Physics-constrained symbolic regression for discovering closed-form equations of multimodal water retention curves from experimental data

이 논문은 물리 법칙을 제약 조건으로 활용한 기계학습 프레임워크를 통해 실험 데이터로부터 다중 모드 수분 보유 곡선의 폐형 수식을 자동으로 발견하는 방법을 제시하고, 이를 오픈소스로 공개하여 porous materials 의 복잡한 수분 거동을 해석 가능하고 일반화 가능한 방식으로 모델링할 수 있음을 보여줍니다.

핵심

이 논문은 **"흙이나 바위 같은 다공성 물질이 물을 얼마나 잘 머금고 있는지"**를 설명하는 새로운 수학적 공식을 찾아내는 방법에 대한 연구입니다.

기존의 방법들은 너무 단순하거나, 너무 복잡해서 이해하기 어려웠는데, 이 연구는 **"물리 법칙을 지키는 AI"**를 만들어서, 실험 데이터만 보고도 자연스러운 수식 (공식) 을 자동으로 찾아낸다고 합니다.

이 내용을 누구나 쉽게 이해할 수 있도록 세 가지 핵심 비유로 설명해 드리겠습니다.

---

1. 문제: "너무 단순한 지도 vs 너무 복잡한 지도"

우리가 흙이나 모래가 물을 머금는 성질 (수분 보유 곡선) 을 설명할 때, 기존에는 두 가지 방식만 썼습니다.

• 기존 방식 A (단순한 공식): "물은 이렇게 줄어든다"라고 정해진 공식을 썼습니다. 하지만 흙의 구멍 (기공) 크기가 다양할 때는 이 공식이 맞지 않아서, 여러 개의 공식을 붙여야 했습니다. 이는 마치 한 장의 지도에 여러 나라를 억지로 붙여놓은 것처럼, 이해하기 어렵고 계산이 복잡해집니다.
• 기존 방식 B (딥러닝/블랙박스): AI 에게 데이터를 주면 정확한 곡선을 그립니다. 하지만 이 AI 는 **"블랙박스"**입니다. 왜 그런 결과가 나왔는지, 어떤 원리인지 알 수 없습니다. 마치 요리사가 요리를 해줬는데 레시피를 알려주지 않는 것과 같습니다. 공학자들은 "왜?"라는 질문에 답을 못 받으면 그 공식을 믿고 쓰지 못합니다.

2. 해결책: "물리 법칙을 지키는 탐정 (PCSR)"

이 연구팀은 새로운 AI, 즉 **물리 제약이 있는 기호 회귀 (PCSR)**라는 탐정을 투입했습니다. 이 탐정은 다음과 같은 특징이 있습니다.

• 수식을 직접 찾아냅니다: AI 가 답을 말해주는 게 아니라, 수학 공식 자체를 찾아냅니다. (예: y = sin(x) + 0.5 처럼) 그래서 레시피가 명확합니다.
• 물리 법칙을 엄격하게 지킵니다: 이 탐정은 "물리 법칙"이라는 강력한 규칙을 가지고 있습니다.
  • 규칙 1 (단조성): 마실수록 물이 줄어야지, 마실수록 물이 늘어나면 안 됩니다. (공식 그래프가 항상 아래로 내려가야 함)
  • 규칙 2 (한계): 물이 다 마르면 0 이 되어야 하고, 물이 가득 차면 1 이 되어야 합니다. (0 과 1 사이를 벗어날 수 없음)
  • 규칙 3 (모드 개수): 흙의 구멍 크기가 2 가지라면, 그래프의 굽힘 (굴곡) 도 2 개여야 합니다.

3. 작동 원리: "유전 알고리즘으로 진화시키는 과정"

이 탐정은 어떻게 수식을 찾아낼까요? 진화론을 사용합니다.

1. 무작위 생성: 처음에는 엉뚱한 수식들 (나무 가지처럼 복잡한 공식들) 을 무작위로 만듭니다.
2. 자연 선택: 실험 데이터와 가장 잘 맞고, 물리 법칙을 가장 잘 지키는 수식들을 고릅니다.
3. 돌연변이와 교배: 좋은 수식들을 섞거나 살짝 바꿔서 더 좋은 수식을 만듭니다. (예: sin(x) 대신 cos(x)를 써보거나, 숫자를 조금 바꿔봄)
4. 물리 법칙의 감시: 만약 만들어진 수식이 "물이 마를수록 늘어났다"거나 "물이 200% 가 되었다"면, 엄청나게 큰 벌점을 줍니다. 그래서 AI 는 물리 법칙을 위반하는 수식을 만들지 못하게 됩니다.

4. 결과: "가장 완벽한 레시피 완성"

연구 결과, 이 방법은 다음과 같은 성과를 냈습니다.

