🔬 condensed matter

Physics-Informed Symbolic Regression for Predicting the Glass Transition Temperature of Alkali Borate Glasses

이 논문은 강체 단위 충전율(Rigid Unit Packing Fraction) 기술자를 활용한 물리 정보 기반 기호 회귀가 알칼리 붕산염 유리의 유리 전이 온도를 예측하기 위해 구조적 강성, 해리 에너지, 그리고 네트워크 충전 사이의 물리적 상호작용을 명시적으로 포착하면서도 높은 정확도로 해석 가능한 폐쇄형 모델을 성공적으로 도출함을 입증한다.

원저자: Leonardo dos Santos Vitoria, Marcio Luis Ferreira Nascimento, Susana de Souza Lalic, Daniel Roberto Cassar

게시일 2026-08-18

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Leonardo dos Santos Vitoria, Marcio Luis Ferreira Nascimento, Susana de Souza Lalic, Daniel Roberto Cassar

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

유리는 결정의 엄격한 규칙을 거부하는 물질입니다. 결정은 원자를 완벽하고 반복적인 패턴으로 배열해야 하지만, 유리는 너무 빠르게 냉각되어 질서를 찾지 못한 채 엉킨 원자들의 혼란스러운 덩어리이자 얼어붙은 액체입니다. 이러한 경직된 구조의 결여는 유리에 놀라운 다재다능함을 부여하며, 과학자들이 창문부터 방사선 차폐막에 이르기까지 모든 것을 위한 재료를 만들기 위해 화학적 성분을 조합하고 섞을 수 있게 해줍니다. 모든 유리의 가장 중요한 특성 중 하나는 유리 전이 온도인데, 이는 물질이 단단하고 부서지기 쉬운 고체에서 부드럽고 유연한 상태로 변하는 특정 지점입니다. 이 온도를 아는 것은 제조에 필수적이지만, 새로운 혼합물에 대해 이를 예측하는 것은 오랫동안 난제로 남아 있었습니다. 그 이유는 유리의 원자들이 단순히 가만히 있는 것이 아니라, 정확히 어떤 원소가 어떤 양으로 추가되느냐에 따라 형태와 강도가 변하는 네트워크를 형성하기 때문입니다.

수십 년 동안 연구자들은 머신 러닝이라 불리는 강력한 컴퓨터 프로그램에 의존해 왔습니다. 이 프로그램들은 방대한 양의 데이터에서 패턴을 찾는 데 탁est하지만, '블랙박스'처럼 작동합니다. 그들은 답을 알려줄 수는 있지만, 왜 그런 결론에 도달했는지는 설명하지 못하며, 이로 인해 과학자들은 결과 뒤에 숨겨진 물리 법칙을 이해할 수 없게 됩니다. 브라질과 브라질 에너지 및 재료 연구 센터의 연구팀이 수행한 새로운 연구는 '물리 정보 기반 심볼릭 회귀(physics-informed symbolic regression)'라는 다른 접근 방식을 사용하여 이를 변화시키고자 합니다. 복잡한 알고리즘 속에 논리를 숨기는 대신, 이 방법은 유리가 어떻게 행동하는지를 설명하는 단순하고 읽기 쉬운 수학적 문장을 찾아냅니다. 연구진은 붕소 산화물에 리튬, 나트륨, 칼륨과 같은 다양한 알칼리 금속을 혼합하여 만든 유리 제품군에 집중했습니다. 이 재료들은 금속을 더 많이 추가하면 처음에는 유리를 강화하지만 결국에는 약화시키는 기이한 행동, 즉 '붕소 이상 현상(boron anomaly)'으로 유명합니다.

연구팀은 기존 과학 데이터베이스에서 유리 조성과 그에 상응하는 전이 온도에 대한 수백 개의 실험 기록을 수집했습니다. 그런 다음 이 데이터를 명확한 방정식을 찾아내도록 설계된 컴퓨터 프로그램에 입력했습니다. 프로그램은 아무 숫자나 사용할 수 없었으며, 원자 사이의 결합을 끊는 데 필요한 에너지나 원자들이 얼마나 빽빽하게 채워져 있는지와 같이 실제 물리적인 것들을 나타내는 변수만을 사용하도록 강제되었습니다. 목표는 정확할 뿐만 아니라 인간 물리학자가 이해할 수 있는 공식을 찾는 것이었습니다. 엄격한 탐색 끝에 컴퓨터는 단 하나의 간결한 방정식을 만들어냈습니다. 이 방정식은 알려진 혼합물들에 대해 높은 정밀도로 전이 온도를 예측했으며, 실험값과의 오차는 켈빈 척도로 약 15~16도에 불과했습니다. 더 중요한 것은, 이 방정식이 화학 결합의 강도와 원자들의 패킹 방식이 유리의 행동을 이끄는 주요 동력임을 밝혀냈다는 점이며, 이는 모델이 단순히 데이터를 암기한 것이 아니라 실제 물리학을 포착했음을 확인시켜 줍니다.

