허영범 연구실은 라벨이 충분하지 않은 실제 산업 환경에서 높은 성능을 유지할 수 있는 이상 탐지 기술을 핵심 연구 주제로 다룬다. 제조 설비 센서 데이터, 다변량 시계열, 품질 모니터링 데이터처럼 정상 데이터는 많지만 이상 사례는 드문 문제를 대상으로, 최소한의 정답 정보만으로도 안정적으로 학습하는 인공지능 모델을 개발하는 데 초점을 맞추고 있다. 이는 현장의 데이터 수집 비용과 라벨링 부담을 줄이면서도 실질적인 운영 효율을 높이기 위한 방향이다. 특히 연구실은 자기지도학습과 준지도학습을 결합해 정상 패턴의 구조를 정교하게 학습하고, 이상과 유사하지만 실제로는 정상 범주에 속하는 경계 사례를 효과적으로 구분하는 방법을 제안한다. 다변량 시계열 이상 탐지 연구에서는 센서 간 상관관계와 클러스터링 기반 특징을 활용하여 훈련 데이터 내 이상치성 정상 샘플을 식별하고, 모델이 과도하게 민감해지는 문제를 완화한다. 또한 pseudo-labeling 과정에서 발생하는 라벨 노이즈를 줄이기 위해 전이행렬 기반의 노이즈 완화 프레임워크를 설계하여 자동 라벨링의 신뢰성을 높이고 있다. 이러한 연구는 스마트 팩토리, 산업설비 유지보수, 공정 감시, 품질 예측 등 다양한 제조 현장에 직접 적용될 수 있다. 연구실의 접근은 단순히 정확도를 높이는 데 그치지 않고, 오탐과 미탐의 균형, 데이터 희소성 대응, 현장 적용 가능성까지 함께 고려한다는 점에서 강점이 있다. 앞으로는 산업 도메인 지식을 반영한 설명가능한 이상 탐지, 분포 변화에 강인한 모델, 온라인 환경에서 지속적으로 적응하는 학습 체계로 연구가 확장될 가능성이 크다.

허영범 연구실은 반도체 제조 공정에서 생성되는 웨이퍼 맵과 공정 데이터를 활용하여 불량 패턴을 자동으로 검출하고 분류하는 인공지능 기술을 활발히 연구하고 있다. 반도체 산업은 불량 데이터가 제한적이고 데이터 불균형이 심하며, 공정 변화에 따라 패턴이 복잡하게 달라지는 특성이 있기 때문에 기존의 완전 지도학습만으로는 한계가 있다. 연구실은 이러한 산업적 제약을 해결하기 위해 실제 현장에 적합한 신뢰성 중심의 AI 모델 개발을 추구한다. 대표적으로 웨이퍼 맵 결함 검출을 위해 Triplet Loss, Mixup, FixMatch 계열의 준지도학습 기법을 결합한 모델을 제안하여, 적은 라벨 데이터만으로도 높은 성능을 달성하는 방향을 제시하였다. 이 연구는 라벨이 부족한 반도체 데이터셋에서 유사 결함 패턴 간 거리를 효과적으로 학습하고, 결정 경계를 부드럽게 만들어 일반화 성능을 높이는 데 의의가 있다. 또한 설비 센서 기반 이상 감지, 품질 모니터링 자동화 등과 연계하여 웨이퍼 불량 탐지를 단일 과제가 아니라 제조 품질 전반의 데이터 기반 지능화 문제로 확장하고 있다. 이 연구 주제는 반도체뿐 아니라 섬유, 조립, 검사 공정 등 다양한 제조 산업으로 확장성이 높다. 불량 검출 자동화는 검사 비용 절감, 수율 향상, 공정 안정화, 작업자 의사결정 지원에 직접 기여할 수 있으며, 연구실은 이를 사용자 친화적 응용 시스템과 연결하는 실용 연구도 병행하고 있다. 향후에는 멀티모달 제조 데이터 융합, 설명가능한 결함 판정, 공정 최적화와 결합된 통합 품질관리 플랫폼으로 발전할 가능성이 높다.

허영범 연구실의 또 다른 중요한 축은 산업공학 기반의 최적화와 스케줄링 연구이다. 연구실은 인공지능뿐 아니라 수리적 최적화, 확률적 의사결정, 운영 효율화 문제를 함께 다루며, 항공·생산·반도체 조립 및 테스트 시설 등 복잡한 운영 시스템에서 자원 배분과 일정 계획을 개선하는 방법을 연구한다. 이는 연구책임자의 산업공학 및 수리계획법 배경, 그리고 항공 및 산업 현장에서의 실무 경험과도 긴밀히 연결된다. 구체적으로는 교대근무표 작성, 휴게시간 조정, 생산 로트 스케줄링, 설비 셋업 결정 등 현실 제약이 많은 문제를 확률적 최적화와 휴리스틱 기법으로 해결하는 연구가 수행되었다. 반도체 조립·테스트 시설의 다중 장비 및 다중 공구 환경에서는 셋업 시간, 우선 생산 로트, 수요 부족 최소화, 처리량 극대화 같은 목표가 동시에 고려되어야 하는데, 연구실은 계층적 의사결정과 탐색 기반 알고리즘을 통해 이러한 문제를 효율적으로 다룬다. 최근에는 전통적 최적화와 양자 최적화의 비교와 같은 확장 연구도 발표하며 차세대 계산 패러다임과의 접목 가능성도 모색하고 있다. 이러한 연구는 제조와 서비스 운영의 효율성을 높이는 데 직접적인 가치를 지닌다. 최적화 기반 접근은 AI 예측 모델이 생성한 정보를 실제 운영 계획으로 연결하는 역할을 하므로, 연구실의 인공지능 연구와도 상호보완적이다. 앞으로는 예측-최적화 통합, 강화학습 기반 스케줄링, 불확실성을 반영한 강건 최적화, 디지털 전환 환경에서의 실시간 운영 의사결정 등으로 연구 범위가 더욱 확대될 수 있다.