다. 예: “이 배치에서 외부 물질전달계수 k_f는 어떻게 결정됐나요?”
- LLM이 질문을 SPARQL 같은 시맨틱 질의로 변환해 SFE-O 지식 그래프에 던집니다.
- 온톨로지가 관련 사실, 의존 경로, 출처를 반환합니다.
- 의존 경로: 운전 조건(압력·온도) → CO₂ 밀도 ρ, 점도 μ → Re, Sc → Sh → k_f
- 출처: Re는 계산값, ρ는 외부 물성 DB 조회값, 입자 크기 d_p는 측정값 등
- LLM은 이렇게 검색된 내용을 근거(grounded context)로 삼아 답변을 생성합니다.
왜 필요한가
일반 LLM은 SFE 같은 전문 공정에서 다음 문제를 보이기 쉽습니다.
- 환각: 존재하지 않는 상관식이나 잘못된 인과관계를 지어냄
- 출처 혼동: 측정값과 추정값을 구분하지 못함
- 추적 불가: 결론이 어디서 나왔는지 설명하지 못함
SFE-O는 이를 구조적으로 막습니다.
- 허용된 관계만 존재합니다. 온톨로지에 정의된 의존 관계만 추론 경로로 쓰입니다.
- 출처가 명시됩니다. PROV-O 기반이라 모든 값의 유래(입력, 측정, 계산, 외부 조회, 피팅)를 확인할 수 있습니다.
- 메커니즘을 설명할 수 있습니다. 예를 들어 “전처리로 세포가 더 많이 파괴되면 g가 커지고, CER 구간 비중이 늘어나 초기 추출 속도가 빨라진다”처럼 인과 사슬을 따라 설명할 수 있습니다.
- 일관성을 검증할 수 있습니다. 질량수지 제약(M_CER ≤ g·m_s·X₀ 등)에 비춰 답의 타당성을 점검할 수 있습니다.
주의할 점
논문은 이 방향을 동기로만 제시하며, 실제 LLM 시스템은 구축하거나 평가하지 않았다고 분명히 밝힙니다. 이번 연구의 기여는 그런 AI를 올릴 수 있는 형식적 토대를 만든 것까지입니다. 저자들은 향후 과제로, 온톨로지 기반 상호작용이 구조화되지 않은 AI 상호작용보다 추적성, 일관성, 설명력, 공정 탐색 측면에서 실제로 나은지 검증하는 일을 제시합니다.
쉬운 설명
비유로 보면
LLM은 말 잘하는 신입사원이라고 생각해 보세요. 똑똑하고 설명도 유창하지만, 초임계 추출 공정을 깊이 알지는 못합니다. 그래서 모르는 걸 물어보면 그럴듯하게 지어낼 위험이 있어요.
SFE-O는 이 신입사원에게 주는 잘 정리된 업무 매뉴얼입니다. 이 매뉴얼에는 다음 내용이 적혀 있어요.
- 어떤 개념들이 있는지 (바이오매스, 압력, 추출물 등)
- 그것들이 서로 어떻게 연결되는지 (압력이 바뀌면 → CO₂ 성질이 바뀌고 → 추출 속도가 바뀜)
- 각 숫자가 어디서 왔는지 (직접 쟀는지, 계산했는지, 추정했는지)
신입사원이 답하기 전에 매뉴얼을 펼쳐 보고, 매뉴얼에 근거해서만 대답하게 하는 것이죠.
실제로는 이렇게 돌아갑니다
사용자: “추출 속도가 왜 이렇게 나왔어?”
AI: (온톨로지를 찾아봄) → “압력과 온도 때문에 CO₂ 밀도가 이렇게 됐고, 그래서 이 값이 계산됐고, 결국 추출 속도가 이렇게 나왔습니다. 참고로 밀도 값은 외부 데이터베이스에서 가져온 것이고, 입자 크기는 직접 측정한 값입니다.”
근거와 출처까지 같이 말해주는 AI가 되는 겁니다.
일은 셋이 나눠서 합니다
- 온톨로지: “무엇이 맞는 관계인지” 알려줌 (매뉴얼)
- 계산 프로그램: 실제 숫자 계산 (계산기)
- LLM: 사람과 대화하고 설명 (상담 창구)
한 줄 요약
AI가 아는 척 지어내지 않고, 정리된 전문 지식에 근거해 이유와 출처를 함께 설명하도록 받쳐주는 토대가 바로 이 지식 계층입니다.
참고로 이 논문은 그 토대(매뉴얼)를 만든 데까지이고, 실제로 AI를 붙여서 시험해 보지는 않았습니다.
관련 개념
초임계 CO2 추출과 지식 단편화 문제
초임계 CO2 추출(supercritical CO2 extraction, CO2-SFE) 은 임계점 위의 CO2가 액체 같은 밀도와 기체 같은 수송 특성을 함께 가지며, 압력·온도로 용매력을 조절할 수 있다는 성질을 이용합니다. 비교적 온화한 조건에서 선택적 추출이 가능해 식품·뉴트라슈티컬·제약·화장품 분야에서 식물·미생물 바이오매스 처리에 쓰입니다.
