Mass weighting algorithm optimizes Fourier-based physics-informed neural network in adhesive contact mechanics

기술 요약: 푸리에 기반 PINN의 접착 접촉 역학을 위한 질량 가중치 알고리즘

문제 정의
탄성 접촉 역학에 적용된 물리 정보 신경망(PINNs)은 **스펙트럼 강성 불균형(spectral stiffness imbalance)**이라 불리는 근본적인 문제에 직면해 있다. 탄성 반무한 공간 문제에서, 푸리에 공간 내의 탄성 커널은 파수($q$)에 따라 선형적으로 스케일링된다. 결과적으로, 단파장(고주파 $q$) 변형 모드는 장파장 모드보다 훨씬 더 높은 탄성 에너지를 소모한다. 표준 PINN을 경사 하강법으로 학습할 때, 이러한 불균형은 고주파 모드가 그래디언트 업데이트를 지배하게 만들어 거시적 변형장의 수렴을 정체시킨다. 이 문제는 단거리 상호작용이 추가적인 고주파 성분을 도입하는 접착 접촉 문제에서 더욱 악화된다. 표준 에너지 최소화 PINN은 종종 기계 정밀도 수준의 잔차(machine-zero residuals)에 도달하지 못하거나, 고주파 노이로 인해 지배되는 비물리적이고 진동하는 응력장을 생성한다.

방법론
저자들은 **질량 가중치(Mass Weighting, MW)**라는 스펙트럼 전처리 전략으로 보강된 푸리에 기반 PINN 프레임워크를 제안한다. 이 방법론은 다음과 같은 핵심 구성 요소를 포함한다:

1. 에너지 최소화 정식화: PDE 잔차와 경계 조건 페널티의 균형을 맞추는 전통적인 PINN과 달리, 이 접근 방식은 학습 과제를 스칼라 총 퍼텐셜 에너지 함수($\Pi$)의 최소화로 정식화한다. 총 에너지는 탄성 변형 에너지($U_{el}$), 외력($U_{ext}$), 그리고 Morse 포텐셜로 모델링된 계면 상호작용 에너지($U_{int}$)로 구성된다.
2. 푸리에 특징 매핑(Fourier Feature Mapping): 입력 공간 좌표는 접촉 가장자리 근처의 급격한 변위 구배를 해상할 수 있도록 푸리에 특징을 사용하여 인코딩된다.
3. 스펙트럼 전처리 (질량 가중치): 역전파(back-propagation) 전, 손실 함수의 그래디언트는 푸리에 공간으로 변환된다. 그 후, 질량 가중치 함수 $w(q)$와 내장된 저역 통과 필터 $f(q)$에 의해 재가중치화된다:
   • 질량 가중치: $w(q) = \left( \frac{E^* q_{max}/2}{\sqrt{k_0^2 + (qE^*/2)^2}} \right)^\alpha$. 이 함수는 저파수 성분(거시적 모드)을 증폭시키는 동시에 고파수 기여도를 억제하여 그래디언트 흐름을 효과적으로 재조정한다.
   • 저역 통과 필터: $f(q) = \frac{1}{1 + (q/q_c)^\beta}$. 이는 이산화로 해결할 수 없는 서브 그리드 노이즈를 억제한다.
4. 학습 프로토콜: 전처리기는 일반 그래디언트를 사용하는 "웜업(warm-up)" 단계(100~200회 반복) 이후 활성화된다. 네트워크는 Adam 옵티마이저를 사용하여 최적화된다. 접촉 응력은 격자 민감한 수치 미분을 피하기 위해 스펙트럼 응력-변위 관계의 역 푸리에 변환을 통해 복원된다.

