Discovering Explicit Magnetic Core Loss Equations via Learnable Symbolic Sparse Identification

기술 요약: 학습 가능한 심볼릭 희소 식별을 통한 명시적 자기 코어 손실 방정식의 발견

문제 정의
전력 전자 분야의 고출력 밀도에 대한 지속적인 요구는 자기 부품의 동작 주파수를 메가헤르츠(MHz) 영역으로 끌어올렸으며, 이로 인해 자기 코어 손실(magnetic core loss)은 효율 및 열적 한계의 지배적인 요인이 되었습니다. 주파수($f$)와 자속 밀도($B$)의 넓은 스펙트럼 전반에 걸쳐 체적 코어 손실($P_v$)을 정확하게 모델링하는 것은 매우 까다로운 과제인데, 이는 매우 비선형적인 물리적 메커니즘 때문입니다. Steinmetz 방정식(SE) 및 그 변형들과 같은 전통적인 경험적 접근 방식은 단순성을 제공하지만, 고정된 구조와 분수 차수 법칙(fractional power laws)을 포착하지 못하는 능력으로 인해 상당한 예측 오차를 겪습니다. 반대로, 랜덤 포레스트(Random Forests)나 신경망(Neural Networks)과 같은 현대적 머신러닝 방법들은 높은 정밀도를 달성하지만, 물리적 해석력이 부족하고 효율적인 자기 설계에 필요한 분석적 통찰력을 결어한 "수학적 블랙박스"로 기능합니다. 따라서 데이터 기반 모델의 정확성과 물리적 해석 가능성을 갖춘 명시적인 방정식을 제공하는, 이 간극을 메울 수 있는 방법론이 절실히 필요합니다.

방법론: 학습 가능한 심볼릭 희소 식별 (LSSI)
본 논문은 학습 가능한 심볼릭 희소 식별(Learnable Symbolic Sparse Identification, LSSI) 프레임워크를 제안하며, 이는 자기 코어 손실 모델링을 실험 데이터로부터 직접 유도된 심볼릭 회귀 문제로 재구성한 것입니다. 이 방법론은 세 가지 핵심 구성 요소로 이루어집니다:

1. 물리 기반 후보 라이브러리:
   LSSI는 고정된 정수 지수에 의존하는 대신, 전자기 물리학에 기반하여 $M=10$개의 후보 함수로 구성된 라이브러리를 구축합니다. 여기에는 다음이 포함됩니다:

   • 히스테리시스 손실(Hysteresis Loss): 포화 근처에서의 비선형적 구조 변화를 설명하기 위해 동적으로 수정된 지수로 모델링됩니다.
   • 와류 및 이상 손실(Eddy Current and Anomalous Loss): 맥스웰 방정식과 도메인 벽 역학에서 유도되며, 일반적으로 분수 지수를 나타냅니다.
   • 포화 항(Saturation Terms): 매우 비선형적인 영역을 매핑하기 위한 제약 없는 멱법칙(power-law) 및 지수 항입니다.
   • 보조 항(Auxiliary Terms): 측정 오프셋과 열적 드리프트를 격리하기 위한 다항식 교차 결합 및 바이어스 항입니다.

2. 학습 가능한 파라미터:
   LSSI의 핵심 혁신은 후보 함수의 내부 파라미터(특히 $f^\alpha B^\beta$와 같은 형태의 지수 $\alpha$ 및 $\beta$)를 고정된 상수가 아닌 학습 가능한 파라미터($\Lambda$)로 취급한다는 점입니다.

   • 기하학적 해석: 기존의 희소 식별 방식이 후보들을 $(\alpha, \beta)$ 공간의 이산적인 정수 격자에 고정하여, 분수 물리 법칙을 여러 정수 항의 중첩으로 근사하도록 강제하는 것과 달리, LSSI는 이러한 지수들이 허용 가능한 영역 내에서 연속적으로 이동할 수 있도록 해방합니다. 이를 통해 단일 활성 항이 여러 항을 사용하여 근사하는 대신, 실제 분수 지수(예: $\alpha=1.20, \beta=2.68$)와 정확히 일치할 수 있습니다.