🧪 1. 압력·온도만으로는 부족한 이유
공정 거동은 다음 요소에 동시에 의존합니다.
| 범주 | 요소 |
|---|---|
| 바이오매스 | 화학 조성, 형태(morphology), 전처리 조건, 입자 크기 분포 |
| 장비·수력학 | 추출기 형상, 고정층 특성, CO2 유량, 보조용매(co-solvent) 사용 여부 |
| 물성·분자 | 유체 열물리 물성, 목표 화합물의 분자 기술자(descriptor) |
| 수송·시간 | 외부·내부 물질전달 메커니즘, 추출 시간 |
| 후단 | 분리 단계의 구성 |
이 양들은 서로 의존하며, 직접 측정·공학 계산·외부 물성 데이터베이스·수학 모델·파라미터 피팅 등 서로 다른 출처에서 옵니다. 파일럿·산업 규모에서는 폐루프 CO2 순환과, 서로 다른 압력·온도로 운전되는 순차 분리기가 더해져 추출물을 구성 성분의 용해도 거동에 따라 분획(fractionation)합니다.
🧩 2. 기존 자원의 한계
공정공학 지식은 문헌·기술 문서·코드·전문가 관행에 흩어져 있어 계산적으로 쓰기 어렵습니다. OntoCAPE 같은 범용 온톨로지는 형식적·재사용 가능한 개념화를 주지만, 바이오매스 형태·조성을 SFE 운전 조건, 수송 메커니즘, 분획 분리, 유도량, 그리고 그 계산에 쓰인 지식의 출처와 연결하는 도메인 특화 표현은 제공하지 않습니다.
💡 Key Takeaway 이 논문의 문제의식은 “SFE 지식이 부족하다”가 아니라 “확립된 지식이 흩어져 있고 출처가 뒤섞여 기계가 쓸 수 없다”는 것입니다. SFE-O는 수치 모델을 대체하지 않고, 그 모델들의 입력·출력·출처를 서로 연결하는 의미 계층을 목표로 합니다.
파쇄·온전 세포(BIC) 모델과 CER/FER 메커니즘
SFE 동역학에는 평면적 파라미터 목록으로 환원되지 않는 메커니즘 지식이 들어 있습니다. Broken-and-Intact Cell(BIC) 접근(Sovová 1994, 2017)은 바이오매스 전처리로 파괴된 구조에 든 쉽게 접근 가능한 용질 분율과, 온전한 구조 안에 남은 접근이 어려운 분율을 구분합니다.
⏱️ 1. 두 추출 영역
| 영역 | 지배 메커니즘 | 대응 분율 |
|---|---|---|
| 정속 추출(Constant Extraction Rate, CER) | 외부 물질전달 | 파쇄 세포 분율 $g$ |
| 감속 추출(Falling Extraction Rate, FER) | 내부 확산 | 온전 세포 분율 $1-g$ |
빠른 추출 영역은 외부 물질전달이, 이후 영역은 내부 확산이 점점 더 지배한다는 해석이 이 구분에서 나옵니다.
🔗 2. 의존성 네트워크
파쇄 세포 분율, 레이놀즈(Re)·슈미트(Sc)·셔우드(Sh) 수, 분자 확산계수와 유효 확산계수, 외부 물질전달 계수는 물리적·계산적 의존성의 네트워크를 이룹니다. 공정 조건이 추출 거동에 어떻게 영향을 주는지 설명하려면 이 네트워크가 필요합니다. 저자들은 이 메커니즘 구분을 보존하는 것이 “전처리와 바이오매스 형태를 추출 거동에 연결하는 설명”을 지원하는 데 필수라고 봅니다.
💡 Key Takeaway BIC 모델은 SFE-O가 온톨로지로 형식화하는 핵심 메커니즘입니다. $g$ 하나가 바이오매스 쪽(전처리·형태)과 공정 쪽(CER/FER 영역, 외부/내부 수송)을 잇는 다리 역할을 합니다.
관련 온톨로지와 SFE-O의 위치
SFE-O는 세 연구 영역의 교차점에 있습니다. 초임계 유체 추출의 메커니즘 모델링, 화학·바이오공정 공학의 의미 모델링, 그리고 화학 엔티티·양·시간·출처를 표현하는 재사용 가능한 온톨로지입니다.
🏭 1. 공정·바이오매스 온톨로지
- OntoCAPE(Morbach et al. 2007, 2009) : 컴퓨터 지원 공정공학(CAPE)을 위한 대규모 형식 온톨로지. 플랜트 장비, 공정 시스템, 물질 흐름, 물리량, 수학 모델을 모듈·계층 구조로 표현합니다.
- BiOnto(Trokanas et al. 2015) : 바이오매스 유형·조성·바이오리파이닝 기술을 표현하며, 기술 스크리닝과 산업 공생 같은 응용에서 의미 추론을 시연했습니다. 후속 연구는 바이오리파이너리 스트림 특성화와 가치사슬 의사결정으로 확장되었습니다.
두 계열 모두 모델링 범위가 초임계 유체 추출의 구체적 메커니즘보다 넓습니다.
