Transformer-Based Inverse Microrheology for Experimental Mechanics at Ultra-High Strain Rates

거대하고 투명하며 부드러운 젤리로 만들어진 보이지 않는 트램펄린이 있다고 상상해 보세요. 당신은 이 트램펄린이 얼마나 탄성이 있고 끈적이는지 정확히 알고 싶습니다. 보통 이를 테스트하려면 거대하고 서투른 손가락으로 쿡쿡 찌르거나 기계로 천천히 늘려보는 방법을 사용합니다. 하지만 만약 무언가가 총알보다 빠르게 움직이며 이 젤리를 타격할 때, 그 젤리가 어떻게 반응하는지 알아내야 한다면 어떻게 될까요? 전통적인 도구들은 너무 느리거나, 너무 침습적이거나, 혹은 속도를 따라가지 못해 혼란에 빠집니다.

여기, 찌르는 대신 터뜨리는 방식을 택한 새로운 과학자 팀이 있습니다. 그들은 초고속 레이저를 사용하여 부드러운 물질 내부에 아주 작은 기포를 순식간에 만들어냅니다. 이 기포는 단순히 가만히 있는 것이 아니라, 초당 1,000회 이상의 엄청난 속도로 바깥쪽으로 폭발했다가 다시 안쪽으로 붕괴합니다. 과학자들은 이 기포가 어떻게 흔들리고, 확장되고, 충돌하는지를 관찰함으로써 물질의 비밀을 밝혀낼 수 있습니다.

과거의 방식: 느린 탐정
오랫동안 과학자들은 이 미스터리를 풀기 위해 관성 마이크로 공동 현상 유변학(Inertial Microcavitation Rheometry, IMR)이라는 방법을 사용해 왔습니다. IMR를 아주 똑똑하지만 믿을 수 없을 정도로 느린 탐정이라고 생각해 보세요. 기포가 터질 때, 탐정은 물질의 특성을 추측해야 하고, 그 추측이 기포의 움직임과 일치하는지 확인하기 위해 복잡한 시뮬레이션을 실행한 뒤, 다시 추측해야 합니다. 이는 루빅스 큐브의 한 면을 돌리고, 전체 큐브를 확인하고, 다시 다른 면을 돌리고, 또 확인하는 과정을 계속 반복하며 문제를 푸는 것과 같습니다. 작동은 하지만, 시간이 엄청나게 오래 걸리고 수학 계산을 위해 슈퍼컴퓨터가 필요합니다.

**새로운 방식: AI 스피드스터(Speedster)**히
텍사스 대학교 오스틴 캠퍼스와 미시간 주립대학교 연구진이 이끄는 저자들은 **버블 다이내믹스 트랜스포머(Bubble Dynamics Transformer, BDT)**라는 새로운 도구를 구축했습니다. 만약 과거의 방식이 느린 탐정이라면, BDT는 초능력을 가진 스피드스터입니다.

추측하고 확인하는 대신, B다이내믹스 트랜스포머(BDT)는 방대한 양의 "만약에" 시나리오를 학습한 특수한 종류의 인공지능(AI)입니다. 연구팀은 AI에게 "만약 물질이 이 정도의 강성과 이 정도의 점성을 가진다면, 기포는 이런 모습이 될 것이다"라는 정답을 알고 있는 수백만 개의 컴퓨터 시뮬레이션을 학습시켰습니다. AI는 기포의 춤사위 속에 숨겨진 패턴을 인식하는 법을 배웠습니다.

이제 실제 젤리 속에서 기포가 터지는 실제 영상을 AI에게 보여주면, AI는 추측하지 않습니다. 대신 즉각적으로 패턴을 인식하여 이렇게 말합니다. "아, 이 춤은 전에 본 적이 있어! 이 물질의 강성은 4.83 kPa이고 점성은 0.055 Pa·s야." AI는 실제 테스트한 하이드로젤에 대해 0.6초도 안 되는 짧은 시간 안에 이 작업을 수행합니다. 이는 기존의 탐정 방식보다 수천 배 더 빠른 속도입니다.

