Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion

당신이 완벽하고 새로운 레시피를 발명하려는 마스터 셰프라고 상상해 보세요. 당신은 온갖 식재료가 가득한 팬트리를 가지고 있고, 가장 맛있는 요리를 찾기 위해 가능한 모든 방식으로 재료들을 섞어보고 싶어 합니다. 하지만 여기 함정이 있습니다. 가능한 조합의 수가 너무 방대해서, 만약 당신이 모든 조합을 실제로 요리하고 맛보려 한다면, 당신은 남은 평생을 주방에서 보내게 될 것입니다. 이것은 과학자들이 새로운 재료를 설계할 때 직면하는 문제와 정확히 일치합니다. 그들에게는 미세 구조의 모양과 같은 설계 선택지라는 '팬트리'가 있고, 그들은 가장 강하거나 가장 가벼운 설계를 찾고자 합니다. 이를 돕기 위해, 그들은 컴퓨터와 스마트 알고리즘(머신러닝이라고 불리는)을 사용하여 실제로 요리하기 전에 어떤 레시피가 효과가 있을지 추측합니다. 하지만 이 똑똑한 컴퓨터들도 보통 잘 학습하기 위해서는 모든 종류의 레시피를 조금씩은 맛봐야 합니다. 현실 세계에서 과학자들은 종종 만들기 가장 쉽거나 저렴한 레시피만을 맛보게 되며, 이로 인해 지식에 거대한 공백이 생깁니다. 이 논문은 우리가 직접 요리하지 않고도 최고의 재료 설계를 더 빠르게 찾을 수 있도록, 이러한 공백을 메우는 영리한 새로운 방법을 탐구합니다.

이 연구의 배후에 있는 연구자들인 샨 파칼라(Shaan Pakala)와 그의 팀은 '격자 구조(lattice structures)'를 설계하는 과제에 도전했습니다. 이 구조들을 단순한 금속 덩어리가 아니라, 아주 작은 지지대들로 이루어진 복잡한 3D 벌집이나 비계(scaffolding) 같은 것이라고 생각해보세요. 이 구조들은 믿기 힘들 정도로 강하면서도 매우 가벼울 수 있어, 비행기나 의료용 임플란트 등에 완벽하게 적합합니다. 연구팀은 이 격자 구조의 '최적' 버전, 즉 무게 대비 최고의 기계적 성능(힘을 얼마나 잘 견디는지)을 내는 버전을 찾고자 했습니다.

보통 과학자들은 새로운 설계가 어떻게 작동할지 예측하기 위해 머신러닝 도구를 사용합니다. 이 논문은 이러한 도구들이 훈련 데이터(컴퓨터가 학습하는 예시들)가 케이크 전체에 설탕을 무작위로 뿌린 것처럼 고르게 퍼져 있을 때 매우 잘 작동한다고 설명합니다. 하지만 현실에서 과학자들은 불균일하게 샘플링하는 경우가 많습니다. 예를 들어, 실험실에서 만들기 쉬운 설계만을 테스트하거나, 제작 비용이 저렴한 설계만을 테스트할 수 있습니다. 이는 '편향된(biased)' 데이터를 만들어내며, 여기서 컴퓨터는 특정 설계는 명확하게 보지만 다른 부분에는 눈이 먼 상태가 됩니다. 저자들은 가우시안 프로세스(Gaussian Processes)나 XGBoost와 같은 표준 머신러ml 방법들이 편향된 데이터에 직면했을 때 어려움을 겪는다는 것을 발견했습니다. 즉, 이 방법들은 자신이 본 특정 설계들에 과적합(overfit)되어 혼란을 느끼거나, 보지 못한 설계들의 성능을 예측하는 데 실패합니다.

이를 해결하기 위해, 팀은 이 설계 문제를 '텐서 완결(tensor completion)'이라 불리는 거대한 다차원 퍼즐처럼 취급하는 다른 접근 방식을 제 제안했습니다. 루빅스 큐브를 상상해 보세요. 다만 각 작은 큐브가 색상 대신 재료의 강도를 나타내는 숫자를 담고 있는 형태입니다. 만약 당신이 (테스트한 설계들 때문에) 겉면의 숫자들만 알고 있다면, 텐서 완결은 그 큐브 안에 숨겨진 숫자들을 알아낼 수 있는 수학적인 마술입니다. 연구진은 자신들의 재료 설계를 다차원 퍼즐인 텐서로 변환했으며, 여기서 퍼즐의 각 면은 서로 다른 설계 변수를 나타냅니다. 그런 다음 그들은 알려진 조각들에서 발견한 패턴을 바탕으로 누락된 조각들을 채우기 위해 알고리즘을 사용했습니다.

팀은 실험자가 탐색 공간의 특정하고 편리한 영역만을 테스트하여 나머지 영역을 탐사하지 않은 시나리오를 시뮬레이션하여 이 방법을 테스트했습니다. 그들은 이 '텐서 완결' 방법을 표준 머신러닝 도구들과 비교했습니다. 결과는 표준 도구들이 데이터가 고르게 퍼져 있을 때는 괜찮은 성능을 보였지만, 텐서 완결 방식은 편향되고 불균일한 데이터를 처리하는 데 훨씬 더 뛰어났음을 보여주었습니다. 실제로 데이터가 편향되었을 때, 텐서 방법은 가장 우수한 전통적 방법과 비교하여 정확도(R² 점수로 측정됨)를 약 5% 향상시켰습니다. 또한 이 방법은 불균일한 샘플링에 의해 혼란을 겪지 않고도 보지 못한 설계들의 성능을 예측할 수 있었습니다.

이 논문은 이 접근 방식이 재료 과학자들에게 강력한 새로운 도구가 될 수 있음을 시사합니다. 이 연구가 재료 설계의 모든 문제를 해결했다고 주장하는 것은 아니지만, 문제를 단순히 암기해야 할 데이터 목록이 아니라 완성해야 할 퍼즐로 바라봄으로써, 우리는 새로운 재료에 대해 더 나은 추측을 할 수 있다는 것을 보여줍니다. 이는 우리가 모든 가능성을 테스트할 수 없을 때 특히 유용합니다. 저자들은 텐서 완결이 가능한 설계의 수가 기하급수적으로 증가함에 따라, 완벽한 격자 구조를 찾는 과정을 가속화하는 데 도움을 줄 수 있는 스마트한 '대리 모델(surrogate model, 값비싼 물리적 실험을 대신하는 똑똑한 대역)'로서 유망하다는 결론을 내렸습니다. 그들은 또한 다른 이들이 자신의 재료 퍼즐에도 이 방법이 작동하는지 직접 확인해 볼 수 있도록 코드를 공개했습니다.