기술 요약: 완전 미분 가능한 유한 요소 기반 머신러닝을 통한 누락된 물리 법칙 발견

문제 정의

복잡한 물리 시스템 모델링은 대개 편미분 방정식(PDE)에 의존하지만, 구성 법칙(constitutive laws), 열적 특성 또는 손상 메커니즘과 같이 특정 관계식은 부분적으로만 알려져 있거나, 폐쇄형 수학적 형태로 표현할 수 없는 경우가 많습니다. 기존의 데이터 기반 접근 방식은 상당한 한계에 직면해 있습니다. 순수 데이터 기반 모델은 방대한 데이터셋이 필요하며 물리적 해석력이 부족합니다. 또한, 현재의 물리 정보 기반 대리 모델(예: FNO, PINO)은 일반적으로 특정 구성(기하학적 구조, 경계 조건, 이산화)에 대한 해(solution) 맵을 학습할 뿐, 근본적인 누락된 연산자(operator) 자체를 학습하지는 못합니다. 결과적으로 이러한 대리 모델은 새로운 문제 설정으로 전이될 수 없으며, 특히 관심 있는 양(예: 내부 응력)이 직접 측정되지 않을 때 숨겨된 물리 법칙을 복구하는 데 실패하곤 합니다.

본 연구가 다루는 핵심 과제는 직접적인 관찰이 불가능한 내부 상태 변수(예: 내부 응력)를 직접 관측하지 않고도, 간접적이고 실험적으로 접근 가능한 측정값(예: 변위장 또는 경계력)을 사용하여 PDE 시스템 내의 미지의 내부 연산자를 발견하는 것입니다.

방법론: FEML 프레임워크

저자들은 표준 유한 요소법(FEM) 솔버와 학습 가능한 머신러닝(ML) 연산자를 결다 결합한 엔드 투 엔드 미분 가능 프레임워크인 **FEML (Finite Element-Based Machine Learning)**을 소개합니다.

핵심 아키텍처

1. 미분 가능한 결합 (Differentiable Coupling): 이 프레임워크는 최첨단 FEM 솔버인 Firedrake를 딥러닝 라이브러리(PyTorch 및 JAX)와 통합합니다. 이는 다음과 같은 양방향 미분 가능 링크를 구축합니다:

   • ML 모델은 PDE의 변분 정식화(UFL) 내에 심볼릭 연산자로 삽입됩니다.
   • FEM 솔버는 ML 계산 그래프 내에서 커스로 미분 가능한 연산자로 등록됩니다.
   • 그래디언트는 PDE 풀이를 위한 아드준트 방법(adjoint method, pyadjoint를 통해)과 ML 구성 요소에 대한 자동 미분을 사용하여 엔드 투 엔드로 전파됩니다. 이를 통해 시스템은 연산자의 출력이 측정되지 않은 내부 값일지라도, 관측 가능한 데이터에 정의된 손실 함수의 그래디언트를 ML 파라미터에 대해 계산할 수 있습니다.

2. 구조 보존 연산자 네트워크 (SPONs): 누락된 물리를 모델링하기 위해 FEML은 SPONs를 사용합니다. 점 단위 매핑을 학습하는 일반적인 신경 연산자와 달리, SPONs는 유한 요소 공간의 자유도(DoFs) 상에서 작동합니다. 이는 인코드-프로세스-디코드(encode-process-decode) 구조를 따릅니다:

   • 인코더 (Encoder): 입력 함수를 유한 요소 공간의 기저(basis)로 투영합니다.
   • 프로세서 (Processor): DoF 벡터 상에서 작동하는 학습 가능한 신경망입니다.
   • 디코더 (Decoder): 타겟 유한 요소 공간에서 출력 함수를 재구성합니다.
   • 이점: SPONs는 이산 수준에서 핵심적인 연속적 특성(예: 프레임 불변성, 등방성)을 보존하며, **제로샷 초해상도(zero-shot super-resolution)**를 가능하게 하여, 하나의 메쉬 해상도나 기하학적 구조에서 학습된 모델을 재학습 없이 다른 메쉬 및 이산화 환경에서 평가할 수 있게 합니다.

3. 단계적 발견 전략 (Progressive Discovery Strategy): 이 프레임워크는 이전에 발견된 법칙을 "동결(frozen)"하여 후속 실험에서 알려진 물리 법칙으로 취급하는 단계적 학습 방식을 지원합니다. 이를 통해 시스템은 모호성을 줄임으로써 점점 더 복잡한 미지수(예: 탄성 반응을 먼저 학습한 후 소성 경화, 그 다음 손상을 학습)를 격리하여 학습할 수 있습니다.