📚 2. 재사용 가능한 의미 자원
| 자원 | 제공하는 것 | SFE-O에서의 쓰임 |
|---|---|---|
| ChEBI | 화학 엔티티의 큐레이션된 온톨로지, 안정적 식별자, 구조·기능 분류 | 지방산·카로티노이드 등을 독자 분류 없이 상위 화학 클래스에 연결, 항산화·색소·영양 등 기능 역할 연결 |
| FoodOn | 식품 재료·생물학적 기원·가공·파생 제품 | 제품 분획을 응용·가치화 맥락에 연결하는 확장점 |
| QUDT | 양, 양의 종류, 단위, 차원, 수치 양 값 | 압력·온도·질량 유량·밀도·점도·확산계수·수율의 이종 단위와 건조/습윤 기준 기저 표현 |
| OWL-Time | 시간 구간, 지속, 순간, 순서 관계 | 추출 배치·사이클·과도 구간·운전 영역·동역학 단계 |
| PROV-O | 엔티티·활동·행위자·유도 관계 | 측정·설정값·계산·외부 조회·피팅의 유도 사슬 |
📋 3. 위치 지정 (Table I)
| 온톨로지 | 범위 | SFE-O가 메우는 간극 |
|---|---|---|
| OntoCAPE | 범용 CAPE 공정 시스템, 장비, 스트림 | SFE 특화 물질전달, CER/FER, 분획 의미 없음 |
| BiOnto 계열 | 바이오매스/바이오리파이너리 원료와 전환 경로 | 추출 공정 위상이나 동역학 메커니즘 없음 |
| ChEBI, QUDT, OWL-Time, PROV-O | 화학 식별, 단위, 시간, 출처(SFE-O가 재사용) | 재사용 가능한 의미는 주지만 SFE 공정 모델은 아님 |
| SFE-O (이 논문) | SFE 특화: 바이오매스–공정–제품, BIC/CER–FER, 파라미터 출처 | — |
💡 Key Takeaway SFE-O는 기존 온톨로지와 경쟁하지 않고 그 위에 특수화합니다. 범용 공정 온톨로지는 너무 넓고, 화학·계량 온톨로지는 개별 차원만 다루며, 이 차원들이 SFE 추출 메커니즘 안에서 어떻게 상호작용하는지는 어디에도 없었다는 것이 저자들의 진단입니다.
지식 도출 과정: 여섯 원천과 다섯 단계
SFE-O 구축은 도메인 지식을 점진적으로 추출·구조화·조정·형식화하는 반복적 지식공학 과정을 따랐습니다. 방법론은 Ontology Development 101의 반복 사이클(Noy & McGuinness 2001)을 가볍게 변형하고, Grüninger & Fox(1995)의 역량 질문 방법을 결합해 다섯 단계로 적용한 것입니다. 목표는 실험 데이터를 의미적으로 재현하는 것이 아니라, SFE 공정을 기술하고 추론하는 데 필요한 개념·관계·제약·계산 의존성을 식별하는 것입니다.
📂 1. 여섯 가지 지식 산출물
| 원천 | 제공한 지식 |
|---|---|
| 벤치 규모 기술 보고서 | 바이오매스 특성화, 전처리, 추출 장비, 목표 화합물, 운전 조건, 보조용매, 추출 시간, 분석 특성화의 용어 |
| 파일럿 규모 기술 보고서 | 폐루프 CO2 순환, 추출 사이클, 장비 구성, 순차 분리 단계, 분리기별 압력·온도 운전 등 공정 위상 |
| 구조화된 파라미터 참조 문서 | 바이오매스 속성, 화합물, 공정 변수, 단위, 화학 식별자 간 대응 |
| 계산 스프레드시트 | 양들 사이의 의존성 |
| 개념 계층 다이어그램 | 양들의 도메인 계층 조직, 파라미터 값 출처의 구분 |
| 전문가 작성 기술 모델 | 엔티티·추출 단계·물리 메커니즘·방정식·도메인 제약의 명시적 정의 |
어떤 단일 원천도 온톨로지에 필요한 지식을 모두 담지 않았기 때문에 상호보완성이 중요했습니다.
🔄 2. 다섯 단계
- 용어 도출 : 반복되는 도메인 용어를 추출 공정에서의 기능에 따라 묶습니다.
- 관계 추출 : 구조적·시간적·화학적·공정·계산 관계를 뽑습니다.
- 수식 분석 : 수학식과 공학 상관식에서 어떤 양이 계산의 입력이고 출력인지 식별합니다.
- 제약 분리 : 도메인 제약과 모델링 가정을 분류학적 지식에서 분리합니다.
- 전문가 검토 : 결과 개념화를 도메인 전문가와 검토하고 재사용 가능한 온톨로지 패턴으로 재조직합니다.
🧭 3. 세 관점의 인과 연결
이 과정의 주요 결과는 인과적으로 연결된 세 도메인 관점의 식별입니다.
$$\text{Biomass} \longrightarrow \text{Process} \longrightarrow \text{Product} \tag{1}$$
| 관점 | 내용 |
|---|---|
| Biomass | 투입 재료의 유형, 화학 조성, 형태, 물리 특성, 전처리 상태 |
| Process | 추출 시스템, 형상, 장비, 운전 파라미터, 유체 물성, 시간 단계, 수력학, 물질전달 메커니즘 |
| Product | 추출물과 분획, 화학 조성, 추출량·수율·회수율·효율·농도 |
식 (1)은 순수한 순차 분류가 아닙니다. 세 관점의 정보는 인과·계산 의존성으로 연결됩니다.
