A Convex Route to Thermomechanics: Learning Internal Energy and Dissipation

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 고체 역학과 열역학은 밀접하게 연관되어 있으며, 재료의 변형은 에너지 저장, 열 교환, 그리고 비가역적 메커니즘을 통한 에너지 소산을 동반합니다. 기존의 물리 기반 머신러닝 (Physics-based Machine Learning) 은 주로 헬름홀츠 자유 에너지 (Helmholtz energy) 를 기반으로 constitutive model (구성 모델) 을 학습하려는 시도가 있었습니다.
• 문제점:
  1. 헬름홀츠 에너지의 한계: 헬름홀츠 에너지 기반 접근법은 변형에 대한 볼록성 (convexity) 과 온도에 대한 오목성 (concavity) 을 동시에 만족시키는 '혼합 볼록 - 오목 (mixed convexity-concavity)' 조건을 신경망 아키텍처에 강제로 부과해야 합니다. 이는 신경망 설계와 학습을 매우 복잡하게 만듭니다.
  2. 소산 (Dissipation) 의 부재: 기존 연구들은 주로 열탄성 (thermoelasticity, 비가역적 과정이 없는 경우) 에 초점을 맞추었으며, 완전한 열 - 기계적 결합 (fully coupled thermomechanics) 과 소산이 포함된 비가역적 과정을 다루는 일반적인 프레임워크가 부족했습니다.
  3. 데이터 가용성: 실험적으로 직접 측정 가능한 것은 온도 ($T$) 이지만, 열역학적 이론은 종종 엔트로피 ($s$) 를 변수로 사용합니다. 엔트로피 데이터가 없으면서도 열역학적 일관성을 유지하는 모델 학습이 필요합니다.

2. 제안된 방법론 (Methodology)

저자들은 **내부 에너지 (Internal Energy, $e$)**와 **소산 포텐셜 (Dissipation Potential, $\phi$)**을 주요 구성 함수로 사용하는 새로운 물리 기반 신경망 프레임워크를 제안합니다.

가. 열역학적 프레임워크

• 변수 선택: 상태 변수를 변형률 텐서 ($F$) 와 엔트로피 밀도 ($s$) 로 정의합니다.
  • $e = e(F, s)$: 내부 에너지
  • $\phi = \phi(\dot{F}, \dot{s}, g; F, s)$: 소산 포텐셜 (여기서 $g$는 열구배)
• 열역학 법칙 준수: 클라우지우스 - 듀엠 (Clausius-Duhem) 부등식을 만족하도록 구성됩니다.
  • 응력 ($P$) 과 온도 ($T$) 는 내부 에너지의 편미분으로 정의됩니다 ($P = \partial e / \partial F$, $T = \partial e / \partial s$).
  • 열유속 ($q$) 은 소산 포텐셜의 미분으로 정의됩니다.
• 온도 처리: 모델은 엔트로피를 변수로 하지만, 실험적으로 관측 가능한 **온도 ($T$)**를 독립 변수로 취급합니다. 엔트로피는 구성 관계식을 통해 내부적으로 추론됩니다.

나. 신경망 아키텍처 (Neural Network Architecture)

• 입력 볼록 신경망 (ICNN): 열역학적 허용 가능성 (Thermodynamic Admissibility) 을 보장하기 위해 내부 에너지와 소산 포텐셜을 **입력 볼록 신경망 (Input Convex Neural Networks, ICNN)**으로 표현합니다.
  • 내부 에너지: 변형과 엔트로피에 대해 볼록한 구조를 가지며, 물체의 객관성 (Objectivity) 과 등방성 (Isotropy) 을 보장하기 위해 주 불변량 (Principal Invariants) 을 입력으로 사용합니다.
  • 소산 포텐셜: 열구배에 대해 볼록하며, 변형과 엔트로피를 매개변수로 가지는 부분적으로 입력 볼록 신경망 (PICNN) 을 사용합니다.
• 제약 조건 내재화:
  • 0-앵커 (Zero-Anchored): 기준 상태 (Rest state) 에서 에너지와 소산이 0 이 되도록 설계합니다.
  • 물리 법칙 임베딩: 물체의 객관성, 재료 대칭성, 열역학 제 2 법칙 (소산의 비음성) 이 아키텍처 설계 단계에서 강제됩니다.
• 보조 엔트로피 네트워크: 학습 중 엔트로피를 반복적으로 푸는 계산 비용을 줄이기 위해, 엔트로피를 예측하는 보조 MLP 를 사용하여 학습 속도를 높이고, 추론 (Inference) 시에는 반복 솔버를 사용하여 정확도를 유지합니다.