테스트 드라이브
그들의 '초능력 스피드스터'가 실제로 얼마나 뛰어난지 확인하기 위해, 그들은 두 가지 유형의 물질로 테스트를 진행했습니다:

1. 이중 네트워크 하이드로젤: 이것은 서로 다른 두 종류의 폴리머가 혼합된 질기고 신축성 있는 구미 베어와 같습니다. 그들은 알긴산(alginate, 해조류 추출 성분)의 함량(0%에서 2.0%까지)을 달리하여 테스트했습니다.
2. 걸쭉한 액체: 그들은 폴리에틸렌 글리콜(PEG) 8000 용액을 사용했는데, 이는 농도(10%에서 50%까지)에 따라 걸쭉한 꿀과 같은 성질을 띱니다.

결과는 인상적이었습니다. 알긴산 함량이 낮은(최대 1.0%) 젤의 경우, AI의 예측은 느린 탐정의 결과와 거의 동일했으며, 강성(stiffness)에 대해 0.9981의 높은 적합도(fit) 점수를 기록했습니다. 마치 AI와 탐정이 같은 수정구를 보고 있는 것과 같았습니다. 걸쭉한 액체의 경우에도 AI는 점성을 정확히 맞혔으며, 기존 방식과 0.9836의 점수로 일치하는 결과를 보였습니다.

함정: AI의 사각지대
하지만 이 논문은 AI가 어디에서 실수할 수 있는지에 대해서도 매우 솔직하게 밝히고 있습니다. AI는 특정 규칙(Neo-Hookean Kelvin-Voigt 모델이라는 수학적 모델)을 바탕으로 학습되었습니다. 이는 학생에게 오직 한 가지 종류의 방정식만을 사용하여 수학 문제를 풀도록 가르치는 것과 같습니다.

과학자들이 AI를 알긴산 함량이 높은(1.3% 및 2.0%) 젤에 테스트했을 때, AI는 다소 혼란을 겪기 시작했습니다. AI는 해당 샘플들에 대해 강성을 기존 방식보다 각각 **93.8%**와 137.2% 더 높게 예측했습니다. 왜 그럴까요? 그 높은 함량의 알gin산 젤들은 비선형적으로 더 단단해지거나 심지어 약간 찢어지는 등, AI의 학습 규칙이 다루지 못한 기이한 행동을 보였기 때문입니다. 논문은 물질이 너무 복잡해지거나 파손되기 시작하면, AI의 '초능력'이 약해질 수 있다고 제안합니다. 이는 AI의 학습 라이브러리에 해당 유형의 혼돈이 포함되어 있지 않기 때문입니다.

결론
이 논문은 자신들이 모든 연성 물질의 미스터리를 해결했다고 주장하지 않습니다. 대신, 강력한 새로운 지름길을 제시합니다. 끈적한 액체부터 신축성 있는 젤에 이르기까지, 광범한 범위의 연성 물질에 대해 이 새로운 AI 프레임워크는 눈 깜짝할 사이에 물질의 거동을 알려줄 수 있습니다. 이 기술은 몇 시간이 걸리던 고성능 컴퓨팅 과정을 1초도 안 되는 작업으로 바꾸어 놓았습니다.

연구진은 자신들의 '초능력 스피드스터'를 누구나 사용할 수 있도록 웹사이트에 공개해 두었으므로, 다른 과학자들도 이를 시험해 볼 수 있습니다. 다만, 만약 여러분의 물질이 학습 데이터에 없었던 정말 기괴하고 예측 불가능한 행동을 보인다면, AI는 그저 추측을 하고 있는 것일 수도 있다는 점을 경고합니다. 이것은 놀라운 도구이지만 마법은 아닙니다. 그것은 단지 매우, 매우 잘 훈련된 수학일 뿐입니다.