🔬 materials science

Beyond Stoner-Wohlfarth: Machine-Learning Models and Symbolic Regression of Hard-Magnet Properties

이 논문은 12,000개 이상의 미로자기 시뮬레이션을 학습하여 경자성 외부 특성을 정확하게 예측하고 고유 매개변수를 복원하는 머신러닝 모델과 기호 회귀를 소개하며, 이는 전통적인 해석 모델 및 직접 시뮬레이션을 대체할 수 있는 계산 효율적인 대안을 제공한다.

원저자: Samuel J. R. Holt, Christina Winkler, Timoteo Colnaghi, Martin Lang, Swapneel A. Pathak, Andrea Petrocchi, Michael Adams, Thomas Schrefl, Andreas Marek, Hans Fangohr

게시일 2026-08-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Samuel J. R. Holt, Christina Winkler, Timoteo Colnaghi, Martin Lang, Swapneel A. Pathak, Andrea Petrocchi, Michael Adams, Thomas Schrefl, Andreas Marek, Hans Fangohr

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 초강력 자석을 위한 새로운 레시피를 완성하려는 숙련된 셰프라고 상상해 보십시오. 당신에게는 재료 목록이 있습니다: 내부에 들어있는 자기적 '물질'의 양(포화 자화), 원자들이 얼마나 서로 손을 꽉 잡고 있는지(교환 상수), 그리고 원자들이 어느 방향을 향할지 결정하는 데 얼마나 고집스러운지(이방성 상수)입니다. 현실 세계에서, 만약 최종 자석이 얼마나 강할지—즉, 자성을 떼어내기가 얼마나 어려운지 또는 에너지를 얼마나 저장할 수 있는지 알고 싶다면, 보통 한 배치를 구워낸 뒤 테스트하여 결과를 확인해야 합니다. 하지만 컴퓨터로 이러한 자기적 '케이크'를 굽는 것은 믿을 수 없을 정도로 느리고 비용이 많이 듭니다. 단 하나의 작은 입자를 시뮬레이션하는 데만 몇 시간 또는 며칠이 걸릴 수도 있기 때문입니다.

수십 년 동안 과학자들은 '스토너-볼파르트(Stoner–Wohlfarth)' 모델과 같은 간단한 수학 레시피를 사용하여 그 결과를 추측하려고 노력해 왔습니다. 이 오래된 레시피들을 생각해보면, 자석 안의 모든 원자가 마치 완벽하게 발맞추어 행진하는 병사처럼 움직인다고 가정하는 것과 같습니다. 이는 대략적인 아이디어를 제공하지만, 원자들이 꿈틀거리거나 뒤틀리거나 작은 소용돌이를 형성할 수 있는 무질서한 현실은 무시합니다. 큰 질문은 이것입니다. 복잡한 컴퓨터 시뮬레이션을 위해 며칠을 기다리지 않고도, 단지 재료들을 보는 것만으로 최종 자석의 강도를 예측할 수 있을까요? 이는 더 나은 자석이 더 효율적인 전기 모터, 더 깨끗한 에너지 생성, 그리고 더 빠른 데이터 저장을 의미하기 때문에 매우 중요합니다.

이 논문에서 연구팀은 컴퓨터에게 기존의 수학 레시피보다 더 나은 셰프가 되도록 가르치기로 했습니다. 그들은 단순히 추측하지 않았습니다. 그들은 완벽한 정육면체 모양의 자기 입자에 대한 12,000개 이상의 가상 시뮬레이션으로 구성된 방대한 데이터셋을 만들어냈습니다. 그들은 이 결과들을 머신러닝 모델에 입력했는데, 이는 본질적으로 컴퓨터가 재료들이 어떻게 섞여 최종 자석을 만드는지에 대한 복잡하고 숨겨진 규칙을 학습하도록 하는 과정이었습니다. 그들은 이 스마트한 컴퓨터 모델들이 기존의 공식들보다 훨씬 더 높은 정확도로 자석의 강도, '끈기'(잔류 자기), 그리고 에너지 잠재력을 예측할 수 있다는 것을 발견했습니다.

하지만 여기서 영리한 반전이 있습니다. 연구진은 단순히 설명 없이 답만 내놓는 '블랙박스'를 원한 것이 아니었습니다. 그들은 '심볼릭 회귀(symbolic regression)'라고 불리는 기법을 사용했는데, 이는 컴퓨터에게 그것이 학습한 실제 수학 레시피를 직접 써보라고 요청하는 것과 같습니다. 놀랍게도 컴퓨터는 자석의 방향을 바꾸는 것이 얼마나 어려운지(역코어스 관성력)에 대한 유명한 옛 공식을 재발견했을 뿐만 아니라, 재료 자체에 따라 달라지는 약간의 새로운 보정치를 추가했습니다. 또한, 아무도 써 내려간 적 없는 다른 두 가지 특성에 대한 완전히 새롭고 단순한 수학 공식들을 만들어냈습니다. 이 새로운 공식들은 복잡한 컴퓨터의 뇌만큼이나 정확하면서도, 냅킨 위에 적을 수 있을 만큼 간단합니다.