다. 학습 전략

• 손실 함수: 물리 기반 손실 (균형 방정식의 잔차), 정규화 항, 보조 엔트로피 일관성 손실로 구성됩니다.
• 데이터: 합성 데이터 (열 확산, 구조적 문제) 와 실험 데이터 (돼지 조직, 탄소 충전 고무) 를 모두 활용합니다.

3. 주요 기여 (Key Contributions)

1. 내부 에너지 기반의 새로운 프레임워크: 헬름홀츠 에너지의 혼합 볼록 - 오목 조건을 피하고, 내부 에너지와 소산 포텐셜의 볼록성만 요구하는 새로운 구성 모델 학습 패러다임을 제시했습니다. 이는 신경망 설계와 학습을 훨씬 용이하게 합니다.
2. 완전 결합 열 - 기계적 소산 모델링: 비가역적 열 과정 (소산) 을 포함한 완전한 열 - 기계적 결합 거동을 학습할 수 있는 첫 번째 강력한 물리 기반 신경망 아키텍처 중 하나를 제안했습니다.
3. 관측 가능 변수와의 호환성: 모델은 엔트로피를 내부 변수로 사용하지만, 실험 데이터인 온도 ($T$) 를 직접 입력받아 학습하고 예측하므로 실제 적용 가능성이 높습니다.
4. 구조적 일관성 보장: 신경망의 구조 자체가 열역학 제 2 법칙, 물체의 객관성, 등방성 등을 만족하도록 설계되어, 학습된 모델이 물리적으로 타당한 결과를 보장합니다.

4. 실험 결과 (Results)

• 순수 열 확산 문제 (Synthetic Data): 비정상 열 전도 문제를 해결하여 열유속과 온도 분포를 정확하게 예측했습니다. 소산 네트워크가 주된 역할을 함을 확인했습니다.
• 실험 데이터 적용 (Porcine Tissue & Filled Rubber):
  • 돼지 조직과 탄소 충전 고무의 실험 데이터를 사용하여 온도 의존적 기계적 거동을 학습했습니다.
  • 기존 헬름홀츠 기반 모델과 유사한 정확도를 보였으며, 특히 고온 영역에서의 거동 (thermoelastic inversion 등) 에 대해서는 데이터의 한계 (열팽창 정보 부재 등) 로 인해 일부 차이가 있었으나, 전체적인 비선형 및 온도 의존적 거동을 잘 포착했습니다.
• 완전 결합 구조 문제 (Synthetic Data):
  • 타원형 구멍이 있는 판과 스프링 형상 시편을 사용하여 훈련 및 테스트를 수행했습니다.
  • 훈련 시에는 다양한 하중 경로 (변형 주도, 열 주도, 결합 하중) 를 사용하여 학습시켰습니다.
  • 결과: 훈련되지 않은 새로운 경계값 문제 (Boundary Value Problem) 에서도 응력 반응과 열 흐름을 정확하게 예측했습니다. 특히, 변형에 의한 가열 효과 (deformation-induced heating) 와 같은 약한 결합 효과는 데이터의 스케일 차이로 인해 학습이 어려웠으나, 주요 열 - 기계적 결합 거동은 성공적으로 재현되었습니다.

5. 의의 및 결론 (Significance)

• 이론적 의의: 열역학적으로 일관된 구성 모델 학습을 위해 헬름홀츠 에너지 대신 내부 에너지와 소산 포텐셜을 사용하는 것이 더 효과적이고 직관적임을 입증했습니다. 이는 "구조화된 모델 발견 (Structured Model Discovery)"의 중요성을 강조합니다.
• 실용적 의의: 실험적으로 측정 가능한 온도 데이터를 사용하여 복잡한 열 - 기계적 거동을 학습할 수 있는 강력한 도구를 제공했습니다. 이는 신소재 개발, 생체 조직 모델링, 고무류 소재의 열 - 기계적 분석 등에 적용 가능합니다.
• 한계 및 향후 과제: 데이터의 불완전성 (예: 열팽창 정보 부재) 이 모델의 정확도를 제한할 수 있으며, 매우 미세한 결합 효과 (weak coupling effects) 를 학습하기 위해서는 더 정교한 데이터 생성 전략이나 훈련 전략이 필요함을 지적했습니다.

요약하자면, 이 논문은 열역학 제 2 법칙을 신경망 아키텍처에 내재화하여, 내부 에너지와 소산 포텐셜을 기반으로 한 볼록한 신경망을 통해 완전 결합 열 - 기계적 거동을 학습하는 새로운 패러다임을 제시했습니다. 이는 기존 방법론의 수학적 복잡성을 줄이면서도 물리 법칙을 준수하는 정확한 예측 모델을 가능하게 합니다.