그들의 발견이 진정으로 견고한지 테스트하기 위해, 연구진은 모델에게 원래 학습 데이터에 포함되지 않았던 두 가지 무거운 금속인 루비듐과 세슘을 포함하는 유리의 거동을 예측하도록 요청했습니다. 이는 모델이 이 원소들을 한 번도 본 적이 없기 때문에 어려운 테스트입니다. 결과적으로 방정식은 놀라울 정도로 잘 작동하여, 이 새로운 재료들에 대한 전이 온도를 정확하게 예측했습니다. 이러한 성공은 모델이 학습한 물리적 규칙이 단순히 공부한 사례들에만 국한된 것이 아니라, 이 유리 제품군에 대해 보편적임을 시사합니다. 연구진은 또한 이 모델을 사용하여 새로운 루비듐 및 세슘 유리 내의 결합을 끊는 데 필요한 에너지를 추정했습니다. 추정된 값들은 원자가 커짐에 따라 감소하는 논리적인 순서를 따랐으며, 이는 기초 화학에 근거하여 과학자들이 기대하는 바와 일치했습니다. 이러한 일관성은 모델이 진정한 물리적 관계를 찾아냈다는 강력한 증거를 제공했습니다.

또한 이 연구는 원자들이 얼마나 빽빽하게 채워져 있는지를 계산하는 기존 방식의 결함도 강조했습니다. 전통적인 계산은 유리 구조의 강성을 과대평가하는 경 경우가 많았으며, 이는 부정확한 예측으로 이어졌습니다. 새로운 모델은 이 패킹을 측정하는 더 정교한 방법을 사용하여 이러한 오류를 수정하고 훨씬 더 현실적인 결과를 만들어냈습니다. 나아가, 연구팀은 통계적 기법을 사용하여 예측의 불확실성을 지도화했습니다. 그들은 모델이 붕소 이상 현상이 발생하는 특정 화학적 혼합 범위에서 가장 불확실하다는 것을 발견했습니다. 이는 유리 구조가 가장 극적으로 변하는 구간이기 때문에 예측하기 가장 어렵다는 점을 고려할 때 타당한 결과입니다. 모델이 확신하지 못하는 지점을 정확히 식별함으로써, 연구진은 자신들의 이해가 가진 한계를 더 명확하게 보여주었습니다.

결국, 이 연구는 정확하면서도 투명한 컴퓨터 모델을 구축하는 것이 가능하다는 것을 입증합니다. 물리학의 언어로 수학이 말하도록 강제함으로써, 연구진은 단순히 답을 추측하는 것이 아니라 유리의 이야기를 설명하는 도구를 만들었습니다. 그들은 전이 온도가 원자 네트워크가 어떻게 연결되는지와 그 연결을 끊는 데 얼마나 많은 에너지가 필요한지의 직접적인 결과임을 보여주었습니다. 이 접근 방식은 새로운 재료를 설계하는 데 있어 유망한 길을 제시하며, 과학자들이 불투명하고 설명 불가능한 알고리즘에 의존하지 않고도 '무엇' 뒤에 숨겨진 '왜'를 이해할 수 있게 해줍니다. 이번 연구 결과는 이러한 특정 유리들에 대해, 결합 강도와 원자 패킹 사이의 상호작용이 열적 거동을 밝히는 핵심임을 확인시켜 주며, 향후 발견을 위한 명확하고 해석 가능한 규칙을 제공합니다.

