Learning constitutive laws under explicit strain limits: An interpretable strain-limiting elasticity--Kolmogorov Arnold neural network framework

기술 요약: 명시적 변형 제한 조건 하에서의 구성 법칙 학습

문제 정의
정확한 구성 모델링(constitutive modeling)은 고체 역학, 특히 엘라스토머, 생체 조직, 폴리머와 같은 연성 재료의 거동을 예측하는 데 필수적이다. 고전적인 초탄성 이론은 종종 증가하는 응력 하에서 무한한 변형 성장을 가정하는데, 이러한 전제는 변형 포화(strain saturation) 또는 변형 제한(strain-limiting) 거동을 보이는 재료에는 부적합하다. 이러한 재료에서는 미세구조적 메커니즘(예: 사슬 정렬 및 네트워크 엉킴)으로 인해 응력이 증가하더라도 변형 증분은 점진적으로 작아진다. 이러한 효과를 무시하면 비물리적인 예측, 타원성(ellipticity) 상실, 그리고 모델이 보정 범위를 벗어나 외삽될 때 수치적 불안정성을 초래할 수 있다.

변형 제한 탄성(Strain-Limiting Elasticity, SLE) 모델은 높은 응력에서 유한한 변형과 소멸하는 접선 계수를 강제함으로써 이러한 문제를 해결하지만, 데이터 기반 학습 측면에서는 상당한 과제를 안겨준다. SLE 모델의 강력한 비선형성과 점근적 특성은 해석적 처리를 어렵게 만들며, 물리적 제약(예: 대칭성, 단조성, 유한성)을 위반하지 않으면서 저응력에서의 선형 근사 행동과 고응력에서의 포화 행동을 동시에 포착해야 하는 순수 데이터 기반 근사의 보정을 복잡하게 만든다. 또한, 기존의 "블랙박스" 신경망은 유연함에도 불구하고 이러한 필수적인 물리 원칙을 준수하는 데 실패하는 경우가 많아, 외삽 시 신뢰성을 제한한다.

방법론
저자들은 SLE와 **콜모고로프-아르노프 네트워크(Kolmogorov–Arnold Networks, KANs)**를 결합한 해석 가능한 하이브리드 구성 모델링 프레임워크를 제안한다. 핵심 전략은 역할의 엄격한 분리에 있다:

1. 물리 기반 백본(Physics-Based Backbone): SLE 모델이 주요 구성 법칙으로서 역할을 수행하며 지배적인 비선형 탄성 응답을 포착한다. 이 모델은 기본적인 역학 원칙인 홀수 대칭(tension/compression의 동일한 거동), 단조 응답, 유한한 변형 및 소멸하는 접선 계수를 명시적으로 강제한다.
2. 데이터 기반 잔차 보정(Data-Driven Residual Correction): KAN은 오직 응력 공간에서의 매끄럽고 진폭이 작은 잔차 보정을 학습하는 데에만 사용된다. KAN은 물리 법칙을 대체하는 것이 아니라, 모델의 이상화나 실험적 불확도에서 발생하는 편차를 설명하기 위해 물리 법칙을 보강하는 역할을 한다.

주요 기술 구성 요소:

• 구성 분해(Constitutive Decomposition): 응력-변형률 매핑은 부호 보존 재구성(sign-preserving reconstruction)과 크기 의존적 비선형 함수 $g(|\tau|)$로 분해된다. 이 구조는 등방성 탄성의 본질적인 대칭성을 반영한다.
• KAN 아키텍처: 함수 $g(|\tau|)$는 고정된 응력 크기 그리드 상에 정의된 **조각 선형 스플라인(piecewise-linear splines)**을 사용하여 표현된다. 이러한 선택을 통해 네트워크 파라미터(스플라인 계수)는 특정 응력 수준에서의 변형 크기라는 직접적인 물리적 해석을 갖게 되며, 접선 계수는 국부적인 기울기로 명시적으로 표현된다.
• 제약 조건 강제: 물리적 제약은 페널티 기반 정규화에 의존하는 대신 모델 아키텍처 내에 직접 삽입된다.
  • 홀수 대칭(Odd Symmetry): 크기로부터 부호가 있는 변형을 결정론적으로 재구성함으로써 강제된다.
  • 단조성(Monotonicity): 스플라인 기울기를 비음수(nonnegative)로 제한함으로써 강제된다.
  • 유한한 변형(Bounded Strain): 스플라인 계수를 이론적 변형 한계에 따라 제한함으로써 강제된다.
  • 강성 소멸(Vanishing Stiffness): 고응력 영역에서의 스플라인 기울기에 대한 정규화를 통해 장려된다.
• 학습 전략: 프레임워크는 데이터 충실도(MSE)와 단조성 및 변형 한계 위반에 대한 페널티를 결합한 물리 정보 손실 함수를 활용한다. 실험적 적용(Treloa 데이터)에서는 2단계 과정을 거친다. 먼저 SLE 파라미터를 실험 데이터에 맞게 보정하고, 그 다음 SLE 파라미터를 고정한 상태에서 잔차 응력을 학습하기 위해 KAN을 훈련한다.

