The influence of packing protocol, size ratio, and pore structure on fractal exponents in dense polydisperse packings

당신은 수천 개의 구슬이 담긴 거대한 상자를 채우려 한다고 상상해 보세요. 하지만 이 구슬들은 평범한 구슬이 아닙니다. 어떤 것은 완두콩 크기이고, 어떤 것은 자몽 크기이며, 그 사이의 모든 크기가 아주 특정한 수학적 레시피를 따르고 있습니다. 당신은 이 구슬들을 혼합 견과류 통처럼 최대한 빽빽하게 채우고 싶습니다. 그런데 당신은 구슬을 들이붓는 방식에 따라 남겨진 빈 공간의 숨겨진 "모양"이 변하는지 알고 싶어 합니다.

이것이 바로 과학자 팀이 밝혀내고자 했던 것입니다. 그들은 "조밀한 무작위 충전(dense random packings)"을 연구했습니다. 기본적으로 서로 다른 크기의 원판(평면 원)들을 정사각형 상자 안에 얼마나 빽빽하게 밀어 넣을 수 있는지를 연구한 것입니다. 그들은 **프랙탈 지수(fractal exponent)**라고 불리는 숨겨진 패턴을 찾고 있었습니다. 프랙ک탈 지수는 마치 '복잡도 점수'와 같아서, 다양한 거리에서 관찰할 때 충전물의 질량이 어떻게 증가하는지를 알려줍니다.

상자를 채우는 세 가지 방법

연구진은 상자를 채우기 위해 세 가지 다른 방법을 시도했으며, 그 결과는 마치 매우 다른 세 명의 주자가 벌이는 경주와 같았습니다.

1. "델로네 삼각측량(Delaunay Triangulation, DT)" 주자: 이 방법은 마치 다음 구슬이 들어갈 완벽한 빈 공간을 찾기 위해 끊임없이 지도를 확인하는 매우 똑똑한 로봇과 같습니다. 매우 조직적이고 효율적입니다.
2. "정압(Constant Pressure, CP)" 주자: 이 방법은 상자를 유압 프레스에 넣는 것과 같습니다. 처음에는 구슬을 느슨하게 쌓아둔 상태에서 시작하여, 일정한 압력으로 구슬들을 꽉 끼일 때까지 천천히 짓누릅니다.
3. "일반화된 아폴로니안(Generalized Apollonian, GAP)" 주자: 이것은 무작위 충전 방법이 아닙니다. 단계별로 프랙탈 예술 작품을 만들듯 구축되는 완벽한 수학적 레시피입니다. 연구진은 다른 방법들을 측정하기 위한 '자(ruler)'로서 주로 이 방법을 사용했습니다.

거대한 발견: "크기 비율"이 가장 중요하다

연구팀은 가장 중요한 것이 상자를 어떻게 채웠느냐가 아니라, 가장 큰 구슬과 가장 작은 구슬 사이의 차이가 얼마나 큰가라는 사실을 발견했습니다. 그들은 이를 "크기 비율(size ratio)"이라고 부릅니다.

• 비율이 작을 경우 (가장 큰 구슬이 가장 작은 구슬보다 몇 배 정도만 더 클 때), 충전물은 무질서해 보입니다. 이때는 "복잡도 점수(지수)"가 서로 일치하지 않습니다.
• 비율이 매우 클 경우 (가장 큰 구슬이 가장 작은 구슬보다 거의 1,600배 더 클 때), 그림이 선명해집니다. 어떤 방법을 사용하더라도 점수들이 완벽하게 일치하기 시작합니다.

이것은 마치 시끄러운 방에서 속삭임을 들으려는 것과 같습니다. 방이 작으면(작은 크기 비율), 소음(유한 크기 효과)이 신호를 잡아먹습니다. 하지만 방을 거대하게 만들면(큰 크기 비율), 속삭임이 선명해지고 모두가 같은 소리를 듣게 됩니다.

