Non-Newtonian viscous fluid models with learned rheology accurately reproduce Lagrangian sea ice simulations

이 논문은 이산 요소법(discrete element method) 시뮬레이션으로부터 농도 의존적인 정확한 비뉴턴 유변학 모델을 추론하는 머신러닝 프레임워크를 제시하며, 이를 통해 다양한 빙하 농도에 걸쳐 전단 희화화(shear-thinning) 및 전단 농후화(shear-thickening)와 같은 복잡한 거동을 포착하는 효율적이고 정밀한 대규모 라그랑주 해빙 모델링을 가능하게 한다.

핵심

북극해를 수백만 개의 개별 얼음 덩어리, 즉 "유빙(floes)"으로 이루어진 거대한 얼음 퍼즐이라고 상상해 보세요. 이 덩어리들은 떠다니고, 서로 충돌하며, 서로 맞부딪히고, 때로는 쌓여서 능선을 형성하기도 합니다. 수십 년 동안 과학자들은 이 거대한 퍼즐이 어떻게 움직이는지 예측하기 위해 컴퓨터 모델을 사용해 왔습니다.

과거의 방식: 대략적인 추측
전통적으로 과학자들은 해빙을 두껍고 끈적한 유체(꿀이나 페인트 같은)처럼 취급했습니다. 그들은 압력을 받을 때 얼음이 얼마나 "두꺼운지" 또는 "끈적이는지"를 추측하기 위해 50년 된 레시피를 사용했습니다. 이 레시피는 해양 중앙의 얼음이 빽빽하게 들어찬 경우에는 잘 작동하지만, 얼음이 얇아지거나 가장자리에 가까워지면 무너집니다. 이는 마치 사람들이 어떻게 움직이는지 예측하기 위해 모든 사람을 하나의 단단한 점토 덩어리로 가정하는 것과 같습니다. 사람들이 각자 부딪히고, 미끄러지고, 서로 밀치는 것을 무시하는 것입니다.

새로운 방식: "입자"로부터 배우기
이 논문의 저자들은 더 나은 레시피를 원했습니다. 그들은 먼저 "이산 요소법(Discrete Element Method, DEM)"이라는 초정밀 컴퓨터 시뮬레이션에서 시작했습니다. 이것은 모든 얼음 덩어리가 각자의 물리 법칙을 가진 별개의 캐릭터인 고사양 비디오 게임과 같습니다. 이는 모든 충돌과 마찰 지점을 계산합니다. 이는 매우 정확하지만, 계산량이 너무 많아서 전 세계의 바다 전체에 대해 실행하는 것은 불가능합니다.

그래서 팀은 질문했습니다. 더 단순한 모델이 어떻게 이 초정밀 게임처럼 행동하도록 가르칠 수 있을까?

해결책: "스마트한" 유체
그들은 얼음을 다시 유체로 취급하되, 얼음이 얼마나 "두꺼운지"에 대한 고정된 오래된 레시피를 사용하는 대신, **인공지능(AI)**을 사용하여 실시간으로 레시피를 학습하는 새로운 모델을 만들었습니다.

그들이 이 작업을 수행한 방법은 다음과 같은 간단한 비유를 통해 설명할 수 있습니다:

1. 선생님: 초정밀 "비디오 게임"(DEM)이 선생님 역할을 합니다. 시뮬레이션을 실행하고 그 결과로 나타나는 얼음의 속도와 방향을 보여줍니다.
2. 학생: 새로운 단순한 유체 모델이 학생 역할을 합니다. 이 모델은 특정 순간에 얼음이 얼마나 두꺼운지 추측하는 "두뇌"(신경망)를 가지고 있습니다.
3. 수업: 학생은 선생님의 결과를 모방하려고 노력합니다. 만약 학생의 얼음 속도 예측이 틀리면, AI 두뇌는 선생님의 답에 더 가까워지도록 내부 설정을 조정합니다.
4. 규칙: 결정적으로, 그들은 단순히 AI가 아무렇게나 추측하게 내버려 두지 않았습니다. 그들은 AI가 물리 법칙(에너지 보존 및 대칭성 등)을 따르도록 강제하여 결과가 실제 세상에서 말이 되도록 했습니다.