• 단순한 흙 (단일 구멍): 기존에 쓰던 복잡한 공식보다 더 정확하고 깔끔한 수식을 찾아냈습니다.
• 복잡한 흙 (여러 구멍): 구멍 크기가 여러 개인 흙도, 물리 법칙을 지키면서 정확한 수식을 찾아냈습니다. 특히 기존 AI 는 데이터가 조금만 없어도 엉뚱한 곡선을 그렸는데, 이 방법은 데이터가 적어도 물리 법칙 덕분에 엉뚱한 답을 내지 않았습니다.

요약: 왜 이것이 중요한가요?

이 연구는 **"블랙박스 AI 의 불투명함"**과 **"기존 공식의 부정확함"**이라는 두 마리 토끼를 다 잡았습니다.

• 결과물: 컴퓨터가 찾아낸 명확한 수식입니다.
• 장점: 공학자들이 이 수식을 바로 공학 프로그램에 넣어서 사용할 수 있습니다. (블랙박스처럼 까맣게 숨겨진 게 아님)
• 의미: 흙이나 암석의 복잡한 성질을, 자연의 법칙을 위반하지 않으면서 가장 간단하고 정확한 공식으로 설명할 수 있게 되었습니다.

마치 요리사 (AI) 가 실험실 데이터만 보고, "맛있고 건강해야 한다"는 규칙 (물리 법칙) 을 지키면서, 누구나 따라 할 수 있는 명확한 레시피 (수식) 를 찾아낸 것과 같습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 다공성 물질의 포화도 (Saturation) 와 모세관 흡입력 (Matric Suction) 간의 관계를 나타내는 '수분 보유 곡선 (Water Retention Curve)'은 포화되지 않은 유동 모델링의 핵심 구성 요소입니다.
• 기존 방법의 한계:
  • 단일 모드 (Unimodal) 가정: 반경험적 모델 (Van Genuchten, Brooks 등) 은 일반적으로 단일 모드 (단일 구멍 크기 분포) 를 가정하여 복잡한 다중 모드 (Multimodal) 구조를 가진 재료의 거동을 정확히 포착하지 못합니다.
  • 중첩 기법의 문제: 다중 모드를 표현하기 위해 여러 단일 모드 모델을 중첩 (Superposition) 하는 방식은 각 모드별 매개변수 식별이 필요하여 해석 가능성 (Interpretability) 과 일반화 능력이 떨어지며, 데이터가 부족한 경우 적용이 어렵습니다.
  • 딥러닝의 블랙박스 문제: 데이터 기반의 딥러닝 모델은 복잡한 비선형 관계를 학습할 수 있지만, 해석이 불가능하고 물리 법칙 (예: 포화도 > 1, 비단조적 거동) 을 위반할 수 있어 공학적 신뢰성이 낮습니다.
  • 기존 심볼릭 회귀 (Symbolic Regression) 의 한계: 심볼릭 회귀는 해석 가능한 수식을 찾지만, 노이즈에 민감하고 과적합 (Overfitting) 되기 쉬우며, 물리적으로 타당하지 않은 해를 찾을 수 있습니다.

2. 제안된 방법론 (Methodology)

저자들은 물리 제약 심볼릭 회귀 (Physics-Constrained Symbolic Regression, PCSR) 프레임워크를 제안했습니다. 이는 실험 데이터로부터 직접 폐형 (Closed-form) 수식을 자동 발견하는 메타 모델링 접근법입니다.

• 핵심 알고리즘: 유전 프로그래밍 (Genetic Programming, GP) 을 기반으로 하며, 수식 후보들을 이진 트리 (Binary Tree) 로 표현하고 진화 연산 (선택, 변이, 교차) 을 통해 최적의 수식을 탐색합니다.
• 물리 제약 (Physics Constraints) 통합: 손실 함수 (Loss Function) 에 물리 법칙을 직접 반영하여 학습을 유도합니다. 총 손실 함수 $L$은 다음과 같이 구성됩니다:
  $$L = L_{data} + L_{phys} + L_{mode}$$
  1. 데이터 손실 ($L_{data}$): 실험 데이터와의 오차 (MSE) 최소화.
  2. 물리 손실 ($L_{phys}$): 물리 법칙 위반에 대한 패널티 부과.
     • 단조성 (Monotonicity): 흡입력 증가 시 포화도는 감소해야 함 ($dS_w/ds \le 0$).
     • 한계 조건 (Limiting): 포화 상태 ($s_{min}$) 와 잔류 상태 ($s_{res}$) 에서 포화도 변화율이 0 이 되어야 함.
     • 유계성 (Boundedness): 포화도 범위가 $0 \le S_w \le 1$이어야 함.
  3. 모드 손실 ($L_{mode}$): 목표하는 다중 모드 (Pore size distribution modes) 의 수를 정확히 맞추도록 유도 (예: 2 개의 피크를 가진 곡선).
• 데이터 전처리: 흡입력과 포화도를 로그 변환 및 정규화 ($s^*, S^*_w \in [0, 1]$) 하여 학습 안정성을 높이고, 물리 제약을 정규화된 공간에서 적용합니다.
• 구현: Julia 패키지의 SymbolicRegression.jl을 기반으로 개발되었으며, 오픈 소스로 공개되었습니다.

