A Neural-Network Framework to Learn History-Dependent Constitutive Laws and Identifiability of Internal Variables

본 논문은 열역학적 일관성, 안정성 및 해의 존재를 보장하고 학습된 내부 변수가 선형 변환까지 유일함을 입증하며 다결정 마그네슘 단위 세포의 응답 예측에서 2% 상대 오차를 달성하는, 이력 의존성 구성 법칙 학습을 위한 인과적이고 에너지 기반의 신경망 프레임워크를 제시한다.

핵심

이 논문은 간단한 언어와 창의적인 비유를 사용하여 설명합니다.

큰 그림: 컴퓨터에게 재료의 "감각"을 가르치기

금속 조각을 밀 때 어떻게 구부러지거나, 늘어나거나, 찌그러질지 예측하려고 한다고 상상해 보세요. 공학에서는 보통 이 거동을 설명하기 위해 수학적 공식 (구성 법칙이라고 함) 을 사용합니다.

그러나 금속은 까다롭습니다. 금속은 지금 가하는 힘에만 반응하는 것이 아니라, 과거에 경험했던 모든 밀고 당기는 힘을 기억합니다. 이를 이력 의존성이라고 합니다. 금속 조각을 늘렸다가 놓았다가 다시 늘리면, 그 "기억" 때문에 두 번째에는 다르게 거동합니다.

전통적으로 과학자들은 이 기억을 설명할 올바른 수학적 공식을 추측해야 했습니다. 하지만 이 연구의 마그네슘 금속과 같은 복잡한 재료의 경우, 올바른 공식을 추측하는 것은 믿을 수 없을 정도로 어렵습니다.

해결책: 저자들은 인간이 먼저 공식을 추측할 필요 없이 데이터에서 직접 이러한 복잡한 "기억" 규칙을 학습할 수 있는 특수한 유형의 인공지능 (AI)—구체적으로 신경망—을 구축했습니다.

문제: AI 가 "비물리적"일 수 있음

표준 AI 에게 단순히 데이터로 학습을 시키면, 과거를 예측하는 데는 매우 능숙해질 수 있지만, 미래에 대해서는 터무니없는 물리 법칙을 만들어낼 수 있습니다. 예를 들어, 금속 블록을 충분히 강하게 누르면 저항 없이 단일 점으로 사라진다고 예측할 수도 있습니다. 현실 세계에서는 불가능합니다. 물질은 무한히 찌그러지는 것에 저항합니다.

표준 AI 는 또한 열역학 제 2 법칙(사물이 서로 마찰할 때 에너지가 열로 손실된다는 기본 원리) 이나 안정성(재료가 갑자기 폭발하거나 불규칙하게 거동해서는 안 된다는 것) 을 자연스럽게 이해하지 못합니다.

해결책: "물리 우선" AI 프레임워크

저자들은 AI 가 운이 좋기 때문이 아니라 설계에 의해 물리 법칙을 준수하도록 하는 새로운 프레임워크를 만들었습니다. 마치 피스톤이 물리적으로 바퀴에 고정된 자동차 엔진을 만드는 것과 같습니다. 바퀴가 앞으로 움직이면 차는 후진할 수 없습니다.

그들이 어떻게 했는지 살펴보겠습니다:

1. "내부 변수" (숨겨진 기억):
   AI 는 금속 내부의 미세한 변화 (작은 결함들이 움직이는 것 등) 를 볼 수 없기 때문에, 저자들은 내부 변수라고 불리는 보이지 않는 "기억 슬롯"을 도입했습니다.

   • 비유: 스펀지를 상상해 보세요. 스펀지를 짜면 내부에서 물이 움직입니다. 물이 움직이는 것은 보이지 않지만, 스펀지의 모양은 그 때문에 변합니다. "내부 변수"는 비록 숨겨져 있지만 그 "물"(미세한 변화) 이 어디에 있는지 추적하는 AI 의 방법입니다.
   • 발견: 논문은 AI 가 학습 시작 방식에 따라 서로 다른 "기억 슬롯"을 발명할 수 있지만, 이러한 슬롯들은 항상 서로의 선형 변환에 불과함을 증명합니다.
   • 간단한 번역: 한 AI 가 기억을 "슬롯 A"라고 부르기로 결정하고 다른 AI 는 "슬롯 B"라고 부른다면, 그들은 실제로 정확히 같은 것을 설명하고 있을 뿐, 단지 다른 좌표계 (인치 대 센티미터로 거리 측정과 같은) 를 사용하고 있는 것입니다. 그들은 수학적으로 동등합니다.