💡 Key Takeaway 지식 원천 여섯 개 중 스프레드시트와 전문가 기술 모델이 특히 중요합니다. 전자는 “어떤 양이 어떤 양에서 계산되는가”를, 후자는 “왜 그런가(메커니즘·제약)”를 주며, 이 둘이 뒤에 나올 R5·R6 요구사항의 직접 근거가 됩니다.
여덟 가지 모델링 요구사항
도출 과정은 여덟 개의 주요 모델링 요구사항으로 귀결됩니다 (Table II).
📋 1. 요구사항 목록
| 번호 | 내용 |
|---|---|
| R1 | Biomass, Process, Product를 상호 연결되지만 모듈화된 도메인 관점으로 표현 |
| R2 | 화학 엔티티, 양, 단위, 시간, 출처에 대해 가능한 한 외부 의미 자원 재사용 |
| R3 | 물리·화학 양을 그 수치 값, 단위, 기준 기저와 독립적으로 표현 |
| R4 | 고유 엔티티 유형과 맥락적 역할(예: 어떤 화학 엔티티가 공정에서 용질 또는 보조용매 역할)을 구분 |
| R5 | 입력·측정·계산·외부 조회·피팅 파라미터 값을 구분하고 출처 보존 |
| R6 | OWL을 수치 해석기로 쓰지 않으면서 양과 메커니즘 모델 사이의 의존성 표현 |
| R7 | 플랜트 특화 고정 위상이 아니라 추출 배치, 사이클, 단계, 임의 순서의 분리 단계 열을 표현 |
| R8 | 도메인 제약을 표현하고 결측·검출한계 이하·실제 0 값의 구분 보존 |
🏗️ 2. 구조를 결정하는 요구사항
-
R1·R2 는 전체 아키텍처를 정합니다. R1은 식 (1)의 세 관점을
sfeo-biomass,sfeo-process,sfeo-product모듈로 실현하고, R2는 ChEBI·QUDT·OWL-Time·PROV-O가 이미 다루는 의미를 재형식화하지 않게 합니다. - R4·R7 은 모델을 특정 플랜트에 묶이지 않게 합니다. 같은 화합물이 배치마다 다른 역할을 할 수 있으므로 용질·보조용매는 맥락적 역할이고, 분리 위상은 고정 분리기 클래스 대신 순서 있는 단계 열로 일반화됩니다.
- R8 은 결측값, 검출한계 이하 측정값, 실제 측정된 0을 구분합니다. 제품 조성 데이터에서는 세 경우가 모두 나타나므로 이 구분이 중요합니다.
🧮 3. 가장 까다로운 요구사항: R3, R5, R6
R3 (양과 값의 분리) : 원천 자료는 서로 다른 단위와 기준 기저로 표현된 양을 섞어 씁니다. 예컨대 화학 농도는 분자별 데이터타입 속성이 아니라, 화학 엔티티와 재료에 관한 맥락화된 양으로 모델링되고, 수치 값·단위·필요 시 건조/습윤 바이오매스 기준이 붙습니다. 이렇게 하면 새 화합물이 들어올 때마다 온톨로지 스키마가 커지지 않습니다.
R5 (출처 구분) : 공정 지식은 인식론적 출처가 다른 양들을 결합합니다.
| 출처 | 예 |
|---|---|
| 운전 설정값(입력) | 추출 압력 |
| 측정 | 바이오매스 조성 |
| 계산 | Reynolds·Sherwood 수 |
| 외부 계산 자원 조회 | CO2 열물리 물성 |
| 피팅 추정 | 파쇄 세포 분율, 유효 확산계수 |
이 구분을 명시해야 추적 가능성과 “결과가 어떻게 얻어졌는가”의 설명이 가능합니다.
R6 (계산 의존성) : 바이오매스 형태, 공정 형상, 유체 물성, 분자 기술자, 수력학, 물질전달을 잇는 의존성이 있습니다. 예컨대 Reynolds·Schmidt 수가 Sherwood 수 결정에 기여하고, Sherwood 수가 다시 외부 물질전달 계수 결정에 관여합니다. 이 관계는 명시적 계산 의존성으로 표현하되, 수치 평가는 외부 소프트웨어나 수학 서비스에 맡깁니다. CER/FER 구분에도 같은 요구가 적용됩니다. 파쇄 세포 분율 $g$ 는 전처리 후 즉시 접근 가능한 용질 부분을 식별해 외부 지배의 빠른 메커니즘과 연결되고, 나머지 온전 분율 $1-g$ 는 내부 물질전달 저항을 도입해 확산 지배 메커니즘에 기여합니다.