기술 요약: 알칼리 붕산염 유리의 유리 전이 온도 예측을 위한 물리 정보 기반 심볼릭 회귀

문제 정의
알칼리 붕산염 유리( $x\text{M}_2\text{O} \cdot (100-x)\text{B}_2\text{O}_3$ , 여기서 M = Li, Na, K, Rb, Cs)의 유리 전이 온도( $T_g$ )는 조성이 매우 중요한 결정적 물성이다. $T_g$ 를 제1원리로부터 예측하는 것은 붕소 네트워크의 구조적 복잡성, 특히 배위 변화가 발생하는 "붕소 이상 현상(boron anomaly)"으로 인해 매우 어렵다. GlassNet과 같은 머신러닝(ML) 모델은 대규모 데이터셋을 사용하여 높은 예측 정확도를 보여주었으나, 이들은 일반적으로 내부적인 물리 메커니즘을 밝혀내는 데 필요한 해석력을 결여한 "블랙박스"로 기능한다. 기존 모델들은 조성과 구조 및 열역학 사이를 연결하는 명시적인 수학적 관계를 인간이 이해할 수 있는 형식으로 제공하지 못하는 경우가 많다.

방법론
저자들은 $T_g$ 에 대한 해석 가능한 폐쇄형 식(closed-form expression)을 도출하기 위해 **물리 정보 기반 심볼릭 회귀(Physics-Informed Symbolic Regression, SR)**를 채택하였다. 이 접근 방식은 진화 알고리즘(PySR 라이브러리 사용)과 단순한 조성 데이터만이 아닌, 물리적으로 의미 있는 일련의 기술자(descriptors)를 결합하였다.

데이터 큐레이션: SciGlass 데이터베이스와 문헌으로부터 Li, Na, K를 포함하는 309개의 조성 데이터를 수집하였다. 데이터 누수(data leakage)를 방지하기 위해 화학적으로 동등한 조성들을 그룹화하였으며, 중앙값 $T_g$ 값을 할당하였다. Rb와 Cs를 포함하는 별도의 142개 조성 세트는 오직 외삽(extrapolation) 테스트를 위해서만 예약되었다.
특성 공학(Feature Engineering): 입력 특성은 몰 분율, 원자 반지름, 충진율(packing fraction), 해리 에너지와 같은 근본적인 물리화학적 성질로부터 유도되었다. 결정적으로, 본 연구는 기존의 원자 충진율(APF)과 대조되는 Shi 등이 제안한 **강체 단위 충진율(Rigid Unit Packing Fraction, RUPF)**을 활용하였다.
모델 유도: SR 알고-리즘은 입력 특성과 $T_g$ 를 연결하는 수학적 식을 탐색하였다. 제약 조건으로는 간결한 방정식을 선호하기 위한 파시모니 계수(parsimony factor)와 제한된 연산자 집합이 포함되었다. 도출된 가공되지 않은 식들은 차원 일관성과 물리적 해석 가능성을 보장하기 위해 수동으로 수정되었다.
매개변수 추정 및 외삽: Rb와 Cs에 대한 해리 에너지( $g_{\text{M}_2\text{O}}$ )를 사용할 수 없었기 때문에, 이를 조정 가능한 매개변수로 취급하였다. 이들은 실험값과 예측된 $T_g$ 사이의 평균 제곱 오차(MSE)를 최소화함으로써 피팅되었다.
검증 및 불확실성: 모델은 다음을 통해 검증되었다:
1. 테스트 및 외삽 세트에 대한 통계적 지표 (MAE, RMSE).
2. 피팅된 해리 에너지를 사용하여 영률(Young's modulus, $E$ )을 예측하는 수정된 Makishima–Mackenzie (MM) 모델을 통한 교차 물성 검증.
3. 해리 에너지 변동성으로부터 최종 $T_g$ 예측으로 오차를 전파하기 위한 몬테카를로(Monte Carlo, MC) 불확실성 정량화.