2. "에너지 퍼텐셜" (게임의 규칙):
   AI 는 두 가지 주요 사항을 학습합니다.

   • 저장된 에너지: 재료를 늘릴 때 저장되는 에너지 양 (스프링과 같은).
   • 소산: 열로 손실되는 에너지 양 (마찰과 같은).
     저자들은 AI 가 에너지 손실이 항상 양수여야 한다는 규칙 (무료로 에너지를 되찾을 수 없음) 과 재료가 작아질수록 압축하기가 무한히 어려워진다는 규칙 (점으로 찌그러질 수 없음) 을 반드시 따르도록 구축했습니다.

3. "성장 함수" (안전망):
   AI 가 무한한 압축과 같은 불가능한 시나리오를 예측하지 않도록 하기 위해, 특수한 수학적 "가드레일"을 추가했습니다.

   • 비유: 비디오 게임 캐릭터가 빠르게 달릴 수는 있지만, 맵 가장자리에서 벗어나려 하면 거대한 보이지 않는 벽이 그들을 밀어낸다고 상상해 보세요. 이러한 가드레일은 AI 가 본 데이터 이상으로 재료를 늘이거나 짜부리려 할 때, 물리 법칙을 깨는 대신 현실적으로 거동하도록 (변형하기가 점점 더 어려워지도록) 보장합니다.

실험: 다결정 마그네슘

팀원들은 자동차와 비행기에 사용되는 금속인 마그네슘에 이 프레임워크를 테스트했습니다. 마그네슘은 많은 작은 결정 (입자) 이 붙어 있어 거동이 매우 복잡합니다.

• 설정: 그들은 이 마그네슘의 작은 입방체의 미세 거동을 시뮬레이션하여 데이터를 생성했습니다.
• 학습: 이 데이터를 "물리 인식" AI 에게 입력했습니다.
• 결과: AI 는 마그네슘 블록 전체가 어떻게 거동할지 2% 오차만으로 예측하는 법을 배웠습니다. 이는 믿을 수 없을 정도로 정확합니다.
• 속도: AI 는 빠른 컴퓨터 프로그램이기 때문에, 훈련에 사용된 느리고 복잡한 미세 시뮬레이션보다 훨씬 빠르게 이 거동을 예측할 수 있습니다.

주요 결론

• 정확도: AI 는 2% 오차로 금속의 복잡한 "기억"을 학습했습니다.
• 물리 준수: AI 는 열역학 법칙과 재료 안정성을 존중합니다. 금속이 점으로 찌그러질 수 있다고 예측하지 않습니다.
• 고유한 기억: AI 가 기억을 추적하기 위해 "숨겨진" 변수를 생성하지만, 논문은 이러한 변수들이 단순한 수학 변화 (단위 전환과 같은) 까지 고유함을 증명합니다. 이는 AI 가 단순히 무작위 숫자를 환각하는 것이 아니라, 실제 일관된 구조를 찾고 있다는 것을 의미합니다.
• 객관성: 이 모델은 재료를 다른 각도 (회전) 에서 바라보더라도 올바르게 작동하며, 이는 실제 공학에서 필수적인 요구 사항입니다.

요약

저자들은 복잡한 금속이 시간이 지남에 따라 어떻게 거동하는지 학습할 수 있는 똑똑하고 물리 지식을 갖춘 AI 를 구축했습니다. 이는 학생에게 수학 문제의 답만 가르치는 것이 아니라, 어떤 문제든 올바르게 풀 수 있도록 산술의 근본적인 규칙을 가르치는 것과 같습니다. 그 결과, 마그네슘과 같은 재료가 스트레스 하에서 어떻게 반응할지 예측하는 빠르고 정확하며 물리적으로 현실적인 모델이 탄생했습니다.

