Engineering-Oriented Symbolic Regression: LLMs as Physics Agents for Discovery of Simulation-Ready Constitutive Laws

이 논문은 대규모 언어 모델을 물리 법칙 준수 에이전트로 활용하여 열역학적 일관성과 프레임 무관성을 자동적으로 보장하는 새로운 하이브리드 구성 법칙을 발견함으로써, 기존 데이터 기반 접근법의 한계를 극복하고 유한 요소 해석에서 수치적 안정성을 갖춘 시뮬레이션 준비형 재료 모델 개발을 가능하게 하는 공학 지향 기호 회귀 (EO-SR) 프레임워크를 제안합니다.

핵심

🍳 1. 문제 상황: "맛은 좋은데, 배탈 나는 요리"

우리가 고무나 플라스틱 같은 복잡한 재료를 컴퓨터 시뮬레이션으로 분석할 때, 그 재료가 어떻게 변형되는지 설명하는 **'공식 (재료 법칙)'**이 필요합니다.

• 기존 방식 A (데이터만 믿는 요리사):
  실험 데이터를 아주 많이 모아서 AI 가 수식을 찾아냅니다. 마치 "이 재료를 이렇게 늘리면 저렇게 변한다"는 데이터만 보고 맛을 내는 요리사 같습니다.

  • 문제점: 실험 데이터 범위 안에서는 맛 (정확도) 이 아주 좋습니다. 하지만 실험하지 않은 상황 (예: 아주 세게 누를 때) 에는 물리 법칙을 무시한 엉뚱한 결과가 나와서, 컴퓨터 시뮬레이션이 **"배탈 (오류)"**을 일으키고 멈춰버립니다.

• 기존 방식 B (경험만 믿는 요리사):
  공학자들이 이미 알려진 공식을 가지고 실험 데이터에 맞춰 숫자만 조절합니다.

  • 문제점: 계산은 빠르지만, 너무 단순해서 복잡한 상황을 제대로 설명하지 못하거나, 데이터에 딱 맞게 맞추느라 다른 상황에서는 엉뚱한 값을 내놓을 때가 많습니다.

🏗️ 2. 새로운 해결책: "물리 법칙을 지키는 건축 감독관 (LLM)"

이 논문은 **LLM(대형 언어 모델)**을 단순한 '글쓰기 도우미'가 아니라, **"물리 법칙을 아는 건축 감독관 (Physics Agent)"**으로 활용합니다.

• 비유:
  이제부터 AI 가 수식을 만들 때, 감독관이 옆에서 "이건 물리 법칙에 어긋나니까 안 돼!"라고 계속 지적합니다.
  • "너무 세게 늘리면 끊어져야 해. 무한히 늘어나는 건 물리적으로 불가능해!"
  • "압력을 가하면 튕겨져 나와야지, 안으로 꺼져버리면 안 돼!"
  • "에너지가 갑자기 사라지면 안 돼!"

이 감독관 (LLM) 은 수식이 만들어지는 과정에 **"열역학 법칙"**이나 "안정성 조건" 같은 규칙들을 자동으로 적용합니다. 그래서 AI 가 찾아낸 공식은 데이터에도 잘 맞으면서, 물리 법칙도 완벽하게 지키는 안전한 공식이 됩니다.

🎯 3. 실제 성과: "고무줄의 비밀을 찾아내다"

연구진은 이 방법으로 고무 같은 재료를 모델링하는 실험을 했습니다.

• 발견된 공식:
  AI 는 기존의 유명한 공식들 (오그든, 모니 - 리블린 등) 보다 더 좋은 새로운 공식을 찾아냈습니다.

  • 구조: "기초는 간단한 선형 공식 (모니 - 리블린)" + "고무줄이 너무 늘어나면 끊어지는 것을 막아주는 '잠금 장치' (분수 형태)"가 섞인 형태입니다.
  • 특이점: 이 공식은 고무줄이 너무 늘어나면 (약 8.8 배) 무한히 늘어나는 게 아니라, 마치 끊어지듯 저항이 무한히 커지는 현상을 자연스럽게 표현합니다.

• 성공적인 검증:

  • 예측 능력: 실험에 쓰지 않은 '전단 (미끄러짐)' 상황에서도 데이터를 정확히 예측했습니다.
  • 안전성 (가장 중요): 기존에 유명한 공식들은 고무 재료를 아주 세게 누르면 (압축) 컴퓨터 시뮬레이션이 **"오류 (수렴 실패)"**를 일으켜 멈췄습니다. 하지만 이 새로운 공식은 어떤 상황에서도 계산이 멈추지 않고 안전하게 작동했습니다.

💡 4. 결론: "단순한 데이터 맞추기가 아닌, 진실을 찾는 AI"

이 연구의 핵심 메시지는 다음과 같습니다.

"AI 가 단순히 데이터를 맞추는 것 (Curve Fitting) 을 넘어, 물리 법칙을 지키는 '진짜 공학자'가 될 수 있다."

