Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models

이 논문은 재료의 탄성 및 비탄성 거동을 기술하는 해석 가능한 기호적 구성 방정식을 자동으로 발견할 수 있는 새로운 인elastic Constitutive Kolmogorov-Arnold Networks(iCKANs) 프레임워크를 제안하고, 합성 및 실험 데이터를 통해 그 정확성과 물리적 해석 가능성을 입증했습니다.

핵심

이 논문은 **"재료가 어떻게 변형되고, 왜 그렇게 행동하는지"**를 수학 공식으로 자동으로 찾아내는 새로운 인공지능 기술을 소개합니다.

기존의 공학자들은 복잡한 재료의 성질을 설명하기 위해 수년 동안 시행착오를 거치며 공식을 만들어야 했습니다. 하지만 이 새로운 방법 (iCKANs) 은 마치 "재료가 속삭이는 이야기를 인공지능이 듣고, 그걸 다시 우리가 읽을 수 있는 쉬운 수학 언어로 번역해 주는" 역할을 합니다.

이 기술을 쉽게 이해할 수 있도록 몇 가지 비유로 설명해 드리겠습니다.

---

1. 문제: 재료는 왜 이렇게 변할까? (마치 미지의 우주선)

우리가 고무줄을 당기거나 플라스틱을 구부릴 때, 그 안에서는 복잡한 일들이 일어납니다.

• 탄성 (Elastic): 당겼다 놓으면 원래대로 돌아오는 성질 (고무줄처럼).
• 비탄성 (Inelastic): 당겼다 놓아도 원래대로 돌아오지 않고 영구적으로 변형되거나, 시간이 지나면서 서서히 변하는 성질 (점토나 치약처럼).

기존에는 이 복잡한 행동을 설명하는 '비밀 공식'을 찾아내려면 전문가들이 머리를 싸매고 수학적 모델을 직접 설계해야 했습니다. 하지만 재료마다 다르고, 온도가 변하면 또 달라져서 이 작업은 매우 어렵고 시간이 많이 걸렸습니다.

2. 해결책: iCKANs (지능형 재료 번역가)

이 논문에서 제안한 iCKANs는 인공지능의 일종인 **콜모고로프 - 아르놀드 네트워크 (KAN)**를 재료 과학에 적용한 것입니다.

• 비유: 요리 레시피 찾기
  기존 방법은 "이 재료를 만들려면 A, B, C 를 섞어야 할 것 같다"라고 전문가가 추측해서 레시피를 만드는 것이었습니다.
  하지만 iCKANs는 "이 재료를 실험실에서 다양한 조건으로 요리해 본 결과 데이터 (재료의 반응) 를 주면, AI 가 정확한 레시피 (수학 공식) 를 스스로 찾아내서 우리에게 알려줍니다."

3. 이 기술의 핵심 특징 3 가지

① "블랙박스"가 아닌 "유리창" (해석 가능성)

일반적인 인공지능 (딥러닝) 은 정답을 알려주지만, "왜 그런 답이 나왔는지"는 알 수 없는 블랙박스입니다. 마치 마법처럼 결과가 나오지만 원리를 모릅니다.
하지만 iCKANs는 유리창처럼 안이 다 보입니다.

• AI 가 찾아낸 공식은 우리가 읽을 수 있는 명확한 수학 식 (예: $y = ax^2 + b$) 으로 변환됩니다.
• 그래서 공학자들은 AI 가 찾아낸 공식이 물리 법칙을 따르는지, 어떤 원리로 작동하는지 바로 확인할 수 있습니다.

② 물리 법칙을 지키는 "안전장비" (열역학적 일관성)

AI 가 임의로 공식을 만들어내면, 물리 법칙 (예: 에너지는 사라지지 않는다) 을 위반할 수도 있습니다.
이 기술은 AI 가 공식을 만들 때 물리 법칙을 어기지 못하도록 설계되어 있습니다. 마치 "안전벨트"를 매고 운전하는 것과 같아서, AI 가 아무리 새로운 공식을 찾아도 물리적으로 불가능한 엉뚱한 결과는 나오지 않습니다.

③ 환경까지 고려하는 "만능 번역기" (추가 정보 처리)

재료는 온도나 습도 같은 환경에 따라 달라집니다.

• 기존: 온도가 변하면 또 다른 실험을 하고 또 다른 공식을 만들어야 했습니다.
• iCKANs: "이 재료는 온도가 20 도일 때 이렇게, 40 도일 때 저렇게 반응해"라고 데이터를 주면, 하나의 공식 안에 온도에 따른 변화까지 자연스럽게 녹여냅니다. 마치 날씨에 따라 옷차림을 자동으로 맞춰주는 스마트 의류처럼요.

4. 실제 실험 결과: 고무줄 (VHB) 을 테스트하다

연구진은 이 기술로 실제 실험 데이터 (VHB 4910, 4905 라는 특수 고무 재료) 를 분석했습니다.