주요 기여 및 결과

해석 가능한 모델의 도출: 본 연구는 해리 에너지와 충진율을 명시적으로 포함하는 $T_g$ 에 대한 폐쇄형 식(식 10)을 성공적으로 유도하였다. 최종 방정식은 해리 에너지 항의 지배력을 강조하며, 이는 국부적 결합 강도가 $T_g$ 의 주요 동인임을 시사한다.
$T_g = \frac{23}{11} \frac{T_g^{\text{B}_2\text{O}_3}(x=0)}{g_{\text{BO}_3}} \left[ \frac{g_{\text{BO}_4}}{12} - \left( \sum g_i X_i - \frac{g_{\text{BO}_3}}{3} \right) \Delta_M \right]$
이 모델은 3배위( $\text{BO}_3$ )에서 4배위( $\text{BO}_4$ ) 붕소로의 전이 및 그에 따른 비가교 산소(non-bridging oxygens)의 형성을 고려함으로써 $T_g$ 의 비단조적 거동(붕소 이상 현상)을 포착한다.
APF 대비 RUPF의 우수성: 본 연구는 강체 단위 충진율(RUPF)에 기반한 모델이 기존의 원자 충진율(APF)을 사용하는 모델보다 크게 성능이 우수함을 입증하였다.
- RUPF 성능: 전체 제곱평균제곱근 오차(RMSE) 15.61 K, 평균 절대 오차(MAE) 12.61 K를 달 Ach성하였다.
- APF 성능: RMSE가 89.86 K로 나타났으며, 이는 APF가 중간 조성에서 $\text{BO}_3$ 단위의 조밀함을 정확하게 표현하지 못하여 구조적 강성과 $T_g$ 를 체계적으로 과대평가함을 나타낸다.
성공적인 외삽: Li, Na, K 시스템에 대해서만 학습된 모델은 Rb 및 Cs 시스템에 대해서도 유지된 정확도(RMSE 범위 12.48 K ~ 17.22 K)로 성공적으로 외삽되었다. 피팅된 Rb 및 Cs의 해리 에너지는 물리적으로 예상되는 경향( $g_{\text{Li}_2\text{O}} > g_{\text{Na}_2\text{O}} > g_{\text{K}_2\text{O}} \gtrsim g_{\text{Rb}_2\text{O}} \gtrsim g_{\text{Cs}_2\text{O}}$ )을 따랐으며, 이는 모델의 물리적 일관성을 확인시켜 준다.
교차 물성 검증: $T_g$ 예측을 위해 피팅된 해리 에너지는 수정된 MM 모델을 통해 영률을 계산하는 데 사용되었다. Rb 및 Cs 시스템에 대한 예측 탄성률은 실험 및 이론적 참조 값과 잘 일치하였으며(예: Cs 시스템에 대해 RMSE 1.26 GPa), 이는 추론된 매개변수가 특정 예측 대상인 $T_g$ 를 넘어 물리적으로 일관됨을 입증한다.
불확실성 정량화: 몬테카를로 분석 결과, 예측 불확실성은 균일하지 않으며 붕소 이상 현상과 관련된 조성 영역(알칼리 약 30 mol%)에서 정점에 달하는 것으로 나타났다. 이는 모델의 한계를 구조적 전이가 네트워크의 에너지 균형에 가장 민감하게 작용하는 지점과 직접적으로 연결시킨다.

의의 및 주장
본 논문은 물리 정보 기반 심볼릭 회귀가 유리 시스템의 물성 예측을 위한 투명하고 해석 가능한 블랙박스 ML 모델의 대안이 될 수 있음을 제안한다. 물리화학적 기술자(특히 해리 에너지와 RUPF)를 회귀 과정에 통합함으로써, 저자들은 통계적으로 정확할 뿐만 아니라 물리적으로 근거가 확실한 모델을 달성하였다.

본 연구의 의의는 다음과 같다:

확립된 물리 이론(예: 위상적 제약 이론 및 붕소 이상 현상)과 일치하는 명시적인 구조-물성 관계를 복구한다.
하나의 물성( $T_g$ )을 위해 매개변수를 피팅하는 것이 다른 물성(영률)에 대해서도 물리적으로 일관된 값을 얻을 수 있음을 보여주며, 이는 희소한 물리 데이터(해리 에너지 등)를 풍부한 데이터( $T_g$ 등)를 사용하여 추정할 수 있는 전이 가능한 프레임워크를 시사한다.
예측 불확실성을 정량화하는 방법을 제공하여, 구조적 전이가 더 높은 변동성을 유발하는 특정 조성 영역을 식별한다.

저자들은 본 모델이 연구된 알칼리 붕산염 패밀리 내에서는 견고하지만, 서로 다른 시스템은 결합, 충진 및 네트워크 토폴로지의 서로 다른 균형에 의해 지배될 수 있으므로, 추가적인 검증 없이 화학적으로 구별되는 다른 유리 패밀리로의 전이성을 가정해서는 안 된다고 결론지었다.

유사한 논문