💡 Key Takeaway R3·R5·R6은 한 문장으로 “값이 아니라 양을, 숫자가 아니라 출처와 의존성을 표현하라”입니다. 온톨로지가 계산기가 되지 않으면서도 어떤 양이 어디서 왔고 무엇에서 유도되는지를 기계가 따라갈 수 있게 하는 것이 핵심 설계 결정입니다.
역량 질문 CQ1–CQ8
요구사항은 SFE-O가 지원해야 할 대표적 정보 요구를 표현하는 역량 질문(competency question, CQ) 으로 보완됩니다.
❓ 1. 질문 목록
| 번호 | 질문 |
|---|---|
| CQ1 | 주어진 초임계 CO2 추출 공정에 어떤 바이오매스 특성과 화학 엔티티가 관련되는가? |
| CQ2 | 주어진 추출 배치와 그 공정 단계를 어떤 기하·운전 양이 특징짓는가? |
| CQ3 | Re, Sc, Sh, $k_f$ 를 유도하는 데 어떤 양이 필요하고, 각 양의 출처는 무엇인가? |
| CQ4 | 파쇄 세포 분율은 목표 화합물 중 CER·FER 메커니즘에 연관된 부분과 어떻게 관련되는가? |
| CQ5 | 어떤 분리 단계가 주어진 제품 분획을 생성하며, 어떤 압력·온도 조건에서인가? |
| CQ6 | 어떤 화학 엔티티 또는 화학 클래스가 제품 분획을 특징짓고, 어떤 기능 역할을 연관시킬 수 있는가? |
| CQ7 | 어떤 공정 양이 제공·측정·계산·외부 조회·피팅 추정 중 어느 것으로 얻어졌는가? |
| CQ8 | 표현된 양과 관계가 추출 공정에 인코딩된 도메인 제약과 양립하는가? |
🎯 2. 역할
이 질문들은 원천 자료에 단지 등장하는 정보와 온톨로지를 통해 명시적으로 접근 가능해야 하는 지식 사이의 경계를 정합니다. 그래서 모듈 아키텍처, 재사용 결정, 속성, 제약 표현을 안내합니다.
💡 Key Takeaway CQ3·CQ4·CQ7은 R5·R6을, CQ5는 R7을, CQ8은 R8을 질문 형태로 번역한 것입니다. 뒤의 평가에서 실제로 SPARQL로 실행된 것은 CQ5 하나이며, 나머지는 “표현 가능함”이 확인된 수준입니다.
모듈 아키텍처: 일곱 모듈과 집계 온톨로지
SFE-O는 지식 도출에서 식별된 관심사 분리를 반영하는 모듈형 OWL 2 온톨로지입니다. v0.1.0은 Zenodo에 공개되어 있고, 일곱 개의 로컬 모듈과 전체 모델을 import하는 집계 온톨로지 sfeo.owl 로 구성됩니다 (Fig. 1).
🧱 1. 모듈별 역할
| 모듈 | 내용 |
|---|---|
sfeo-core |
공통 의미 백본: 재료·공정 엔티티, 장비, 물질 스트림, 맥락적 역할, 파라미터 값, 지식을 생성·유도하는 활동 |
sfeo-biomass |
바이오매스 유형과 배치, 전처리 작업, 형태, 물리 특성, 화학 조성, BIC 표현에 필요한 파쇄/온전 구조 단위 구분 |
sfeo-process |
추출 시스템, 배치, 사이클, 장비, 운전 조건, 형상, 유체 물성, 시간적 공정 단계 |
sfeo-transport |
수력학과 물질전달: 분자·유효 확산계수, Re·Sc·Sh, 외부 물질전달 계수 $k_f$, CER/FER 메커니즘 |
sfeo-product |
총 추출물과 분리된 분획, 추출량·수율·회수율·효율·농도, 기능 역할 |
sfeo-provenance |
입력·측정·계산·외부 조회·피팅 파라미터 값의 구분 |
sfeo-application |
실험 관측을 표현하지 않는 응용 수준 SFE 지식 |
🔁 2. 배치와 사이클
ExtractionBatch 는 정의된 바이오매스 적재량에 대해 수행되는 완전한 추출 작업을, ExtractionCycle 은 관련 기능 단계를 통한 CO2의 한 번의 순환을 나타냅니다. 이 구분은 단일 통과 실험실 시스템과 폐루프 파일럿·산업 구성을 모두 지원합니다.
🔀 3. 일반화된 분리 위상 (식 2)
SE1, SE2, SE3 같은 플랜트 특화 클래스를 정의하는 대신, 추출 사이클은 순서 있는 SeparationStage 개체의 열을 가질 수 있습니다.
$$S_1 \prec S_2 \prec \cdots \prec S_n \tag{2}$$
각 단계는 장비, 압력, 온도, 생성된 ProductFraction 과 연관됩니다. 3단 분리기 파일럿 플랜트는 하나의 인스턴스화일 뿐 구조적 한계가 아닙니다.
💡 Key Takeaway 모듈 분할은 Biomass → Process → Product의 인과 흐름 위에 Transport(메커니즘)와 Provenance(출처)를 가로지르는 층으로 얹은 구조입니다. 메커니즘과 출처가 특정 관점에 속하지 않고 세 관점을 모두 꿰뚫는다는 설계 의도가 모듈 경계에 그대로 드러납니다.