• 결과: AI 는 실험실에서 측정한 복잡한 데이터들을 완벽하게 따라가면서, 간단하고 아름다운 수학 공식으로 재료를 설명해 냈습니다.
• 의미: 이제 우리는 복잡한 실험 데이터를 보고도, "아, 이 재료는 이런 간단한 법칙을 따르는구나!"라고 이해할 수 있게 되었습니다.

5. 결론: 왜 이 기술이 중요할까요?

이 기술은 재료 개발의 속도를 획기적으로 높여줍니다.

• 과거: "이 재료를 만들려면 10 년 걸릴지도 모른다."
• 미래: "이 데이터를 AI 에게 주면, 몇 시간 만에 이 재료가 어떻게 행동하는지, 어떤 공식으로 설명되는지 찾아낼 수 있다."

마치 재료의 행동을 관찰하는 '탐정'이 AI 가 되어, 그 행동을 설명하는 '수사 보고서 (수학 공식)'를 자동으로 작성해 주는 것과 같습니다. 이는 의료용 임플란트, 부드러운 로봇, 새로운 소재 개발 등 우리 삶을 바꿀 다양한 분야에서 혁신을 가져올 것입니다.

---

한 줄 요약:

"복잡한 재료의 행동을 AI 가 분석해서, 우리가 이해할 수 있는 명확한 수학 공식으로 자동 번역해주는 새로운 기술입니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 기존의 한계: 고체 역학에서 재료의 응력 - 변형률 관계를 정의하는 구성 법칙 (Constitutive Law) 을 찾는 것은 핵심 과제입니다. 기존 전통적 모델은 연속체 역학에 기반하지만, 복잡한 비탄성 거동 (점탄성, 소성 등) 을 포착하기 위해 과도한 단순화 가정을 사용하거나, 수작업으로 모델을 개발해야 하므로 시간과 전문 지식이 많이 소요됩니다.
• 데이터 기반 모델링의 딜레마: 최근 머신러닝을 활용한 데이터 기반 모델링이 발전했으나, 기존 신경망 (MLP 기반) 은 예측 정확도는 높을 수 있으나 물리적 해석 가능성 (Interpretability) 이 부족합니다. 반면, 기호 회귀 (Symbolic Regression) 기반 방법은 해석 가능하지만 복잡한 비탄성 거동을 표현하는 데 한계가 있습니다.
• 필요성: 물리 법칙 (열역학 일관성 등) 을 준수하면서도, 복잡한 비탄성 거동을 정확히 예측하고 그 결과를 닫힌 형식 (Closed-form) 의 수학적 식으로 해석 가능하게 도출할 수 있는 프레임워크가 필요합니다.

2. 방법론 (Methodology)

2.1. 이론적 기반: 일반화된 표준 재료 프레임워크

논문은 유한 변형 (Finite Strain) 상태의 비탄성 재료를 기술하기 위해 일반화된 표준 재료 (Generalized Standard Materials) 프레임워크를 기반으로 합니다.

• 변형률 분해: 변형률 기울기 (Deformation Gradient, $F$) 를 탄성 부분 ($F_e$) 과 비탄성 부분 ($F_i$) 으로 곱셈 분해합니다.
• 잠재 함수 (Potentials):
  • 탄성 잠재 함수 ($\psi$): 탄성 변형에 따른 자유 에너지를 정의합니다.
  • 비탄성 잠재 함수 ($\omega$): 비탄성 변형의 진화를 지배하며, 열역학적 일관성 (소산 불등식) 을 만족해야 합니다.
• 열역학적 일관성: 이 프레임워크는 물리 법칙을 네트워크 구조에 내재화하여, 학습된 모델이 물리적으로 타당한지 보장합니다.

2.2. iCKANs 아키텍처

기존의 구성 신경망 (CANN) 을 콜모고로프 - 아르니드 네트워크 (KAN) 로 확장한 것이 핵심입니다.

• KAN (Kolmogorov-Arnold Networks): 기존 신경망의 가중치 선형 결합 후 비선형 활성화 함수 대신, 학습 가능한 B-스플라인 (B-Spline) 활성화 함수를 사용합니다. 이는 함수의 형태를 기호적으로 추출할 수 있게 해줍니다.
• 부분적 입력 볼록성 (Partially Input-Convex):
  • 탄성 및 비탄성 잠재 함수는 특정 입력 (예: 변형률 불변량, 응력 불변량) 에 대해 **볼록 (Convex)**해야 물리 법칙을 만족합니다.
  • iCKAN 은 이러한 볼록성 제약 조건을 B-스플라인의 제어점 (Control Points) 제약을 통해 네트워크 구조 자체에 부과합니다.
  • 온도나 가공 조건과 같은 비기계적 특징 (Features) 에 대해서는 볼록성 제약 없이 유연하게 학습할 수 있도록 설계되었습니다.
• 시각적 표현:
  • 탄성 부분: 스프링 (Spring) 역할.
  • 비탄성 부분: 대시팟 (Dashpot) 역할.
  • 병렬 구조를 통해 복잡한 점탄성 거동 (Maxwell 모델 등) 을 표현할 수 있습니다.