"공동(Cavity)" 문제: 왜 프레스 방법은 비틀거리는가

여기서 이야기는 흥ente해집니다. 연구진이 DT 방식(똑똑한 로봇)을 사용했을 때는 모든 것이 아름답게 작동했습니다. 상자가 충분히 빽빽하게 채워지자마자(95% 이상 충전), 모든 복잡도 점수가 완벽하게 일치했습니다.

하지만 CP 방식(유압 프레스)을 사용했을 때는 상황이 이상해졌습니다. 상자가 꽉 찼음에도 불구하고 점수들이 일치하지 않았습니다. 왜일까요?

연구진은 프레스 방식이 충전물 내부에 거대하고 외로운 동굴을 만든다는 것을 발견했습니다. 세 개의 거대한 바위가 서로 맞닿아 있다고 상상해 보세요. 그들은 가운데에 커다란 빈 삼각형 공간을 남깁니다. 작은 구슬들이 그 특정한 모양 안으로 들어갈 수 없기 때문에, 그 공간은 비어 있는 상태로 남게 됩니다. 이 "동굴"들은 스펀지 속의 구멍과 같습니다.

이 논문은 이러한 동굴들이 충전물을 덜 "무작위적"으로 만든다고 주장합니다. 마치 구슬들이 자연스럽게 뒤섞이는 대신, 어떤 비밀스럽고 딱딱한 규칙(이런 큰 구멍들을 형성하는 것)을 따르는 것처럼 보이기 때문입니다. 이러한 무작위성의 결여는 구조 인자(structure factor, 빛이나 파동이 충전물로부터 산란되는 방식을 측정하는 방법)의 복잡도 점수를 낮춥니다.

그들이 배제한 것들

연구진은 다음과 같은 아이디어들을 매우 신중하게 검토하여 제외했습니다.

• "재밍(Jamming)" 자체의 문제가 아니다: 그들은 먼저 똑똑한 로봇으로 상자를 채운 다음 압착하는 방식으로 테스트를 진행했습니다. "재밍"(구슬이 움직일 수 없는 지점)이 이상한 점수를 유발하지는 않았습니다. 이상한 점수는 오직 프레스 과정 중에 특정 "동굴"이 형성될 때만 발생했습니다.
• 단순히 표본 크기가 작아서 생기는 문제가 아니다: 그들은 크기 비율이 충분히 크지 않으면 잘못된 답을 얻게 된다는 것을 보여주었습니다. 혼란스러운 결과를 얻었던 이전 연구들은 아마도 진정한 패턴을 보기에는 너무 작은 크기 비율(약 292)을 사용했기 때문일 것입니다.

최종 결론

논문은 충전물의 "복잡도 점수"가 로봇을 쓰느냐 프레스를 쓰느냐에 따라 변하는 고정된 규칙이 아니라, 충전물이 실제로 얼마나 무작위적인가에 달려 있다고 결론짓습니다.

• DT 방식은 특히 크기 비율이 클 때 무작위성과 일관성을 유지합니다.
• CP 방식은 실수로 큰 동굴을 만들기 때문에 어려움을 겪으며, 이는 무작위성을 떨어뜨립니다.

하지만 희망의 빛은 있습니다. 연구진은 만약 크기 비율을 계속 높인다면(가장 큰 구슬을 가장 작은 구슬에 비해 훨씬 더 크게 만든다면), CP 방식이 결국 저 거대한 동굴을 만드는 것을 멈추고 점수들이 마침내 일치하게 될 수도 있다고 제안합니다. 하지만 현재 그들의 시뮬레이션에서는 CP 방식이 기대되는 점수와 실제 점수 사이의 격차를 여전히 보여주고 있습니다.

요약하자면: 완벽하게 예측 가능한 프랙탈 충전을 얻으려면, 엄청난 범위의 크기가 필요하며 거대한 빈 동굴을 만들지 않는 방법이 필요합니다. 그렇게 한다면 수학은 완벽하게 작동하며, 충전물의 "모양"은 명확해집니다.