그들이 발견한 것
AI가 상세한 시뮬레이션으로부터 학습하게 함으로써, 그들은 해빙에 대해 몇 가지 놀라운 사실을 발견했습니다:

• 단순히 끈적이는 것이 아니라, "스마트"합니다: 얼음은 항상 똑같이 행동하지 않습니다.
  • 얼음이 적당히 밀집되어 있을 때, 얼음은 전단 농후(shear-thickening) 유체(전분물과 물 같은)처럼 행동합니다. 즉, 더 빨리 밀수록 더 단단해지고 저항이 커지며, 마치 고체 암석처럼 변하는 것과 같습니다.
  • 얼음이 매우 빽빽하게 밀집되어 있을 때, 얼음은 전단 박화(shear-thinning) 유체(케첩 같은)처럼 행동합니다. 즉, 더 빨리 밀수록 오히려 더 쉽게 흐릅니다.
• 작은 변화, 거대한 효과: 해양의 얼음 피복 면적이 아주 조금(단 5%의 차이) 변하는 것만으로도 얼음의 "두께"(점도)가 수천 배 변할 수 있습니다. 이는 마치 아주 미세한 조절만으로도 "묽은 상태"에서 "고체 상태"로 바뀌는 스위치와 같습니다.
• 어디서든 작동합니다: 그들이 단순한 직선 형태의 바람과 해류를 사용하여 AI를 가르쳤음에도 불구하고, 이 모델은 복잡하게 소용돌이치거나 변화하는 기상 패턴 속에서 얼음이 어떻게 움직이는지 성공적으로 예측할 수 있었습니다. 심지어 직선 형태가 아닌 2D 지도에서도 테스트했을 때도 잘 작동했습니다.

이것이 중요한 이유
이 논문은 이 방법이 중대한 진전이라고 결론짓습니다. 오래되고 불완전한 공식으로 얼음의 행동을 추측하는 대신, 이제 우리는 고정밀 데이터로부터 직접 규칙을 "학습"할 수 있습니다. 이를 통해 과학자들은 전 지구적 규모로 빠르게 실행할 수 있으면서도, 얼음 덩어리들이 실제로 상호작용하는 복잡하고 울퉁불퉁한 현실을 포착할 수 있을 만큼 정확한 모델을 만들 수 있습니다.

요약하자면, 그들은 단순한 유체 모델이 복잡한 얼음 덩어리 무리처럼 "생각"하도록 가르쳤으며, 그 결과 우리 얼어붙은 바다가 어떻게 움직일지를 훨씬 더 정확하게 예측할 수 있게 되었습니다.

기술 요약

기술 요약: 해빙(Sea Ice)을 위한 학습된 유변학 기반의 비뉴턴 점성 유체 모델

문제 정의
해빙 역학을 정확하게 예측하는 것은 기후 모델링과 연안 안전 측면에서 매우 중요하지만, 기존의 연속체 모델은 상당한 한계에 직면해 있다. 표준적인 접근 방식인 Hibler의 점성-소성(viscous-plastic) 모델(50년 전의 AIDJEX 연구에 기반함)은 중앙 해빙 지역의 밀집된 얼음에는 적절히 작동하지만, 주변 해빙 구역(marginal ice zone)에서는 예측 정확도가 떨어진다. 이러한 영역에서는 얼음 농도가 낮아짐에 따라 충돌, 마찰 접촉, 리징(ridging)과 같은 입자적 효과가 나타나는데, Hibler 모델은 이를 포착하지 못한다. 반대로, 개별 얼음 판(floe)과 그 상호작용을 분해하여 계산하는 이산 요소법(Discrete Element Methods, DEM)은 높은 충실도를 제공하지만, 대규모 시뮬레이션에는 계산 비용이 너무 많이 든다. 또한, 과학적 머신러닝(sciML)을 이용한 데이터 기반 접근 방식이 유변학을 매개변수화하기 위해 등장했으나, 많은 방식이 노이즈가 있거나 관측을 통해 얻기 어려운 사전 정의된 함수 형태나 응력-변형률 데이터에 의존한다. 더욱이, 기존 연구들은 대개 표준적인 비선형 점성 모델이 충분히 작동할 것으로 예상되는 유체를 대상으로 하며, 복잡한 DEM 해빙 데이터의 유변학적 구조는 명확히 정의되지 않은 상태이다.

방법론
저자들은 DEM(구체적으로 SubZero 모델)에 의해 계산된 속도장을 재현하는 연속체 비뉴턴 점성 유체 모델을 추론하기 위한 프레임워크를 제안한다. 핵심 방법론은 다음과 같은 단계로 구성된다:

