Neural surrogates for crystal growth dynamics with variable supersaturation: explicit vs. implicit conditioning

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 결정 성장, 미세 구조 형성 등 재료 과학의 연속체 모델링은 전통적으로 수치적 방법 (예: 위상장 방법, Phase-field) 을 사용하여 수행됩니다. 그러나 이러한 시뮬레이션은 격자 해상도가 높고 비선형 편미분 방정식 (PDE) 을 풀어야 하므로 계산 비용이 매우 큽니다.
• 문제: 기계 학습 (ML), 특히 딥러닝을 사용하여 시뮬레이션 비용을 줄이고 새로운 물질을 신속하게 스크리닝하려는 시도가 늘고 있습니다. 특히, Convolutional Recurrent Neural Network (CRNN) 은 공간적 (Convolutional) 과 시간적 (Recurrent) 상관관계를 동시에 학습하여 미세 구조 진화를 예측하는 데 유망합니다.
• 핵심 질문: 결정 성장의 속도와 형태를 결정하는 핵심 파라미터인 과포화도 (Supersaturation, $\Delta\mu$) 를 신경망에 어떻게 입력하는 것이 더 효율적이고 정확한가?
  1. 암시적 조건부 (Implicit Conditioning): 과포화도 값을 직접 입력하지 않고, 초기 몇 프레임의 시간 시퀀스 (mini-sequence) 를 입력하여 모델이 스스로 성장 동역학을 추론하게 하는 방식.
  2. 명시적 조건부 (Explicit Conditioning): 과포화도 값을 명시적인 입력 파라미터로 제공하고, 단일 초기 프레임만 입력하여 전체 시퀀스를 예측하는 방식.

2. 방법론 (Methodology)

A. 물리 모델 (Phase-field Simulations)

• 모델: 2 차원 Allen-Cahn 동역학을 기반으로 한 위상장 (Phase-field) 모델을 사용했습니다.
• 방정식: 자유 에너지 범함수 $G[\phi]$를 정의하고, 화학적 포텐셜 $\mu$에 기반한 시간 진화 방정식을 수치적으로 풀었습니다.
• 특징:
  • 결정 성장의 현실적인 모사 (Faceting) 를 위해 이방성 운동 계수 (Anisotropic kinetic coefficient) 를 도입하여 육각형 형태의 결정을 생성했습니다.
  • 과포화도 $\Delta\mu$는 화학적 포텐셜 차이로, 성장 속도와 모서리의 날카로움 (facet corners) 에 직접적인 영향을 미칩니다.
  • $\Delta\mu$ 범위: $[0.2, 0.8]$ (성장 속도의 약 4 배 차이 발생).

B. 신경망 아키텍처 (Neural Network Architectures)

두 가지 CRNN 아키텍처를 개발하여 비교했습니다. 모두 3 개의 스택된 ConvGRU (Convolutional Gated Recurrent Unit) 레이어로 구성되었으며, 파라미터 수는 약 14 만 개입니다.

1. NNseq (암시적 모델):

   • 입력: $\Delta\mu$ 값 없이, 성장의 초기 단계를 보여주는 $s$개의 프레임 시퀀스 (mini-sequence) 만 입력받습니다.
   • 목표: RNN 의 '메모리' 기능을 통해 입력된 짧은 시퀀스로부터 성장 속도와 동역학을 암시적으로 추론하여 이후의 진화를 완성 (Sequence completion) 합니다.
   • 입력 시퀀스 길이 ($s$): 3, 5, 7 프레임 등 다양한 길이로 실험.

2. NNpar (명시적 모델):

   • 입력: 단일 초기 프레임과 $\Delta\mu$ 값을 명시적으로 입력받습니다.
   • 구현: $\Delta\mu$ 값을 공간적으로 균일한 텐서로 변환하여 위상장 맵 ($\phi$) 과 채널을 연결 (Concatenation) 하여 2 채널 이미지로 입력합니다.
   • 목표: 운동 방정식이 1 차 미분 방정식이므로, 초기 상태와 파라미터가 주어지면 전체 진화가 결정되므로 이를 학습합니다.

C. 데이터셋 및 학습

• 데이터: 다양한 과포화도에서 생성된 7,500 개의 위상장 시뮬레이션 시퀀스 (각 200 프레임).
• 학습 전략: 커리큘럼 러닝 (Curriculum learning) 을 사용하여, 처음에는 마지막 프레임만 예측하다가 점차 예측해야 할 프레임 수를 늘려가며 학습했습니다.