주요 기여 및 결과

1. 탄소성 법칙의 단계적 발견 (합성 데이터)

저자들은 일련의 합성 실험을 통해 폐쇄형 폴리머 폼(closed-cell polymeric foam)의 구성 법칙을 발견하는 프레임워크의 능력을 입증했습니다:

• 비선형 탄성 (Nonlinear Elasticity): 변위 제어 일축 시험에서, 프레임워크는 단 6개의 노이즈가 포함된 힘-변위 쌍으로부터 비선선형 탄성 연화 법칙($E(\kappa)$)을 학습하였으며, 직접적인 응력 데이터가 없음에도 불구하고 연화 거동을 정확하게 재현했습니다.
• 소성 경화 (Plastic Hardening): 하중 제어 브라질리언 디스크(Brazilian disc) 테스트에서, 학습된 탄성 연산자가 동결되었습니다. 이후 프레임워크는 전체 필드 변위 데이터를 사용하여 단조 소성 경화 법칙($\sigma_y(p)$)을 학습했습니다. 적분 신경망 아키텍처를 통해 단조성이 구조적으로 강제되어 열역학적 일관성이 보장되었습니다.
• 제로샷 전이 (Zero-Shot Transfer): 두 개의 사전 학습된 연산자는 하나의 기초 구성 모델로 결합되어, 비틀림 하중을 받는 키홀 슬롯이 있는 3D 원통형 로드에 제로샷으로 배치되었습니다. 2D 데이터로만 학습된 모델은 재학습 없이 3D 변위 및 응력장을 정확하게 예측함으로써, 기하학, 차원 및 하중 조건 간의 성공적인 전이를 보여주었습니다.

2. 실제 실험 데이터로부터의 발견

프레임워크는 티타늄 합금 전단 쿠폰 테스트를 포함하는 **제2차 샌디아 파괴 챌린지(SFC2)**의 실제 데이터에 적용되었습니다:

• 목표: 알려진 정답 구성 모델 없이, 측정된 전단 하중-변위 곡선으로부터 소성 경화 법칙과 연성 손상 법칙을 직접 학습하는 것입니다.
• 방법: 2단계 과정이 사용되었습니다. 먼저, 상승 구간에서 경화 법칙을 학습했습니다. 그다음, 경화 연산자를 동결하고, 포스트 피크(post-peak) 연화를 포착하기 위해 정류된 적분 네트워크(rectified integral network)로 매개변수화된 비국소 연성 손상 연산자를 학습했습니다.
• 결과: 생성된 모델은 실험적 시편 간의 산포(피크 힘의 약 1.9% RMSE) 범위 내에서 피크 하중과 포스트 피크 연화를 포함한 전체 실험 응답을 재현했습니다. 학습된 연산자는 소성 변형과 손상을 전단 밴드(shear band)로 정확하게 국부화했습니다.

3. 과도 열역학 및 심볼릭 회귀

• 비선형 열전도율 (Nonlinear Thermal Conductivity): 과도 열전도 문제에서, 프레임워크는 노이즈가 포함된 온도장 측정값으로부터 온도 의존적 열전도율 함수를 학습했습니다. 학습된 연산자는 정답인 비선형 프로파일과 정확히 일치했습니다.
• 폐쇄형 수식 복구 (Closed-Form Recovery): 저자들은 학습된 신경 연산자에 심볼릭 회귀(PySR 사용)를 적용했습니다. 알고리즘은 정답 구조와 매우 높은 정확도($R^2 > 0.99$)로 일치하는 폐쇄형 멱법칙(power-law) 표현($k \propto T^{-\alpha}$)을 성공적으로 추출하였으며, 이는 FEML이 간접 데이터로부터 해석 가능한 물리 법칙을 복구할 수 있음을 입증합니다.

의의 및 주장

본 논문은 FEML이 구성별 솔루션 대리 모델을 학습하는 것에서 벗어나 재사용 가능한, 구성 독립적인 물리 연산자를 발견하는 데 초점을 맞춤으로써 기존 방법론과 차별화되는 진보를 이루었다고 주장합니다.

• 일반화 가능성: 특정 학습 분포에 묶여 있는 대리 모델(FNO/PINO)과 달리, FEML은 숨겨진 연산자 자체를 학습하므로 새로운 기하학, 경계 조건 및 이산화에 대한 제로샷 전이가 가능합니다.
• 간접 학습: 이 프레임워크는 변분 PDE 솔버 내에 ML 모델을 직접 삽내함으로써, 간접 측정값(변위/힘)으로부터 내부 연산자(예: 응력-변형률 관계)를 학습할 수 있는 독특한 능력을 갖추고 있습니다.
• 해석 가능성: SPONs와 후속 심볼릭 회귀를 사용함으로써, FEML은 블랙박스 신경망과 인간이 해석 가능한 물리 법칙 사이의 간극을 메웁니다.
• 모듈성: 단계적 발견 전략을 통해 이전에 학습된 구성 요소를 재사용함으로써 복잡한 물리적 설명(예: 탄성, 소성, 손상의 결합)을 점진적으로 구축할 수 있습니다.

저자들은 엔드 투 엔드 미분(에폭당 순방향 및 아드준트 솔브 필요)에 따른 계산 비용을 인정하면서도, ML 연산자의 오버헤드는 PDE 솔브에 비해 무시할 수 있는 수준이라고 언급했습니다. 그들은 FEML을 빠른 추론을 위한 솔루션 수준의 대리 모델의 경쟁자가 아니라, **물리 발견(physics discovery)**과 과학적 시뮬레이션을 위한 파운데이션 모델 구축을 위한 보완적 도구로 위치시킵니다.