기술 요약

기술적 요약: 이력 의존성 구성 법칙 학습 및 내부 변수의 식별성을 위한 신경망 프레임워크

문제 제기
구성 법칙의 식별은 미시적 물리학과 거시적 공학 응용 사이의 간극을 연결할 때 특히 재료 거동 모델링에 있어 중요합니다. 전통적인 접근법은 실험 데이터를 수학적 모델에 피팅하거나, 다중 규모 시뮬레이션 (예: FE2) 의 계산 비용을 줄이기 위해 대리 모델을 사용하는 데 의존합니다. 그러나 순환 신경망 (RNN) 과 같이 변형 이력을 직접 응력으로 매핑하는 표준 데이터 기반 모델들은 근본적인 물리 원칙을 엄격히 준수하지 못하는 경우가 많습니다. 구체적으로, 다음과 같은 조건을 충족하지 못할 수 있습니다:

1. 열역학 제 2 법칙 (소산).
2. 극단적인 변형 하에서의 재료 안정성.
3. 지배적인 비선형 운동량 균형 방정식의 해 존재를 보장하기 위해 필요한 수학적 조건 (예: 다중 볼록성).

또한, 비탄성 재료의 경우 내부 변수가 종종 a priori로 가정되거나, 그 단일성에 대한 명확한 이론적 특성이 없이 데이터로부터 학습됩니다. 데이터 기반 설정에서 학습된 내부 변수가 고유한지, 아니면 동일한 물리적 상태의 서로 다른 표현일 뿐인지 불분명합니다.

방법론
저자들은 이력 의존성 구성 법칙을 학습하기 위해 내부 변수 이론에 기반한 인과적 에너지 신경망 (NN) 프레임워크를 제안합니다. 이 접근법은 내부 변수 집합 $\xi(t)$를 도입함으로써 비마코프적 (non-Markovian) 응력 - 변형률 관계를 마코프적 시스템으로 재구성합니다.

• 에너지 형식화: 응력 $P$와 내부 변수의 진화는 에너지 밀도 포텐셜 $W(F, \xi)$와 소산 포텐셜 $\bar{D}(\dot{\xi})$로부터 유도됩니다. 이 프레임워크는 $\bar{D}$가 0 에서 최소값을 갖는 볼록 함수임을 보장함으로써 열역학 제 2 법칙을 강제합니다.
• 르장드르 변환을 통한 명시적 동역학: 훈련 중 암시적 상미분 방정식 (ODE) 을 풀지 않기 위해, 저자들은 소산 포텐셜의 르장드르 변환을 활용합니다. 이는 암시적 진화 방정식을 명시적 형태로 변환하여 네트워크가 쌍대 소산 포텐셜 $D$를 직접 학습할 수 있게 합니다.
• 신경망 아키텍처:
  • 입력 볼록 신경망 (ICNNs): 포텐셜 $W$와 $D$는 얕은 ICNN 아키텍처를 사용하여 매개변수화됩니다. 최종 층의 가중치는 포텐셜의 볼록성을 보장하기 위해 양수로 제한되며, 이는 열역학적 일관성과 해 존재에 필수적입니다.
  • 다중 볼록성과 객관성: 에너지 포텐셜 $W$는 정수압 성분과 편차 성분으로 분해됩니다. 정수압 부분은 비선형 탄성학의 존재 정리 조건인 다중 볼록성을 보장하도록 모델링됩니다. 객관성 (프레임 무관성) 을 충족시키기 위해, 모델은 손실 함수의 소프트 제약에 의존하기보다는 대칭 변형률 텐서 (오른쪽 카uchy-그린 텐서 공간) 에서 훈련되고 극 분해를 통해 비대칭 텐서로 확장됩니다.
  • 재료 안정성: 극단적인 변형 하에서 비물리적 거동 (예: 유한 에너지를 가진 점으로 재료를 압축) 을 방지하기 위해 특정 성장 함수 ($G_1, G_2$) 가 포텐셜에 추가됩니다. 이러한 함수는 데이터 지지 영역 내에서는 거의 일정하게 유지되지만, 그 외에서는 다항식 성장을 강제하여 변형률 텐서의 행렬식이 0 에 접근하거나 변형률이 커질 때 응력이 적절히 발산하도록 보장합니다.
• 훈련 전략: 이 프레임워크는 다결정 마그네슘 단위 세포의 미세 규모 결정 소성 모델에서 생성된 데이터로 훈련됩니다. 훈련은 예측된 응력 성분과 실제 응력 성분 간의 오차를 최소화하는 것을 포함하며, 정수압 부분과 편차 부분의 크기 차이를 처리하기 위해 별도의 손실 항을 사용합니다.