3. 주요 결과 (Key Results)

A. 예측 정확도 비교

• 명시적 모델 (NNpar) 의 우위: $\Delta\mu$를 명시적으로 입력받는 NNpar 모델이 NNseq보다 훨씬 우수한 성능을 보였습니다.
  • 데이터 효율성: 동일한 정확도를 달성하기 위해 NNseq 는 NNpar 보다 약 15 배 더 큰 데이터셋이 필요했습니다.
  • 오차: NNpar 모델 (NN5k$\Delta\mu$) 은 90% 이상의 테스트 케이스에서 평균 절대 오차 (MAE) 가 0.018 미만이었으며, 중앙값은 0.011 이었습니다. 반면, NNseq 는 데이터셋 크기가 커야만 비슷한 성능을 낼 수 있었습니다.
• 시각적 정확도: NNpar 는 결정의 모서리 날카로움과 성장 속도를 고스트 (Ground-truth) 와 거의 완벽하게 재현했습니다. NNseq 는 특히 낮은 과포화도 ($\Delta\mu < 0.3$) 에서 성장 속도를 잘못 추론하여 큰 오차가 발생했습니다.

B. 과포화도 ($\Delta\mu$) 에 따른 민감도

• 범위 내 예측: 두 모델 모두 학습 범위 ($\Delta\mu \in [0.2, 0.8]$) 내에서는 양호한 성능을 보였으나, NNseq 는 낮은 $\Delta\mu$에서 급격히 성능이 저하되었습니다. 이는 짧은 시퀀스만으로는 미세한 성장 속도 변화를 파악하기 어렵기 때문입니다.
• 외삽 (Extrapolation): NNpar 는 학습 범위 밖 ($\Delta\mu > 0.8$) 으로도 어느 정도 외삽이 가능했으나, NNseq 는 범위를 벗어날 경우 신뢰할 수 없는 결과를 보였습니다.

C. 일반화 능력 (Generalization)

• 큰 도메인 (Large Domains): 학습에 사용된 $128 \times 128$ 격자보다 훨씬 큰 $2048 \times 2048$ 격자에서도 모델이 성공적으로 적용되었습니다. 오차 축적이 거의 없었으며, 정확도는 학습 조건과 동일하게 유지되었습니다.
• 초기 밀도 변화: 초기 결정 씨앗 (Seed) 의 밀도 (커버리지) 가 학습 데이터보다 5 배 낮거나 높은 경우에도 모델이 잘 일반화되었습니다. 특히 NNpar 는 커버리지가 0.03 이상일 때 매우 정확한 예측을 보였습니다.
• 긴 시간 시퀀스: 학습 시퀀스 (50 프레임) 보다 10 배 이상 긴 (500 프레임 이상) 시간 진화에서도 오차 축적이 제한적으로 발생하여 장기 예측이 가능함을 입증했습니다.

4. 핵심 기여 및 의의 (Contributions & Significance)

1. 명시적 조건부의 우수성 입증: 동역학을 결정하는 물리 파라미터 (여기서는 과포화도) 를 신경망에 명시적으로 입력하는 것이, 짧은 시퀀스로 암시적으로 추론하는 것보다 데이터 효율성과 예측 정확도 면에서 압도적으로 우월함을 정량적으로 증명했습니다.
   • 통찰: "가능하다면 자동 상관관계 발견 (암시적 추론) 보다는 명시적 정보 제공이 항상 더 나은 선택이다."
2. 고충실도 대리 모델 개발: 결정 성장의 미세한 형태적 특징 (Faceting, 모서리 날카로움) 을 단순히 시간 스케일링이 아닌, 물리적 파라미터의 변화에 따라 정밀하게 재현하는 신경망 대리 모델을 성공적으로 구축했습니다.
3. 확장성 증명: 학습된 모델이 도메인 크기와 시뮬레이션 시간에 구애받지 않고 확장 가능함을 보여줌으로써, 실제 실험 규모나 대규모 공정 시뮬레이션에 적용할 수 있는 가능성을 제시했습니다.
4. 실용적 가이드라인: 실험 데이터와 같이 물리 파라미터가 불확실한 경우에는 암시적 모델 (NNseq) 을 사용할 수밖에 없으나, 파라미터를 알 수 있는 경우에는 명시적 모델 (NNpar) 을 사용하여 적은 데이터로도 고품질 예측이 가능함을 제시했습니다.

5. 결론

이 연구는 결정 성장 동역학 시뮬레이션을 가속화하기 위한 신경망 대리 모델 개발에 있어, 물리 파라미터의 명시적 조건부 (Explicit Conditioning) 가 가장 효과적인 전략임을 입증했습니다. 특히 NNpar 모델은 적은 데이터로도 고해상도, 장시간, 대규모 영역에서의 정확한 예측을 가능하게 하여, 재료 과학 분야에서 ML 기반 시뮬레이션의 실용성을 크게 높인 연구로 평가됩니다.