연구팀은 그 반대의 작업도 시도했습니다. 즉, 최종 자석의 강도를 보고 재료가 무엇이었는지 추측하는 것입니다. 그들은 자기적 '물질'이 얼마나 있는지와 원자들이 얼마나 고집스러운지를 정확하게 파악할 수 있었습니다. 하지만 그들은 '손을 잡는 힘'(교환 상수)의 벽에 부딪혔습니다. 알고 보니, 이 특정 재료는 최종 결과에 미치는 영향이 너무나 미미해서 가장 똑똑한 컴퓨터조차 완성된 자석을 보는 것만으로는 이를 신뢰성 있게 추측할 수 없었습니다.

마지막으로, 연구진은 훈련된 모델들을 mammos-ai라는 무료 도구로 패키징했습니다. 시뮬레이션을 위해 몇 시간을 기다리는 대신, 사용자는 재료를 입력하기만 하면 순식간에 예측값을 얻을 수 있습니다. 이 모델들은 컴퓨터 속의 이상적이고 완벽한 정육면체에는 완벽하게 작동하지만, 저자들은 실제 세계의 자석은 결함과 결정립 경계로 가득 찬 무질서한 상태라는 점을 언급했습니다. 그럼에도 불구하고, 이 연구는 수천 개의 잠재적인 자석 레시피를 몇 초 만에 스크리닝할 수 있는 강력하고 빠르며 놀라울 정도로 단순한 방법을 제공하며, 더 나은 영구 자석의 빠른 발견을 위한 길을 열어줍니다.

기술 요약: Stoner–Wohlfarth 모델을 넘어: 경성 자석 특성에 대한 머신러닝 모델 및 기호 회귀(Symbolic Regression)

문제 정의
영구 자석의 내재적 미크로자기 매개변수(포화 자화 $M_s$ , 교환 상수 $A$ , 단축 이방성 상수 $K$ )로부터 외재적 자기 특성(보자력 $H_c$ , 잔류 자화 $M_r$ , 최대 에너지 적 $BH_{max}$ )을 예측하는 것은 재료 과학 분야의 근본적인 과제이다. 확립된 해석적 모델(예: Stoner–Wohlfarth 및 Kronmüller)이 유용한 추정치를 제공하기는 하지만, 이들은 종종 비균일한 자화 과정과 미세 구조적 복잡성을 설명하는 데 한계를 보인다. 반대로, 이러한 세부 사항을 포착하는 직접적인 미크로자기 시뮬레이션은 계산 비용이 매우 높아, 하나의 매개변수 집합당 수 시간 또는 수일이 소요될 수 있으며, 이는 신속한 재료 탐색 및 최적화를 저해한다.

방법론
저자들은 12,012개의 이상적인 고립된 입방형 결정립(측면 길이 50 nm)에 대한 미크로자기 시뮬레이션 데이터셋을 학습시켜 이 간극을 해결한다. 시뮬레이션은 광범위한 내재적 매개변수 범위에 걸쳐 MaMMoS-MuMag 코드(JAX 기반 유한 요소 솔버)를 사용하여 수행되었다:

$M_s$ : $7.96 \times 10^4$ ~ $3.98 \times 10^6$ A/m
$A$ : $10^{-13}$ ~ $10^{-11}$ J/m
$K$ : $10^4$ ~ $10^7$ J/m³

데이터셋은 물리적 타당성을 보장하기 위해 필터링되었으며(예: 교환 길이 또는 도메인 벽 폭이 1 nm 메쉬 크기보다 작은 경우 제외), 인가된 자기장 범위 내에서 자화 반전이 일어나지 않은 시뮬레이션은 제거되었다. 결과적으로 9,957개의 유효 샘플이 학습에 사용되었다.

본 연구는 다단계 접근 방식을 채택한다:

분류(Classification): k-평균 클러스터링 알고리즘을 사용하여 정규화된 잔류 자화( $M_r/M_s$ )를 기준으로 "경자석(hard)"과 "연자석(soft)" 영역을 구분한다.
순방향 모델링(Forward Modeling): 다섯 가지 ML 아키텍처(선형 회귀, LASSO, 랜덤 포레스트, 가우시안 프로세스, 완전 연결 신경망)를 사용하여 $M_s$ , $A$ , $K$ 로부터 $H_c$ , $M_r$ , $BH_{max}$ 를 예측하도록 학습시킨다.
기호 회귀(Symbolic Regression): PySR 라이브러리를 사용하여 시뮬레이션 데이터에 부합하는 폐쇄형(closed-form) 해석적 표현식을 탐색함으로써, 해석 가능한 물리 법칙을 복구하는 것을 목표로 한다.
역모델링(Inverse Modeling): 매핑을 역전시켜 외재적 출력( $H_c$ , $M_r$ , $BH_{max}$ )으로부터 내재적 매개변수( $M_s$ , $A$ , $K$ )를 예측한다.