세 가지 의미 모델링 패턴
SFE-O에서 중심이 되는 모델링 패턴은 셋입니다.
🧬 1. 재이피케이션된 조성 (식 3)
화학 조성은 분자별 데이터타입 속성이 아니라 재료·화학 엔티티·양 값 사이의 재이피케이션된 관계로 표현됩니다. 개념적으로 하나의 조성 진술은
$$\langle M, C, Q, R \rangle \tag{3}$$
이며, $M$ 은 바이오매스 또는 제품 재료, $C$ 는 화학 엔티티, $Q$ 는 연관된 양, $R$ 은 건조/습윤 질량 같은 선택적 기준 기저입니다. 따라서 새 화합물을 온톨로지 스키마 수정 없이 도입할 수 있습니다.
🎭 2. 고유 유형 vs 맥락적 역할
화학 엔티티는 본질적으로 용질이 아니며, 주어진 추출 맥락에서 SoluteRole 을 수행할 수 있습니다. 용매·보조용매 참여에도 같은 패턴이 적용됩니다. 이 역할들은 공정 구성과 운전 조건에 의존하기 때문입니다.
🧮 3. 명시적 계산 의존성 (식 4)
계산은 필요한 양들과 생성되는 출력에 연결되지만, OWL이 수치 모델을 실행하지는 않습니다.
$${Q_1, \ldots, Q_n} \xrightarrow{\;\text{Calculation}\;} Q_{out} \tag{4}$$
예컨대 이 패턴은 Sherwood 수가 Reynolds·Schmidt 수에 의존하고, 외부 물질전달 계수가 이어서 Sherwood 수·용질 확산계수·입자 크기에 의존함을 표현합니다. 수치 평가는 공학 소프트웨어에 위임되고, 온톨로지는 의미적 의존성과 출처 사슬을 보존합니다.
💡 Key Takeaway 세 패턴은 각각 R3(양과 값의 분리), R4(역할), R6(계산 의존성)의 구현입니다. 공통점은 스키마를 고정하고 인스턴스로 확장한다는 것으로, 새 화합물·새 역할·새 계산이 들어와도 클래스를 추가할 필요가 없게 설계되어 있습니다.
외부 의미 자원의 선택적 재사용
SFE-O는 Section II에서 동기화한 선택적 재사용 전략을 따릅니다 (Fig. 1 왼쪽).
🔗 1. 재사용 수준의 구분
| 수준 | 자원 | 방식 |
|---|---|---|
| 위임(import) | QUDT, OWL-Time, PROV-O | 양·단위, 시간 개념, 측정·계산·외부 조회·피팅 활동의 출처를 로컬에서 재모델링하지 않고 해당 온톨로지에 위임 |
| 선택적 정렬 | ChEBI | 카로티노이드·지방산 등이 외부에서 유지되는 안정적 식별자를 갖되 SFE 특화 공정 역할과 연관 |
| 상호운용·확장점 | NCBI Taxonomy, FoodOn, LIPID MAPS | 생물학적 기원 식별자, 식품 제품·지질 특화 의미와의 가능한 정렬. 전체 import가 아님 |
Fig. 1의 범례는 owl:imports, owl:equivalentClass, rdfs:seeAlso, 인과 흐름의 네 종류 관계로 이 연결을 구분합니다.
🎯 2. 효과
이 아키텍처는 SFE-O를 초임계 CO2 추출에 특화된 지식에 집중시키고, 화학 식별·단위·시간·출처는 확립된 자원에 맡깁니다.
💡 Key Takeaway “재사용”이 한 가지가 아니라는 점이 중요합니다. 전체 import, 클래스 정렬,
seeAlso수준의 확장점이 구분되어 있어, 온톨로지가 불필요하게 커지지 않으면서도 필요한 곳에서 외부 식별자를 끌어올 수 있습니다.
메커니즘 지식과 제약 정식화
SFE-O의 두드러진 특징은 바이오매스 구조, 운전 조건, 물질전달, 제품 형성을 연결하는 메커니즘 관계의 명시적 표현입니다.
🧪 1. CER/FER 표현 (식 5, 6)
BIC 해석에 따라 $m_s$ 를 적재 바이오매스 질량, $X_0(i)$ 를 화합물 $i$ 의 초기 농도, $g$ 를 파쇄 세포 분율이라 하면, SFE-O는 초기·파쇄 세포·온전 세포 양을 다음과 같이 표현합니다.
$$C_0(i) = m_s X_0(i), \qquad C_{0,BC}(i) = g\, m_s X_0(i), \qquad C_{0,IC}(i) = (1-g)\, m_s X_0(i) \tag{5}$$
파쇄 분율은 외부 물질전달이 주로 지배하는 CER 영역에, 온전 분율은 내부 확산이 점점 지배하는 FER 영역에 연관됩니다. 대응하는 질량수지 제약은
$$M_{CER} \le g\, m_s X_0(i), \qquad M_{FER} \le (1-g)\, m_s X_0(i), \qquad M_{TOT} = M_{CER} + M_{FER} \le m_s X_0(i) \tag{6}$$
입니다. 제품 지표는 같은 메커니즘 모델에 연결됩니다. 예컨대 효율 $EFF = M_{TOT}/C_0(i)$, 농도 $CONC = M_{TOT}/EA$ 이고, $EA$ 는 총 추출 재료입니다.