주요 기여

• 스펙트럼 강성 식별: 본 논문은 에너지 기반 PINN의 수렴 실패 원인을 일반적인 최적화 어려움이 아닌, 탄성 연산자에 내재된 스펙트럼 강성 불균형 때문임을 명시적으로 규명하였다.
• 질량 가중치 전처리기: 변위 그래디언트의 가중치를 재조정하기 위해 푸리에 공간에서 작동하는 특정 스펙트럼 전처리기를 도입하였다. 이를 통해 네트워크가 고주파 노이즈에 압도되지 않고 거시적 변형을 학습할 수 있게 한다.
• 직접 에너지 최소화: 이 방식은 그린 함수 적분이나 quadrature 규칙 없이 오로지 스칼라 에너지 함수의 최소화에 의존하면서도, 이를 사용하는 방법들과 대등한 정확도를 달elle 달성한다.
• 접착 거친 표면으로의 확장: 제안된 방법은 매끄러운 Hertz 접촉과 Morse 포텐셜을 이용한 프랙탈 거친 표면의 접착 상호작용 모두에 성공적으로 적용되었으며, 인장부터 압축까지의 영역을 포괄한다.

결과
제안된 방법은 접촉 역학의 고충실도 벤치마크인 그린 함수 분자 역학(GFMD) 솔루션과 검증되었다.

• 수렴 속도: 벤치마크 Hertz 접촉 문제에 대해, 질량 가중치 PINN은 400회의 Adam 반복 내에 기계 정밀도 수준의 잔차 손실에 도달했다. 반면, 조건이 없는(unconditioned) 참조 학습은 손실이 세 자릿수 높은 수준($\sim 5 \times 10^{-4}$)에서 정체되어 더 이상 수렴하지 못했다.
• 물리적 정확도:
  • 매끄러운 표면: 변위 및 접촉 응력에 대한 PINN 예측값은 인장, 무부하, 압축 영역 모두에서 GFMD 솔루션과 구분이 불가능할 정도로 일치했다.
  • 거친 표면: 프랙탈 거친 표면(Hurst 지수 $H=0.5$)에 대해, 이 방법은 저압에서의 희소한 돌기 수준 접촉 패치부터 고압에서의 연속적인 응력 분포에 이르기까지 다중 스케일 응력 구조를 정확하게 포착했다.
• 정량적 오차: 변위 및 응력에 대한 정규화된 평균 제곱근 오차(NRMSE)는 모든 테스트 케이스에서 $10^{-3}$ 미만(통상 $10^{-4}$ ~ $10^{-5}$)을 유지하여, GFMD 참조 모델과의 정량적 일관성을 확인했다.
• 안정성: 최고 파수 푸리에 모드를 모니터링한 결과, 조건 없는 학습은 지속적인 대진폭 진동을 보이는 반면, 질량 가중치 접근 방식은 이러한 모드들을 빠르게 제로로 감쇠시켜 진동 없는 안정적인 응력 프로파일을 보장함을 확인했다.

의의 및 주장
저자들은 스펙트럼 전처리가 접촉 역학에서 에너지 최소화 PINN의 안정적인 수렴을 위해 단순히 도움이 되는 수준이 아니라 필수적이라고 주장한다. 전처리가 없다면 네트워크는 그래디언트 불균형으로 인해 물리적으로 올바른 해를 학습하는 데 실패한다. 제안된 질량 가중치 알고리즘은 PINN이 다음을 수행할 수 있게 한다:

1. 명시적인 그린 함수 적분 없이 균일한 실공간 그리드 상에서 접착 접촉 문제를 해결한다.
2. 미세한 그리드(최대 $N_x = 2048$)에서도 기계 정밀도 수준의 잔차와 매끄럽고 물리적으로 올바른 응력장을 달성한다.
3. 초기 설정 외의 수동적인 전처리기 파라미터 튜닝 없이도 견고하게 작동한다.

본 논문은 현재 1차원 선접촉 기하 구조와 Morse 포텐셜로 제한되어 있으나, 푸리에 기반 정식화와 스펙트럼 전처리기는 2차원 거친 표면 및 다른 매끄러운 상호작용 포텐셜로 직접 일반화가 가능하며, 이는 전통적인 경계 요소법(BEM)에 대한 확장 가능한 대안을 제공한다.