주요 기여 및 결과

우수한 예측 정확도: 별도의 테스트 세트에서 해석적 모델과 벤치마킹한 결과, ML 모델이 기존의 해석적 접근 방식보다 성능이 크게 우수함을 입증했다. 랜덤 포레스트(RF)와 가우시안 프로세스(GP) 모델이 가장 낮은 오차를 달밀했다. 보자력의 경우, RF는 RMSE를 기존 Kronmüller 모델의 195 kA/m에서 92 kA/m로 줄였으며, GP는 18 kA/m까지 낮추었다. $M_r$ 및 $BH_{max}$ 에서도 유사한 개선이 관찰되었다.
기호 회귀의 발견: 기호 회귀는 $H_c$ 에 대해 Kronmüller 형태를 성공적으로 복구했으나, 새로운 변형을 찾아냈다. 즉, 유효 탈자 계수( $N_{eff}$ )가 상수가 아니라 재료 특성의 함수임이 밝혀졌다. 구체적으로 도출된 법칙은 $H_c = [\alpha - n \ln \tilde{L}/\kappa] H_A$ 이며, 여기서 $\tilde{L}$ 은 축소된 결정립 크기이고 $\kappa$ 는 자기 경도 매개변수이다. 또한 저자들은 결정립 크기와 이방성에 기초한 보정 항을 포함하는 $M_r$ 및 $BH_{max}$ 에 대한 새로운 폐쇄형 표현식을 발견하였는데, 이는 표준 문헌에는 존재하지 않는 것이다. 최대 두 개의 피팅 상수를 포함하는 이러한 기호 법칙들은 ML 대리 모델(surrogates)의 정확도에 근접했다.
특성 중요도 및 역문제: 분석 결과 $M_s$ 와 $K$ 가 외재적 특성을 결정하는 지배적인 요인인 반면, 교환 상수 $A$ 는 약한 영향을 미치는 것으로 나타났다. 결과적으로, 역문제(외재적 변수로부터 내재적 매개변수를 복구하는 것)는 $M_s$ 와 $K$ 에 대해서는 정확한 결과를 냈으나 $A$ 를 정확하게 복구하는 데는 실패했다. 저자들은 이를 모델의 실패가 아니라, $A$ 가 히스테리시스 루프에 미치는 영향이 너무 약해 세 가지 외재적 지표만으로는 $A$ 를 고유하게 제약하는 것이 물리적으로 불가능하기 때문이라고 설명한다.
계산 효율성: mammos-ai 파이썬 패키지로 공개된 훈련된 파이프라인을 통해 수천 개의 후보 매개변수 집합을 수 초 만에 스크리닝할 수 있다. 이는 직접적인 미크로자기 시뮬레이션(GPU당 약 147분 소요)과 비교했을 때 3개 차수(1,000배) 이상의 속도 향상을 의미한다.

의의 및 범위
본 논문은 내재적 재료 매개변수와 외재적 자기 성능 사이의 간극을 메우는 강력한 데이터 기반 프레임워크를 제공한다고 주장한다. 고정밀 ML 대리 모델과 해석 가능한 기호 회귀를 결에는, 기존의 해석적 형태를 복구하는 동시에 필요한 보정 사항을 식별함으로써 예측력과 물리적 통찰력을 모두 제공한다.

저자들은 본 연구의 범위를 이상적인 고립된 입방형 결정립 및 자기장이 용이축(easy axis)에 정렬된 경우로 명시적으로 제한한다. 저자들은 실제 재료에는 모델에 포함되지 않은 미세 구조적 결함, 결정립 경계, 배향성, 열적 활성화 등이 존재함을 인정한다. 따라서 이 모델들은 결함이 없는 이상적인 결정립의 특성을 예측한다. 실제 자석의 실험 측정값과의 차이는 이러한 누락된 미세 구조적 요인 때문인 것으로 간주된다. 본 연구의 주요 효용은 더 상세한 조사를 가이드하거나 이상적인 결정립 성능의 근본적인 한계를 이해하기 위한 후보 매개변수 집합의 신속한 스크리닝을 지원하는 데 있다. 저자들은 신속한 탐색을 촉진하기 위해 모델과 법칙을 커뮤니티에 공개하였다.

유사한 논문