기존의 AI 는 "데이터에 가장 잘 맞는 곡선"을 찾느라 물리 법칙을 무시할 수 있었습니다. 하지만 이 논문에서 제안한 EO-SR(공학 지향 기호 회귀) 프레임워크는 LLM 을 물리 법칙의 수호자로 세워서, 컴퓨터 시뮬레이션에 바로 쓸 수 있고, 안전하며, 물리적으로 타당한 공식을 자동으로 찾아냅니다.

한 줄 요약:

"AI 가 물리 법칙을 지키는 '엄격한 감독관'을 고용하여, 실험 데이터도 잘 설명하고, 시뮬레이션에서도 절대 터지지 않는 완벽한 공식을 찾아냈다!"

이 방법은 고무뿐만 아니라 플라스틱, 생체 조직, 유체 등 다양한 복잡한 물질을 연구하는 데에도 적용될 수 있어, 공학 연구의 새로운 시대를 열 것으로 기대됩니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

복잡한 재료의 구성 법칙 (Constitutive Laws) 발견은 계산 물리학의 핵심 과제이나, 기존 접근법들은 다음과 같은 이분법적 한계를 겪고 있습니다.

• 고정밀 데이터 기반 접근법 (High-Fidelity Data-Driven): 디지털 이미지 상관법 (DIC) 등을 활용한 전장 데이터 (Full-field data) 를 기반으로 하지만, 실험 비용이 매우 높고 데이터 처리 파이프라인이 복잡하여 일반 엔지니어링 환경에 적용하기 어렵습니다. 또한 생성된 모델이 '블랙박스' 형태라 해석성이 떨어집니다.
• 전통적 엔지니어링 피팅 (Traditional Engineering Fitting): 오그던 (Ogden), 모니 - 리블린 (Mooney-Rivlin) 등 미리 정의된 분석적 템플릿을 표준 인장 데이터에 피팅합니다. 접근성이 좋지만, 피팅 오차 (MSE) 만을 최적화하다 보니 물리 법칙 (열역학적 일관성, 프레임 무관성, 수학적 안정성 등) 을 위반하는 모델이 생성될 수 있습니다. 이로 인해 훈련 데이터에서는 정확하지만, 복잡한 경계 조건을 가진 유한 요소 해석 (FEM) 시 수치적 발산 (수렴 실패) 이 발생하는 **'피팅 - 시뮬레이션 간극 (Fitting-Simulation Gap)'**이 존재합니다.

기존의 기호 회귀 (Symbolic Regression, SR) 는 자유로운 수식 탐색을 제공하지만, 물리 법칙을 고려하지 않아 물리적으로 유효하지 않은 식을 생성할 위험이 있습니다.

2. 제안된 방법론: EO-SR 프레임워크 (Methodology)

저자들은 엔지니어링 지향 기호 회귀 (Engineering-Oriented Symbolic Regression, EO-SR) 프레임워크를 제안하며, 대규모 언어 모델 (LLM) 을 **'물리 정보 에이전트 (Physics-Informed Agent)'**로 활용하여 이 간극을 해소합니다.

핵심 아키텍처

1. 데이터 파서 (Data Parser): 이질적인 실험 데이터를 표준 텐서로 변환합니다.
2. 스킬 인젝터 (Skill Injector - LLM Agent):
   • LLM(예: Gemini-pro) 이 자연어 설명 (예: "등방성 초탄성") 을 입력받아 해당 물리 영역에 필요한 **실행 가능한 물리 제약 조건 (Constraints)**을 0-shot(추가 학습 없이) 으로 생성합니다.
   • 생성된 '스킬 튜플' $S = (T, O, C)$는 좌표 변환 ($T$), 허용 연산자 집합 ($O$), 물리 부등식 제약 ($C$) 을 정의합니다.
   • 구체적 적용 (고무 재료):
     • 변환 ($T$): 불변량 (Invariants) 기반의 좌표 변환 및 비압축성 조건 적용.
     • 연산자 ($O$): 물리적으로 비현실적인 주기 함수 (sin, cos) 제거, 지수 및 멱함수 등 경화 (Stiffening) 특성을 반영할 수 있는 연산자만 허용.
     • 제약 ($C$): 드루커 안정성 (Drucker Stability) 기준에 따른 전역 볼록성 (Global Convexity) 보장을 위한 제약 조건 생성.
3. 기호 진화 엔진 (Symbolic Evolution Engine):
   • 생성된 제약 조건을 반영한 손실 함수 (Loss Function) 를 사용하여 유전 알고리즘을 통해 최적의 수식을 탐색합니다.
   • 손실 함수는 데이터 적합도 ($L_{fit}$) + 모델 복잡도 ($\Omega$) + 물리 제약 위반 패널티 ($P$) 의 합으로 구성됩니다.
4. 에이전트 지원 선택 (Agent-Assisted Selection):
   • Pareto 프론트에서 도출된 상위 후보들을 다시 LLM 에이전트가 분석하여, 단순한 수치적 적합도가 아닌 물리적 해석 가능성과 수학적 구조적 안정성을 기준으로 최종 모델을 선정합니다.

