NestyNet. I. Physics Functions Are Hard to Fit with Neural Networks: A Framework for Accurate Surrogates and Analytic Derivatives

당신이 로봇에게 날씨를 예측하는 법을 가르치려 한다고 상상해 보십시오. 당신은 온도, 바람, 기압에 관한 백만 개의 데이터 포인트를 로봇에게 줍니다. 재미있는 고양이 사진을 만들거나 시를 쓰는 데 사용되는 표준 AI 도구들은 무질서한 데이터에서 패턴을 찾는 데 매우 뛰어납니다. 그것들은 마치 몇 장의 사진만 보고도 폭풍의 꽤 괜찮은 스케치를 그려내는 아주 재능 있는 화가와 같습니다. 하지만 물리학에서는 "꽤 괜찮은 수준"으로는 충분하지 않습니다. 별의 움직임이나 다리가 견디는 힘을 예측하려고 할 때, 단순히 물체가 어디에 있는지 아는 것만으로는 부족합니다. 얼마나 빠르게 가속되는지, 힘이 어떻게 뒤틀리는지, 그리고 에너지가 어떻게 흐르는지를 정확히 알아야 합니다.

여기서 문제가 시작됩니다. 물리학 방정식은 종종 깊고 좁은 골짜기가 있는 들쭉날쭉한 산맥과 같습니다. 표준 AI 도구들은 작은 무작위 단계를 밟으며 이 산들을 오르려 노력합니다. 그들은 골짜기 바닥에 가까워질 수는 있지만, 종종 가파른 옆면에 걸려 갇히거나 진짜 바닥을 완전히 놓치기도 합니다. 그들이 근처에 도달했을 때, "기울기"(변화하는 속도)에 대한 추측은 대개 틀립니다. 이는 마치 앞길만 보여주고 곡선은 보여주지 않는 눈가리개를 쓴 채 가파르고 굽이진 길을 운전하는 자동차와 같습니다. 길 위에는 머물 수 있겠지만, 급하게 회전해야 하는 순간 사고를 내고 말 것입니다. 과학자들에게는 거친 스케치가 아니라 완벽한 정밀도로 이 까다로운 수학적 지형을 항해할 방법이 필요합니다.

이것이 바로 로드리고 이바타(Rodrigo Ibata)와 그의 팀이 소개한 **네스티넷(NestyNet)**이라는 새로운 프레임워크가 해결하고자 하는 문제입니다. 그들은 문제가 AI가 충분히 똑똑하지 않아서가 아니라, AI가 사용하는 "지도"가 너무 흔들리기 때문이라는 것을 깨달았습니다. 이를 해결하기 위해, 그들은 단순히 답을 추측하는 것이 아니라, 반드시 매끄럽고 측정하기 쉬운 수학적 구조를 구축하는 새로운 종류의 AI를 만들었습니다.

표준 AI를 고무줄으로 만든 거대하고 유연한 그물이라고 생각해 보십시오. 당신이 데이터에 맞게 그물을 잡아당기면, 고무줄은 예측 불가능한 방식으로 늘어나고 뒤틀립니다. 그래서 그물이 어떻게 휘고 있는지 정확히 알기 어렵습니다. 반면, 네스티넷은 매끄럽고 서로 맞물리는 레고 블록으로 벽을 쌓는 것과 같습니다. 각 블록은 단순하고 예측 가능한 곡선입니다. 이 블록들을 쌓아 올리면 전체 벽은 여전히 매끄럽지만, 각 블록이 정확히 어떤 모양인지 알고 있기 때문에 복잡한 수학 계산 없이도 즉시 기울기, 곡률, 심지어 벽 아래의 면적까지 계산할 수 있습니다.

연구팀은 이 "레고 벽" 접근 방식을 단순 역학부터 복잡한 양자 문제에 이르기까지 120개의 유명한 물리학 방정식에 테스트했습니다. 결과는 놀라웠습니다. 표준 "고무줄" AI와 비교했을 때, 네스티넷은 단순히 조금 더 나은 수준이 아니라 거대한 도약이었습니다. 기본 값의 경우 약 2,100배 더 정확했습니다. 1차 도함수(기울기)의 경우 1,400배 더 정확했으며, 2차 도함수(기울기의 변화)의 경우 780배 더 정확했습니다. 심지어 표준 AI의 답변을 추가적인 수학적 기법으로 다듬었을 때조차, 네스티넷은 수백 배 더 높은 성능을 보였습니다.

마법은 정확도에서 멈추지 않았습니다. 네스티넷은 이러한 매끄러운 해석적 블록으로 구축되었기 때문에, 다른 AI들이 기울기를 알아내기 위해 사용하는 느리고 무거운 장치들을 사용할 필요가 없습니다. 네티넷은 이를 즉각적으로 계산할 수 있습니다. 실제로 기울기를 계산할 때 표준 방식보다 최대 44배 더 빨랐습니다. 이러한 속도와 정밀도는 AI가 열 방정식이나 유체 역학 같은 복 복잡한 방정식을 실시간으로 풀어야 하는 "물리 정보 신경망(PINNs)"에 완벽한 도구가 됩니다.

저자들은 또한 오류가 어떻게 작동하는지에 대한 매혹적인 "법칙"을 발견했습니다. 만약 AI가 데이터 포인트를 잘 맞추면서 동시에 곡률(휘어짐)을 제어한다면, 기울기는 거의 자동으로 정확해진다는 것을 발견했습니다. 이는 마치 수학에 숨겨진 규칙이 있는 것과 같습니다. 형태와 굴곡을 제대로 잡으면, 속도는 그 둘의 기하학적 평균이 된다는 것입니다. 이를 통해 과학자들은 속도에 대한 직접적인 측정이 없더라도 사물이 얼마나 빨리 움직이는지에 대한 AI의 예측을 신뢰할 수 있습니다.

이것이 단순히 만들어낸 숫자로 하는 게임이 아님을 증명하기 위해, 연구팀은 은하계 내 별들의 수직 가속도를 측정하는 실제 천체 물리학적 난제를 해결하는 데 네스티넷을 사용했습니다. 수백만 개의 별의 위치와 속도를 맞춤으로써, 네티넷은 그들에게 작용하는 보이지 않는 중력을 높은 정밀도로 계산해 냈습니다. 이는 천문학자들에게 한 세기 동안 도전 과제였던 작업이었으며, 네티넷은 노이즈가 많고 무질서한 데이터셋을 깨끗하고 신뢰할 수 있는 물리적 측정값으로 변환하며 이를 해결했습니다.

요약하자면, 네스티넷은 과학자들이 자신의 AI가 단순한 패턴 매칭 도구가 아닌 정밀한 계산기가 되기를 원할 때 사용할 수 있는 새로운 툴킷입니다. 이것은 표준 AI의 흔들리는 고무줄을 매끄럽고 예측 가능한 레고 블록으로 대체하여, 연구자들이 가장 까다롭고 "뻣뻣한(stiff)" 물리학 문제들을 전례 없는 정확도와 속도로 해결할 수 있게 해줍니다. 이는 수학이 어려워질 때, 때로는 AI를 더 크게 만드는 것보다 그 구성 요소를 더 똑똑하게 만드는 것이 최선의 길임을 보여줍니다.