3. 결합 최적화 및 희소성:
   프레임워크는 넓은 범위의 코어 손실에 대해 균일한 백분율 정확도를 보장하기 위해 하이브리드 로그 평균 절대 백분율 오차(Log-Mean Absolute Percentage Error, Log-MAPE) 손 loss 함수를 채택합니다.

   • 최적화: 희소 스케일링 계수($\Xi$)와 학습 가능한 파라미터($\Lambda$)는 AdamW 알고리즘을 사용하여 결합 최적화됩니다.
   • 희소성 강제: 대부분의 계수를 0으로 유도하여 희소성을 촉진하기 위해 디커플링된 가중치 감쇠(decoupled weight decay)가 $\Xi$에만 적용되며, 정보가 없는 항을 제거하는 임계값 가지치기(threshold pruning) 메커니즘이 적용됩니다. 이를 통해 최종 모델은 컴팩트하고 물리적으로 해석 가능한 형태를 유지합니다.

주요 기여

1. 코어 손실 모델링의 재구성: 본 논문은 자기 코어 손실 모델링을 클래식한 Steinmetz 방정식의 분석적 정신을 유지하면서도 머신러닝 기반의 함수 식별 문제로 재정의합니다.
2. 희소 식별 프레임워크: 희소성과 물리적 해석 가능성을 모두 달로하는 지배적인 후보 함수를 자동으로 발견하는 프레임워크를 도입합니다.
3. 분수 법칙을 위한 학습 가능한 파라미터: 후보 함수에 학습 가능한 파라미터를 도입함으로써, 단순성을 희생하지 않고 분수 멱법칙의 기저 물리에 부합하도록 하여 정확도를 크게 향상시킵니다.

실험 결과
LSSI 프레임워크는 자동 병렬 공진 방식을 통해 수집된 Fair-Rite 95 페라이트 코어의 고충실도 코어 손실 데이터셋을 사용하여 검증되었습니다. 데이터셋은 다양한 주파수와 자속 밀도(25°C 기준)에 걸쳐 1,000개 이상의 데이터 포인트를 포함합니다.

• 정확도: LSSI는 테스트 세트에서 0.9999의 최첨단 $R^2$ 값과 **1.04%**의 평균 절대 백분율 오차(MAPE)를 달성했습니다.
• 컴팩트함: 발견된 모델은 기저 물리학을 단 4개의 활성 항을 가진 명시적인 방정식으로 응축했습니다.
• 파라미터 효율성: 이 방법은 신경망 방식(4,417개 파라미터) 및 랜덤 포레스트(199,555개 파라미터)에 비해 현저히 적은 단 15개의 파라미터만을 사용했습니다. 표 2에 상세히 기술된 바와 같이, 이 15개의 파라미터는 스케일링 계수(예: $\xi^*_1, \xi^*_2$), 분수 지수(예: $\alpha^*_h, \beta^*_h$), 그리고 보조 물리 파라미터(예: 컷오프 주파수 $f^*_{c1}, f^*_{c2}$ 및 롤오프 파워 $p^*_{c1}, p^*_{c2}$)의 혼합으로 구성됩니다.
• 비교: LSSI는 정확도와 모델 컴팩트함 측면 모두에서 전통적인 Steinmetz 방정식, 랜덤 포레스트, 피드포워드 신경망(FFNN), 그리고 학습 가능한 파라미터가 없는 표준 희소 식별(SSI) 프레임워크를 능가했습니다.

의의 및 주장
본 논문은 LSSI가 복잡한 현대적 자기 특성화 및 설계를 위한 물리적으로 투명하고 매우 정확한 솔루션을 제공한다고 주장합니다. 머신러닝의 표현력과 물리 법칙의 해석 가능성 사이의 균형을 성공적으로 맞춤으로써, LSSI는 블랙박스 모델에 대한 설계 친화적인 대안을 제시합니다. 저자들은 데이터로부터 분수 지수를 가진 명시적 방정식을 발견하는 프레임워크의 능력이, 실무 엔지니어링 응용에 필요한 속도와 직관을 유지하면서도 우수한 정확도를 달달성할 수 있게 한다고 강조합니다. 이 연구는 향후 온도 의존성 및 비정현파 여자 조건(non-sinusoidal excitation)을 다루는 확장 가능성을 시사합니다.