Neural Network Modeling of Microstructure Complexity Using Digital Libraries

현실 세계의 재료는 결코 정지해 있지 않습니다. 그것들은 시간이 흐름에 따라 변화하고, 균열이 생기며, 재구성됩니다. 비행기 날개의 금속 빔은 반복되는 응력 아래에서 서서히 미세한 균열을 만들어내고, 새로운 합금의 미세한 결정립들은 냉각되면서 위치를 옮기고 재배열됩니다. 이러한 변화를 이해하는 것은 구조물이 언제 파괴될지 예측하거나 특정 강도를 가진 재료를 설계해야 하는 엔지니어들에게 매우 중요합니다. 문제는 이러한 과정들이 지닌 엄청난 복잡성에 있습니다. 이 현상들은 서로 다른 크기와 속도에 걸쳐 발생하며, 벌크 재료 자체와 서로 다른 상(phase)이 만나는 날카로운 경계면 모두를 포함합니다. 이러한 변화를 시뮬레이션하는 전통적인 방식은 힘과 화학 물질이 어떻게 이동하는지를 설명하는 무거운 수학적 규칙들에 의존합니다. 이 규칙들은 강력하지만, 종종 현실의 무질서하고 예측 불가능한 세부 사항들을 놓칠 수 있는 단순화된 가정을 필요로 합니다. 이를 극복하기 위해 연구자들은 컴퓨터로 생성된 방대한 이미지 라이브러리를 사용하여, 기계가 엄격한 방정식을 따르지 않고도 진화하는 패턴을 인식하고 예측하도록 학습시키는 데이터 기반 접근 방식을 채택했습니다.

최근 칭화대학교의 연구진은 컴퓨터에게 이러한 미시적 변화를 예측하는 법을 가르치는 새로운 방법을 탐구했습니다. 그들은 두 가지 매우 다른 유형의 재료 거동에 집중했습니다. 하나는 금속판에서 발생하는 느리고 들쭉날쭉한 피로 균열의 전진이고, 다른 하나는 화학 반응이나 생물학적 시스템에서 나타나는 '튜링 패턴(Turing patterns)'이라 불리는 복잡하고 소용돌이치는 패턴의 형성입니다. 모델을 훈련시키기 위해 연구팀은 이 과정들의 수천 개의 시뮬레이션 스냅샷을 담은 '디지털 라이브러리'를 구축했습니다. 연구진은 컴퓨터에 근저에 깔린 물리 방정식을 입력하는 대신, 단순히 균열이 자라나고 패턴이 형성되는 이미지들을 보여주며 기계에게 다음에 어떤 일이 일어날지 추측하도록 했습니다. 목표는 생물학적 뉴런이 필요할 때만 발화하는 방식을 모방하도록 설계된 특정 유형의 인공지능이, 표준적인 컴퓨터 모델보다 이러한 복잡한 진화를 더 잘, 그리고 더 효율적으로 학습할 수 있는지 확인하는 것이었습니다.

연구진은 두 가지 주요 신경망 유형을 테스트했습니다. 첫 번째 그룹은 현대의 이미지 인식 및 비디오 예측의 핵심 동력인 표준 인공 신경망으로 구성되었습니다. 이 모델들은 이미지의 모든 픽셀을 매 순간 지속적으로 처리하며, 마치 카메라가 일정한 스트림의 사진을 찍는 것처럼 작동합니다. 두 번째 그룹은 신경계처럼 작동하는 스파이킹 신경망(spiking neural networks)을 사용했습니다. 이 모델들에서 개별 단위들은 신호가 충분히 강해져서 '스파이크(spike)' 또는 '이벤트'를 유발할 때까지 조용히 유지됩니다. 이러한 이벤트 기반 특성 덕분에 컴퓨터는 실제로 무언가가 변할 때만 작업을 수행하며, 이는 엄청난 양의 에너지와 메모리를 절약할 수 있음을 의미합니다. 연구팀은 이러한 생물학적 스타일의 컴퓨팅이 표준 모델의 연속적이고 픽셀을 많이 소모하는 방식보다 재료의 무질서하고 진화하는 인터페이스를 더 잘 다룰 수 있는지 알고 싶었습니다.

연구진이 이 모델들을 테스트했을 때, 결과는 놀라웠습니다. 금속판을 통해 균열이 어떻게 성장하는지를 예측하는 작업에서 표준 모델들은 균열선을 매끄럽고 연속적으로 유지하는 데 어려움을 겪었으며, 종종 들쭉날쭉하거나 끊어진 예측을 내놓았습니다. 그러나 스파이킹 신경망은 놀라운 정밀도로 균열의 경로를 추적해 냈습니다. 더욱 인상적인 점은 효율성이었습니다. 스파이킹 모델은 표준 모델의 대응물보다 훨씬 적은 내부 설정값과 현저히 적은 컴퓨터 메모리를 사용하여 이 높은 정확도를 달ach했습니다. 많은 상호작용하는 경계들을 포함하는 튜링 패턴의 경우, 표준 모델들은 패턴의 날카로운 가장자리를 포착하지 못하고 흐릿하고 불분명한 결과를 만들어냈습니다. 과거의 이벤트를 기억하는 특수 설계를 포함한 고급 스파이킹 모델은 최고의 표준 모델들을 능가하며, 계산 자원을 아주 일부만 사용하면서도 예측 오류를 거의 28% 줄였습니다.

연구진은 이러한 성공의 비결이 스파이킹 네트워크가 어떻게 구축되었는지에 있다고 제안합니다. 거의 모든 것을 서로 연결하는 표준 네트워크와 달리, 스파이킹 모델은 데이터의 가장 관련 있는 부분들만을 연결하는 훨씬 더 희소한(sparse) 연결을 형성했습니다. 이러한 희소성은 모델이 과거의 사건을 처리하는 방식과 결합되어, 불필요한 세부 사항에 빠지지 않고 진화하는 인터페이스의 필수적인 특징에 집중할 수 있게 해주었습니다. 연구진은 단순한 균열 성장에는 매우 작은 네트워크로도 충분하지만, 튜링 시스템의 복잡하고 집단적인 패턴에는 더 크고 정교한 버전의 스파이킹 모델이 필요하다는 것을 발견했습니다. 이는 재료의 행동이 지닌 복잡성이 예측에 필요한 모델의 복잡성을 결정한다는 것을 나타냅니다.

이러한 발견은 공학 및 재료 과학의 새로운 방향을 제시합니다. 이러한 효율적인 이벤트 기반 모델을 사용함으로써, 물리적 구조물의 '디지털 트윈'을 매우 낮은 에너지 소비로 실시간 건강 상태를 모니터링할 수 있게 될 것입니다. 이는 무게와 전력이 중요한 제약 조건인 항공우주 분야와 같은 응용 분야에서 특히 중요합니다. 본 연구는 기계에게 어려운 수학 문제를 풀도록 강요하는 대신, 시뮬레이션된 데이터의 디지털 라이브러리로부터 학습하게 함으로써, 우리는 더 명확하고 적은 비용으로 물질 진화의 복잡한 춤을 포착할 수 있음을 보여줍니다. 이 연구는 물질이 어떻게 변화하는지를 예측하는 미래가 더 강력한 슈퍼컴퓨터에 있는 것이 아니라, 이미 가지고 있는 정보를 더 똑똑하고 효율적으로 처리하는 방법에 달려 있음을 시사합니다.