1. 데이터 생성: 저자들은 충돌과 마찰을 통해 상호작용하는 불규칙한 다각형 얼음 판을 시뮬레이션하는 SubZero DEM을 사용하여 훈련 데이터를 생성한다. 시뮬레이션은 단방향 평행 전단 흐름 설정에서 해양 항력과 바람의 힘에 의해 구동된다. DEM은 수천 개의 얼음 판의 움직임을 분해하며, 여기서 수평 속도와 전단 응력은 격자 셀 상에서 공간적으로 평균화되어 오일러 데이터셋(Eulerian datasets)으로 생성된다.
2. 유변학 매개변수화: 특정 함수 형태를 가정하는 대신, 유효 전단 점성 $\psi$를 피드포워드 신경망(NN)으로 표현한다. 유변학은 물리적 원칙에 의해 제약된다:
   • 프레임 불변성(Frame-Indifference): 구성 법칙은 변형률 텐서의 주 불변량에 대한 스칼라 함수로 정식화된다 (1차원에서는 $\tau = 2\psi(|\dot{\gamma}|, A)\dot{\gamma}$).
   • 양의 값 및 단조성(Positivity and Monotonicity): NN 구조는 ELU 활성화 함수를 사용하여 비음수(non-negative) 점성을 강제하고, 응력-변형률 맵의 단조성을 보장함으로써 결과적인 PDE가 잘 정의되고 유일하게 풀릴 수 있도록 한다.
3. 훈련 전략 (PDE 제약 최적화): 응력-변형률 오차를 최소화하는 일반적인 방식과 달리, 이 프레임워크는 DEM의 속도 데이터와 연속체 운동 방정식의 해 사이의 오차를 최소화한다. 훈련 목적 함수는 $J_v(\theta) = \sum |u_k - \langle u(\theta, A) \rangle_k|^2$이며, 여기서 $u(\theta, A)$는 PDE $\rho_i H \partial_t u - \partial_y \tau = \tau_o + \tau_w$의 해이다.
   • 최적화는 유한 요소법(Firedrake)과 자동 미분(PyTorch)의 결 조합을 사용하여 수행된다.
   • 그래디언트는 어드조인트 방법(adjoint method)을 통해 계산되며, NN 가중치 $\theta$를 업데이트하기 위해 선형화된 어드조인트 문제를 해결한다.
   • 2단계 최적화가 사용된다: 먼저 응력-변형률 오차($J_s$)를 최소화하여 초기 추측값을 제공한 후, 속도 오차($J_v$)를 통해 정밀하게 조정한다.

주요 결과
본 연구는 학습된 비선형 유변학이 광범위한 조건에서 DEM 속도장을 정확하게 재현할 수 있음을 보여준다:

• 전단 농축(Shear-Thickening) 및 전단 희박(Shear-Thinning): 추론된 유변학은 얼음 농도($A$)에 따른 행동 변화를 드러낸다. 낮은 농도(예: $A=0.85$)에서 해빙은 전단 농축 거동(변형률률에 따라 점성이 증가)을 보인다. 높은 농도(예: $A=0.95$)에서는 전단 희박 거동으로 전환된다.
• 농도에 대한 민감도: 유효 전단 점성은 얼음 농도의 작은 변화(단 5%의 변화만으로도)에 따라 몇 차수(orders of magnitude) 이상 증가하는 것으로 나타났다.
• 일반화 성능: 고정된 가중치를 가진 훈련된 모델은 다음 상황에서도 성공적으로 일반화된다:
  • 다양한 강제력: 시간 의존적인 바람 및 해양 프로파일에 의해 구동되는 비정상(unsteady) 문제, 여기에는 훈련 세트에 없던 농도(예: $A=0.875$)가 포함된다.
  • 2D 구성: 모델은 2차원 비압축성 설정에서 속도장을 정확하게 재현하며, DEM에서 관찰된 대칭성을 보존한다. 다만, 국지적 농도 재분배와 같은 압축성 효과는 포착할 수 없다.
• 응력-변형률 피팅과의 비교: 저자들은 노이즈가 있는 DEM의 응력-변형률 데이터를 밀접하게 피팅하는 모델이 반드시 속도장을 정확하게 재현하는 것은 아니라는 점에 주목한다. 속도 기반 최적화($J_v$)가 거시적 역학을 포착하는 데 더 우수함이 입증되었다.

의의 및 주장
본 논문은 이 프레임워크가 관측된 해빙 역학을 정확하게 재현하는 비뉴턴 모델을 개발하는 데 있어 "중대한 진전"이라고 주장한다. 속도 데이터(응력 데이터보다 위성 영상 등을 통해 얻기 쉬움)로부터 직접 유변학을 추론하고 훈련 루프 내에 지배 PDE를 내재시킴으로써, 이 방법은 현상론적 매개변수화의 한계와 DEM의 높은 계산 비용을 극복한다.

저자들은 이 접근 방식이 기존의 유변학적 형태를 가정하지 않으므로, Hibler의 모델(모든 농도에 대해 소성 거동을 예측함)이나 단순한 충돌 모델이 놓칠 수 있는 복잡한 행동(전단 농축에서 전단 희박으로의 전환과 같은)을 발견할 수 있다고 강조한다. 현재 모델은 비압축성을 가정하고 파쇄(fracturing)나 리징(ridging)과 같은 기계적 변형을 무시하지만, 이 프레임워크는 입자적 해빙 흐름의 필수적인 역학을 포착하는 물리적으로 타당하고 계산 효율적인 연속체 모델을 제공한다. 이 연구는 데이터 기반 유변학 추론이 고충실도 이산 시뮬레이션과 확장 가능한 연속체 모델 사이의 간극을 메울 수 있음을 시사한다.