🌊 2. 수력학·물질전달 의존성 (식 7)
추출 압력과 온도는 초임계 CO2의 밀도 $\rho$ 와 점도 $\mu$ 를 결정하고, 바이오매스 형태는 입자 크기 $d_p$ 를, 분자 정체성은 확산계수 $D(i)$ 를 제공합니다. 유량·층 특성과 함께 이 양들이 Re와 Sc를 결정하고, 이어서
$$Sh = 2 + 1.1\, Re^{0.6} Sc^{0.33}, \qquad {Sh, D(i), d_p} \rightarrow k_f(i) \tag{7}$$
입니다. 각 유도는 CalculationActivity 이고, 보정과 외부 조회는 각각 ParameterFittingActivity, ExternalLookupActivity 로 타입이 붙습니다.
내부 수송을 지배하는 유효 확산계수 $D_{EFF}(i)$ 는 공극률·굴곡도·미세구조에 바이오매스 특이적으로 의존하는데, 도출된 원천은 단일한 보편 방정식을 주지 않습니다. SFE-O는 그래서 의존성은 기록하되 특정 식을 강제하지 않습니다.
🚧 3. 제약의 두 층
| 층 | 표현 | 평가 주체 |
|---|---|---|
| 논리 조건 | 파쇄/온전 구조의 서로소성, CER/FER 단계의 서로소성 등 | OWL 공리, 추론기 |
| 산술 경계·범위·유도량 관계 | 기계 판독 가능한 제약 표현 | OWL 추론기가 평가하지 않음. 향후 검증·공학 서비스 |
“분석되지 않음”, “검출한계 이하”, “측정된 0”은 세 개의 구별되는 상태로 남아 의미적 정확성을 보존합니다.
💡 Key Takeaway 식 (5)–(7)은 온톨로지 안에서 계산되지 않습니다. 온톨로지가 보장하는 것은 “$k_f$ 를 알려면 Sh, $D(i)$, $d_p$ 가 필요하고, Sh를 알려면 Re, Sc가 필요하며, 각각이 어떤 활동에서 왔는지”의 그래프이지 숫자가 아닙니다. $D_{EFF}$ 처럼 보편 식이 없는 양은 의존성만 남기는 것이 이 원칙의 일관된 적용입니다.
지식 기반 AI 관점
SFE-O는 LLM을 이용한 향후 AI 지원 SFE 해석의 접지 계층(grounding layer) 으로도 의도되었습니다. 다만 이 논문에서는 어떤 LLM 시스템도 구축하거나 평가하지 않습니다.
🤖 1. 구상된 역할 분담
LLM–지식그래프 통합 연구(Khorashadizadeh et al. 2024)는 생성 언어 능력과 명시적·기계 해석 가능 지식을 결합하는 가치를 강조합니다. 구상은 다음과 같습니다.
| 구성요소 | 담당 |
|---|---|
| SFE-O | 허용 가능한 개념, 관계, 의존 사슬의 정의 (의미적 타당성) |
| 수치 서비스 | 계산 실행 |
| LLM | 자연어 질문을 SFE-O 위의 의미 질의로 번역, 검색된 사실·메커니즘 의존성·출처를 접지된 맥락으로 사용, 상호작용과 오케스트레이션 |
예컨대 $k_f$ 에 관한 질문은 운전·바이오매스 속성에서 Re, Sc, Sh를 거치는 경로(식 7)와 필요한 양들의 출처를 함께 드러낼 수 있습니다.
🧭 2. 이 논문의 범위
이 분리는 의미적 타당성을 언어 생성과 떼어 놓습니다. 현재 기여는 그런 LLM 구현을 평가하지 않고, 이후의 온톨로지 접지 질의응답과 설명 가능한 공정 해석에 필요한 형식 계층을 확립합니다.
💡 Key Takeaway 제목의 “Knowledge-Grounded AI”는 이 논문이 한 것이 아니라 가능하게 하려는 것입니다. 저자들은 초록·본문·결론에서 반복해서 LLM 평가가 없음을 명시하므로, 이 논문을 인용할 때는 온톨로지 설계·검증 논문으로 읽어야 합니다.
평가: 실제 배치 인스턴스화, HermiT, SPARQL
평가는 예측 시스템이 아니라 지식 표현으로서의 SFE-O 를 대상으로 합니다.