주요 기여

1. 물리적으로 일관된 프레임워크: 저자들은 열역학 제 2 법칙, 재료 안정성, 객관성, 그리고 다중 볼록성을 동시에 강제하는 NN 프레임워크를 도입합니다. 이전 연구들이 이러한 제약을 부분적으로 적용하거나 소프트 페널티를 통해 부과한 것과 달리, 이 프레임워크는 이를 아키텍처와 에너지 정의에 통합합니다.
2. 객관적 다중 볼록 확장: 이 논문은 대칭 텐서에서 훈련하고 극 분해를 통해 정의를 확장함으로써 다중 볼록성과 객관성을 동시에 달성하는 방법을 제시합니다. 이는 불변량 기반 모델이나 소프트 제약 손실 항과 관련된 낮은 예측 정확도를 피합니다.
3. 내부 변수의 식별성: 이 연구는 데이터로부터 학습된 내부 변수가 선형 변환까지 고유함을 이론적으로 증명합니다. 이는 데이터 기반 구성 모델링에서 종종 보고되는 비유일성 문제를 해결하고, 대리 모델의 동치 클래스를 특성화합니다.
4. 고충실도 대리 모델링: 이 프레임워크는 다결정 마그네슘 미세 구조의 테일러 평균 응답을 학습하는 데 성공적으로 배포되어, 물리적 일관성을 훼손하지 않고 높은 정확도를 달성했습니다.

결과

• 예측 정확도: 훈련된 다중 볼록 신경망은 마그네슘 다결정의 테일러 평균 응력 응답을 예측할 때 2% 의 상대 오차를 달성했습니다. 에너지 분해 (정수압 대 편차) 를 사용하는 것이 결정적이었으며, 이를 통해 오차를 분해 없이 15% 에서 2% 로 줄였습니다.
• 내부 변수 차원성: 실증 분석에 따르면, 이 특정 동질화 문제의 경우 정확도와 계산 비용 사이의 균형을 맞추기 위해 6 개의 내부 변수가 최적입니다.
• 재료 안정성: 시각화는 성장 함수가 물리적 한계를 성공적으로 강제함을 확인시켜 줍니다. 이러한 함수가 없으면 모델은 부피가 0 일 때 (det $F=0$) 유한한 응력을 예측하여 물리적으로 불안정합니다. 이러한 함수를 사용하면 재료가 압축됨에 따라 응력이 올바르게 음의 무한대로 접근합니다.
• 식별성 검증: 저자들은 동일한 데이터셋에서 서로 다른 초기값으로 두 개의 독립적인 NN 모델을 훈련했습니다. 결과적으로 생성된 내부 변수 궤적은 서로의 선형 변환인 것으로 발견되었으며, 중앙값 선형 적합 오차는 약 3% 로, 이론적 고유성 주장을 실증적으로 검증했습니다.

의의 및 범위
이 논문은 이 프레임워크가 이력 의존성 재료에 대한 구성 법칙을 학습하기 위한 강력하고 해석 가능하며 수학적으로 건전한 접근법을 제공한다고 주장합니다. 열역학 및 존재 이론과의 일관성을 보장함으로써, 결과적으로 생성된 모델은 다중 규모 유한 요소 솔버 (예: Abaqus) 에서의 대리 모델로 사용될 수 있으며, 고비용의 FE2 계산을 대체할 잠재력을 가집니다. 저자들은 이 방법이 점탄성/점소성 마그네슘에 대해 시연되었지만, 프레임워크는 이력 의존성 응답을 포착하기에 충분히 일반적이라고 언급합니다. 이 연구는 이질적이고 미세 구조에 의존하는 포텐셜 학습 및 공간적으로 비국소적인 응답 학습과 같은 향후 방향을 식별하지만, 제시된 수치적 동질화 사례 연구를 넘어 구체적인 실험적 검증을 제안하지는 않습니다.