결과
프레임워크는 합성 벤치마크와 고전적인 실험 데이터(일축, 이축 및 평면 변형 하의 Treloar 고무 탄성 실험)를 모두 사용하여 평가되었다.

• 합성 벤치마크:

  • 중간 정도의 변형 제한 영역에서, KAN 기반 정식화는 유한한 변형과 단조성을 엄격히 유지하면서 분석적인 SLE 법칙을 거의 완벽하게 회복하였다 ($R^2 > 0.999$).
  • 강한 변형 제한 영역(급격한 전이가 특징인 경우)에서, 모델은 물리적 허용성을 유지하였다. 고정된 스플라인 그리드의 유한한 해상도로 인해 급격한 전이 근처에서 국부적인 불일치가 나타났으나, 모델은 가짜 진동이나 단조성 상실 없이 점근적 포화 및 강성 감소를 정확하게 포착하였다. 저자들은 이러한 오차를 최적화 실패가 아닌 표현 해상도의 문제로 규정하였다.

• 실험 검증 (Treloar 데이터):

  • SLE 백본은 모든 변형 모드에서 지배적인 비선형 응답을 성공적으로 포착하였다.
  • 하이브리드 SLE-KAN 정식화는 매끄럽고 모드 의존적인 잔차 보정을 학습함으로써 측정된 응력-신장 응답과의 일치도를 체계적으로 개선하였다.
  • 결정적으로, 데이터 기반 구성 요소는 물리 기반 백본에 종속된 상태를 유지하였으며, 글로벌 구성 구조를 덮어쓰거나 유한한 변형을 위반하지 않았다.
  • 영역 기반 분석: 실험적 보정 범위를 넘어 변형 제한이 의도적으로 강화되었을 때(더 강한 물리적 제약), 실험 데이터와의 편차가 증가하였다. 그러나 이러한 편차는 모델의 부적절함이 아니라 부과된 물리적 제한의 결과로 투명하게 식별되었으며, 이는 데이터 충실도와 기계적 허용성 사이의 제어 가능한 트레이드오프를 보여준다.

주요 기여

1. 하이브리드 프레임워크: 기계적 허용성과 제어된 데이터 기반 유연성 사이의 균형을 맞추는 새로운 SLE-KAN 프레임워크를 도입하였다.
2. 해석 가능성: KAN이 스플라인 기반 표현과 결합될 때, 밀집 신경망(dense NN)의 불투명한 특성과 대조적으로 직접적인 물리적 의미를 갖는 투명한 내부 파라미터를 제공함을 입증하였다.
3. 구조적 강제: 페널티 항에 의존하지 않고도 물리적 제약(대칭성, 유한성, 단조성)을 네트워크 아키텍처에 직접 삽립하는 방법론을 제시하였다.
4. 트레이드오프 분석: 강한 제약 조건이 있는 영역에서의 편차가 물리적 제한의 명시적인 지표임을 밝힘으로써, 제약 없는 블랙박스 피팅에 대한 투명한 대안을 제시하였다.

의의
본 논문은 SLE-KAN 프레임워크가 구성 모델링을 위한 투명하고, 견고하며, 물리적으로 일관된 블랙박스 신경망의 대안을 제공한다고 주장한다. 이 연구의 의의는 예측의 견고함과 물리적 한계에 대한 엄격한 준수를 보장할 수 있다는 점에 있으며, 이는 실험 고체 역학 응용 분야에서 매우 중요하다. 기계적 허용성을 무제한적인 표현력보다 우선시함으로써, 이 프레임워크는 학습이 물리적으로 유효한 응답 공간 내에서만 이루어지도록 하는 원칙적인 접근 방식을 제공한다. 이는 특히 큰 변형 하에서의 해석 가능성과 신뢰성이 중요한 연성 재료 및 생체 조직 관련 응용 분야에 매우 적합하다. 저자들은 이 접근 방식이 단순한 예측을 넘어 진단적 통찰력까지 제공함으로써, 해석 가능한 물리 정보 기반 학습이 구성 모델링에서 실현 가능할 뿐만 아니라 유리하다는 것을 성공적으로 입증했다고 결론짓는다.