3. 주요 기여 (Key Contributions)

1. 기술 기반 발견 아키텍처: LLM 에이전트가 도메인 전문가 역할을 수행하여 추상적인 물리 법칙을 실행 가능한 수학적 제약 조건으로 자동 변환하는 모듈형 프레임워크를 제시했습니다.
2. 피팅 - 시뮬레이션 간극 해소: 표준 Treloar 데이터 (단축 및 양축 인장) 만을 사용하여, FEM 해석에서 수치적 안정성 (Drucker 안정성) 을 보장하는 구성 법칙을 발견했습니다.
3. 최적 형태의 발견: 기존 산업 표준 모델 (Ogden, Yeoh) 보다 일반화 성능과 수치적 강건성이 뛰어난 새로운 하이브리드 구성 법칙을 자동 생성했습니다.

4. 결과 및 검증 (Results)

연구는 고무와 같은 초탄성 (Hyperelastic) 재료 모델링을 통해 EO-SR 의 유효성을 검증했습니다.

• 모델 발견 및 Pareto 프론트 분석:
  • 복잡한 수식 (예: Sqrt-Eq) 은 훈련 데이터 적합도는 높았으나 볼록성 (Convexity) 위반으로 인해 물리적으로 불안정하여 폐기되었습니다.
  • **Eq16 (최적 모델)**은 복잡도 16 에서 최적의 균형을 이루며, 모니 - 리블린 (선형 항) 과 유리함수 형태의 로킹 (Locking) 항이 결합된 하이브리드 구조를 발견했습니다.
  • 식: $W(\tilde{I}_1, \tilde{I}_2) = 0.031(3.75\tilde{I}_1 + \tilde{I}_2) + \frac{\tilde{I}_1}{77.9 - 1.05\tilde{I}_1}$
• 적합도 및 일반화 성능:
  • 훈련 데이터 (단축/양축 인장) 에서 높은 정확도를 보였을 뿐만 아니라, 훈련에 사용되지 않은 순수 전단 (Pure Shear) 데이터에 대해서도 0-shot 예측이 가능하여 물리적 일반화 능력을 입증했습니다.
  • Yeoh 모델이 양축 인장에서 과소평가하는 반면, 제안된 모델은 $I_2$ 항을 포함하여 정확한 경화 거동을 예측했습니다.
• 물리적 일관성 및 안정성:
  • 전역 볼록성: 에너지 지형도 (Energy Landscape) 가 전체 영역에서 볼록하여 Hessian 행렬이 양의 준정부호 (Positive Semi-definite) 를 유지합니다.
  • 유한 신장성 (Finite Extensibility): 유리함수 항이 분모의 영점 (Singularity) 을 통해 고분자 사슬의 파단 한계 ($\lambda \approx 8.77$) 를 물리적으로 재현합니다.
• 유한 요소 해석 (FEM) 검증:
  • Abaqus UMAT 구현을 통해 이중 노치 (Double-edge notched) 시편의 대변형 해석을 수행했습니다.
  • Ogden 모델 (N=3): 인장 데이터 피팅에 최적화된 음수 지수 항으로 인해, 압축 영역 (두께 방향 수축) 에서 강성 값이 폭발적으로 증가하여 수치적 특이점 (Singularity) 이 발생하고 해석이 발산했습니다.
  • EO-SR 발견 모델 (Eq16): 물리적으로 타당한 로킹 항 덕분에 모든 변형 모드에서 강성 행렬이 양의 정부호를 유지하여 수렴 실패 없이 성공적으로 해석을 완료했습니다.

5. 의의 및 결론 (Significance)

이 연구는 "AI for Science" 패러다임에서 LLM 의 역할을 단순한 코드 생성 도구를 넘어 **이론적 일관성을 수호하는 '가드 (Guardian)'**로 격상시켰습니다.

• 시뮬레이션 준비형 (Simulation-Ready) 수학: 데이터 적합도뿐만 아니라 수치 해석의 안정성을 보장하는 구성 법칙을 자동 발견할 수 있음을 입증했습니다.
• 물리 법칙의 자동화: LLM 이 추상적인 물리 원리 (예: 프레임 무관성, 열역학적 안정성) 를 구체적인 최적화 제약 조건으로 변환할 수 있어, 유체 역학, 열역학 등 다양한 분야로 확장 가능합니다.
• 엔지니어링 접근성: 고비용의 전장 데이터 없이도 표준 실험 데이터를 기반으로 산업적으로 활용 가능한 robust 한 모델을 생성할 수 있는 저비용 경로를 제시했습니다.

결론적으로, EO-SR 프레임워크는 데이터 기반의 경험적 회귀와 엄격한 물리 법칙 기반의 모델링 사이의 간극을 메우며, 계산 물리학의 불확실성을 줄이고 신뢰할 수 있는 시뮬레이션 도구를 제공하는 새로운 표준을 제시합니다.