✅ 1. 네 단계 평가
| 단계 | 내용 |
|---|---|
| 1 | 모듈형 OWL 2 파일의 RDF/XML 파싱과 import 구조 정확성 확인 |
| 2 | Section III의 요구사항·CQ 대비 평가. 바이오매스·화학 특성, 공정 형상·운전 양, Re–Sc–Sh–$k_f$ 의존 사슬, CER/FER 관계, 순서 있는 분리 단계와 제품 분획, 입력·측정·계산·외부·피팅 양의 출처를 표현함 |
| 3 | 워크드 예제로 CQ1–CQ8 시연 |
| 4 | 도출된 공학 지식에 대한 개념 모델의 반복 검토 |
🧫 2. 워크드 예제
온톨로지는 개체가 없는 스키마이므로, 실제 파일럿 규모 추출 배치 하나를 Dunaliella salina 운전 데이터로 인스턴스화했습니다.
| 항목 | 값 |
|---|---|
| 추출 조건 | 350 bar, 65°C, CO2 0.31 kg/min, 120 min |
| 분리 캐스케이드 | SE1 / SE2 / SE3 |
| SE2 | 56 bar / 25°C |
| SE3 | 54 bar / 25°C |
| 단언된 개체 예 |
DS04_SE2 (SeparationStage), DS04_Fraction_SE2 (그것이 생성하는 ProductFraction) |
| 측정값 | β-카로틴 농도 7.08 mg/g, 회수율 20.8% |
인스턴스화된 온톨로지는 HermiT DL 추론기로 분류되어 일관성이 확인되었고, generatedBySeparationStage 의 한정 기수 제약(qualified-cardinality restriction)을 포함한 모든 OWL 공리를 만족했습니다.
🔎 3. CQ5의 SPARQL 질의
“어떤 분리 단계가 주어진 제품 분획을 생성하며 어떤 압력·온도에서인가”는 결과 그래프에 대해 실행된 SPARQL 질의로 답했습니다.
SELECT ?fraction ?stage ?p ?t WHERE {
?fraction sfeo-product:generatedBySeparationStage ?stage .
?stage sfeo-process:hasOperatingQuantity ?pq, ?tq .
?pq a sfeo-process:SeparatorPressure ;
qudt:numericValue ?p .
?tq a sfeo-process:SeparatorTemperature ;
qudt:numericValue ?t . }
결과는 원본 값과 정확히 일치했습니다. 저자들은 이 단일 사례가 CQ1–CQ8이 실제 데이터 위에서 표현·질의 가능함을 보이지만 성능 벤치마크는 아니다라고 명시합니다.
🔍 4. 개념 모델 검토
고정 SE1–SE3 대신 일반 분리 단계, 재이피케이션된 조성 진술, 맥락적 용질 역할은 한 플랜트나 화합물 집합으로의 과특수화를 피합니다.
💡 Key Takeaway 평가의 실질은 “스키마가 실제 데이터 한 건을 모순 없이 담고, 질의 한 건이 원본과 일치한다”입니다. 질의는 QUDT의
numericValue를 통해 압력·온도를 읽으므로, R2(재사용)와 R3(양·값 분리)가 실제로 작동하는 모습을 보여주는 사례이기도 합니다.
한계와 향후 과제
저자들은 주요 한계가 표현이 아니라 실행에 있다고 정리합니다.
⚠️ 1. 저자가 밝힌 한계
| 한계 | 내용 |
|---|---|
| 수치 의존성 | OWL 안에서 풀리지 않음 |
| 제약 | 아직 실행 가능한 SHACL(Shapes Constraint Language) 형태가 아님 |
| 외부 서비스 | 열물리 물성, 기술자, 확산계수, 피팅 서비스는 통합 지점으로 남음 |
| 유효 확산계수 | 바이오매스 특이적 가정 필요 |
| 평가 범위 | 단일 워크드 예제 외의 실험 관측은 의도적으로 제외. CQ5만 SPARQL로 실행 |
🚩 2. 미해결 데이터 수준 불일치
원천 문서 사이의 불일치 몇 건은 조용히 해소하지 않고 온톨로지 안에 명시적으로 플래그되어 전문가 검증을 기다립니다.
- 계면 면적 식의 충돌: $a = 6/d_p$ 대 $a = d_p/6$
- 기하 인자가 빠졌을 가능성이 있는 층 부피 표현
- 서로 다른 두 지방산이 공유하는 ChEBI 식별자 하나
🔭 3. 향후 과제
향후 평가는 CQ5를 넘어 추가 배치와 역량 질문을 인스턴스화하고, 실행 가능한 제약을 시험하며, 온톨로지 접지 상호작용이 비구조화된 AI 상호작용에 비해 추적 가능성·일관성·설명·공정 공간 탐색을 개선하는지 판정해야 합니다. 결론에서는 실행 가능한 제약 검증, 수치/물리화학 서비스, 실험 인스턴스화, 공정 해석·최적화를 위한 온톨로지 접지 AI 평가를 꼽습니다.
저자들은 생성 AI(Anthropic Claude)를 문법 검사와 Fig. 1 렌더링에만 썼고, 결과 다이어그램은 OWL 파일과 대조해 검증했다고 밝힙니다.
💡 Key Takeaway 이 논문의 견고한 부분은 “SFE 도메인의 개념·의존성·출처를 한 OWL 2 모델에 담았고, 실제 배치 하나로 일관성과 질의 가능성을 확인했다”는 것입니다. 수치 실행, 제약 집행, 다중 배치 평가, LLM 결합은 모두 다음 단계로 남아 있으며, 원천 데이터의 불일치를 숨기지 않고 플래그한 점은 출처 보존이라는 설계 철학과 일관됩니다.