2.3. 기호화 (Symbolification) 및 해석 가능성

학습이 완료된 KAN 모델은 **기호 회귀 (Symbolic Regression)**를 통해 해석 가능한 수학적 식으로 변환됩니다.

• 희소화 (Sparsification): L1 정규화와 가지치기 (Pruning) 를 통해 불필요한 연결을 제거합니다.
• 기호 추출: 학습된 B-스플라인 활성화 함수를 다항식, 지수 함수, 로그 함수 등의 기저 함수 라이브러리에서 최적의 수학적 식으로 근사화합니다.
• 결과: 최종적으로 복잡한 신경망이 아닌, 물리적으로 해석 가능한 닫힌 형식의 구성 방정식을 얻습니다.

3. 주요 기여 (Key Contributions)

1. iCKAN 프레임워크 제안: 비탄성 재료의 탄성 및 비탄성 잠재 함수를 동시에 자동으로 발견하는 최초의 KAN 기반 프레임워크를 제시했습니다.
2. 물리적 일관성과 해석 가능성의 동시 달성: 열역학 법칙을 네트워크 구조에 내재화하여 물리적으로 타당한 모델을 생성하면서도, 최종 결과를 인간이 이해할 수 있는 수학적 식으로 제공합니다.
3. 다중 특징 (Multi-feature) 처리 능력: 온도, 변형률 속도 등 기계적 데이터 외의 추가 정보를 입력으로 받아 재료의 거동을 모델링할 수 있습니다. 이는 기존 모델이 다루기 어려웠던 환경 의존적 거동을 자동 발견할 수 있게 합니다.
4. 유한 변형 비탄성 문제 해결: 기존 KAN 연구가 주로 초탄성 (Hyperelastic) 재료에 국한되었던 것과 달리, 점탄성 및 소성 거동을 포함하는 비탄성 문제를 성공적으로 해결했습니다.

4. 실험 결과 (Results)

4.1. 합성 데이터 검증 (Synthetic Data)

• 알려진 수학적 식 (Neo-Hookean 탄성 + 특정 비탄성 잠재 함수) 으로 생성된 데이터를 사용하여 iCKAN 을 훈련시켰습니다.
• 결과: iCKAN 은 훈련 데이터뿐만 아니라 훈련되지 않은 영역 (Extrapolation) 에서도 정확한 응력 - 변형률 거동을 예측했습니다.
• 기호화 성공: 학습된 모델이 원래의 정확한 수학적 식 ($\psi = a \cdot \hat{I}_1 + b \cdot \hat{I}_2 + \dots$) 을 높은 정확도로 복원해냈습니다.

4.2. 실험 데이터 적용 (Experimental Data)

• VHB 4910 (점탄성 고분자): 다양한 변형률 속도와 최대 신장률에서의 실험 데이터를 학습하여 복잡한 점탄성 거동을 모델링했습니다. 두 개의 병렬 iCKAN 브랜치를 사용하여 다양한 시간 의존적 거동을 성공적으로 포착했습니다.
• VHB 4905 (온도 의존성 점탄성 고분자): **온도 ($\theta$)**를 추가적인 특징 (Feature) 으로 입력하여 모델링했습니다.
  • 단일 iCKAN 모델이 다양한 온도 조건 ($0 \sim 80^\circ C$) 에서의 거동을 모두 설명할 수 있었습니다.
  • 기호화 과정을 통해 **온도에 따른 탄성 잠재 함수의 변화 ($g(\theta)$)**를 명시적인 다항식 식으로 도출했습니다. 이는 재료의 온도에 따른 물성 변화를 수학적으로 해석 가능하게 보여줍니다.

5. 의의 및 결론 (Significance)

• 자동화된 재료 모델 발견: 전문가의 직관과 시행착오에 의존하던 재료 모델 개발 과정을 자동화하고 가속화할 수 있습니다.
• 블랙박스 해결: 딥러닝의 '블랙박스' 문제를 해결하여, AI 가 발견한 모델이 왜 그런 거동을 보이는지 물리적으로 설명할 수 있게 합니다.
• 실용적 적용: 추출된 해석적 식은 유한 요소 해석 (FEA) 솔버에 직접 통합되어 계산 효율성을 높일 수 있습니다.
• 미래 전망: 이 프레임워크는 소성, 손상, 성장 및 리모델링 등 다양한 비탄성 현상뿐만 아니라, 복합 재료나 생체 재료와 같은 복잡한 시스템의 구성 법칙을 발견하는 데에도 확장 가능할 것으로 기대됩니다.

요약하자면, 이 논문은 AI 의 예측 능력과 물리 법칙의 해석 가능성을 결합하여, 복잡한 비탄성 재료의 거동을 자동으로 이해하고 수학적 식으로 도출하는 획기적인 방법론을 제시했습니다.