3. 주요 결과 (Results)

연구팀은 단일 모드 (Unimodal) 와 다중 모드 (Multimodal) 수분 보유 데이터에 대해 PCSR 을 적용하고 기존 방법 (Van Genuchten 모델, Van Genuchten 중첩 모델, 일반 심볼릭 회귀) 과 비교했습니다.

• 단일 모드 데이터 (Unimodal):
  • 일반 심볼릭 회귀 (Vanilla SR) 는 데이터에 과적합되어 불필요한 진동 (Fluctuation) 을 보였으며, 물리 제약을 적용한 PCSR 은 이를 억제했습니다.
  • 모드 제약 ($L_{mode}$) 의 중요성: 모드 제약을 추가한 PCSR 만이 물리적으로 타당하고 단일 피크를 가진 정확한 수식을 발견했습니다. 제약이 없는 경우 모델이 복잡한 수식을 생성하며 과적합되는 경향이 있었습니다.
• 다중 모드 데이터 (Multimodal):
  • 실험 데이터 (이중 모드) 와 합성 데이터 (3 모드, 4 모드) 에서 PCSR 은 목표한 수의 모드 (Inflection points) 를 정확히 재현했습니다.
  • 일반 SR 은 노이즈에 민감하여 물리적으로 불가능한 거동을 보였고, Durner 모델 (기존 중첩 방식) 보다 더 유연하고 정확한 폐형 방정식을 도출했습니다.
• 수식 발견: 발견된 수식은 복잡할 수 있으나, 블랙박스 모델과 달리 해석이 가능하고 기존 유한요소 해석 코드 등에 직접 통합하여 사용할 수 있는 폐형 (Closed-form) 형태입니다.

4. 주요 기여 (Key Contributions)

1. 물리 제약 심볼릭 회귀 (PCSR) 프레임워크 제안: 데이터 기반 학습과 물리 법칙 (단조성, 한계 조건 등) 을 동시에 만족하는 폐형 수식 발견을 위한 새로운 메커니즘을 제시했습니다.
2. 다중 모드 수분 보유 곡선 모델링: 복잡한 다중 구멍 크기 분포를 가진 재료에 대해, 별도의 매개변수 식별 없이 실험 데이터로부터 직접 정확한 수식을 자동으로 도출하는 방법을 입증했습니다.
3. 해석 가능성과 정확성의 동시 달성: 딥러닝의 블랙박스 문제를 해결하면서도, 기존 반경험적 모델의 단순성 한계를 극복하여 높은 예측 정확도와 물리 일관성을 확보했습니다.
4. 오픈 소스 공개: 연구의 재현성과 확장성을 위해 전체 구현 코드와 데이터를 오픈 소스 저장소 (Zenodo) 에 공개했습니다.

5. 의의 및 시사점 (Significance)

• 공학적 적용성: 발견된 수식은 기존 수리 역학 시뮬레이션 코드에 기존 모델과 동일한 방식으로 통합될 수 있어, 이질적이고 데이터가 부족한 조건에서의 시뮬레이션 신뢰도를 높일 수 있습니다.
• 미래 연구 방향: 현재는 1 차 건조 (Drainage) 과정에 국한되었으나, 향후 히스테리시스 (Hysteresis) 효과 및 다양한 지반공학/환경 문제 (침투, 오염 이동 등) 로 확장할 수 있는 잠재력을 가집니다.
• 방법론적 혁신: 물리 정보 기반 기계학습 (Physics-Informed ML) 분야에서, 신경망 대신 심볼릭 회귀를 사용하여 해석 가능한 물리 법칙을 직접 추출하는 새로운 패러다임을 제시했습니다.

요약하자면, 이 논문은 복잡한 다공성 재료의 수분 거동을 모델링할 때 발생하는 기존 방법론의 한계를 극복하기 위해, 물리 법칙을 손실 함수에 직접 통합한 심볼릭 회귀 기법을 개발하고, 이를 통해 해석 가능하고 물리적으로 타당한 폐형 방정식을 성공적으로 발견했음을 보여줍니다.