Scalable dynamical inference of phase-field fracture from sparse and partial measurements

교량, 터빈 블레이드 또는 세라믹 코팅이 파손되기 시작할 때, 그 위험은 단순히 재료가 마모되는 것에서 오는 경우가 드뭅니다. 대신, 대개 아주 작은 균열이 나타나고, 성장하고, 결국 구조물을 갈라놓으면서 시작됩니다. 이러한 균열이 정확히 어디에서 어떻게 이동할지 예측하는 것은 공학에서 가장 어려운 문제 중 하나입니다. 균열은 직선으로 움직이지 않습니다. 그것들은 재료가 견뎌온 응력의 이력에 따라 가지를 치고, 합쳐지며, 방향을 바꿉니다. 이러한 거동을 이해하기 위해 과학자들은 위상장 모델링(phase-field modeling)이라는 방법을 사용합니다. 균열을 날카롭고 들쭉날쭉한 가장자리 대신 부드럽고 흐릿한 선으로 표현한다고 상상해 보십시오. 이 "흐릿한" 표현 방식 덕분에 컴퓨터는 재료의 지도를 끊임없이 다시 그릴 필요 없이, 부서지는 물체의 복잡하고 무질서한 여정을 추적할 수 있습니다. 이 접근 방식은 매우 정확하지만, 고통스러울 정도로 느립니다. 강력한 컴퓨터로도 부서지는 물체의 단 한 번의 시뮬레이션을 실행하는 데 몇 시간 또는 며칠이 걸릴 수 있어, 실시간 안전 점검이나 신속한 설계 테스트에 사용하는 것이 불가능합니다.

스탠퍼드 대학교의 연구진은 몇 가지 흩어진 단서만을 사용하여 부서지는 재료의 미래 상태를 예측하도록 컴퓨터를 학습시킴으로써 이 과정을 가속화하는 새로운 방법을 개발했습니다. 느리고 무거운 시뮬레이션을 매번 실행하는 대신, 그들은 특화된 인공지능이 빠르고 똑똑한 추측자 역할을 하도록 훈련시켰습니다. 이 시스템은 재료가 어떻게 행동해 왔는지에 대한 짧은 이력과, 현재 시점에서 측정된 소수의 희소한 측정값(예를 들어 재료가 얼마나 늘어났는지를 측정하는 몇 개의 센서 데이터)을 결합하여 살펴봅니다. 이 제한된 정보로부터 AI는 균열과 주변의 응력장을 포함한 전체의 상세한 그림을 재구성합니다. 그 결과, 이 시스템은 전통적인 방식에 비해 표준 컴퓨터에서는 175배 이상, 특수 그래픽 프로세서에서는 250배 이상 빠른 속도로 순식간에 손상의 전체 범위를 보여줄 수 있습니다.

연구팀이 해결한 핵심 과제는 현실 세계에서 완벽한 데이터를 얻는 경우가 거의 없다는 점입니다. 우리는 구조물의 모든 지점에 센서를 배치할 수 없으며, 오직 몇 개만을 가질 수 있습니다. 전통적인 컴퓨터 모델은 작동을 위해 재료의 완전하고 조밀한 지도를 필요로 하며, 이것이 모델이 느린 이유입니다. 한펑 자이(Hanfeng Zhai)와 지셕 장(Zisheng Zhang)이 이끄는 스탠퍼드 팀은 빈 공간을 채우는 법을 배우는 신경망을 구축했습니다. 그들은 컴퓨터에 재료가 부서지는 수천 개의 시뮬레이션 사례를 입력하여 균열 패턴이 시간에 따라 어떻게 진화하는지 보여주었습니다. 네트워크는 몇 개의 희소한 측정값과 전체의 복잡한 형상 사이의 숨겨진 연결 고리를 인식하는 법을 배웠습니다. 이 네트워크는 단순히 다음 단계를 고립되어 추측하는 것이 아니라, 재료의 지난 열 단계의 이력을 기억함으로써 균열이 이동할 때의 방향과 운동량을 이해합니다.

실험에서 연구진은 AI에게 인장력을 받는 1미터 정방형 재료의 파손을 예측하도록 요청했습니다. 그들은 네트워크에 변위 데이터의 거친 격자(본질적으로 재료가 어떻게 움직였는지에 대한 저해상도 스냅샷)만을 제공하고 실제 손상 패턴은 숨겼습니다. 네트워크는 이력과 그 몇 가지 단서를 바탕으로 고해상도의 균열 이미지와 응력장을 추론해야 했습니다. 이 시스템은 균열이 지나가는 주요 경로, 균열이 갈라지는 방식, 그리고 재료가 늘어나는 방식을 재현하는 데 성공했습니다. 예측값은 느리지만 정밀도가 높은 시뮬레이션과 매우 유사했으며, 합쳐지고 갈라지는 균열의 복잡한 춤사위를 포착해 냈습니다. AI가 약간 어려움을 겪은 곳은 응력이 가장 급격하게 변하는 균열의 맨 끝부분과, 시간이 흐르며 미세한 오류가 쌓이기 시작하는 시뮬레이션의 아주 늦은 단계뿐이었습니다. 그러나 구조물의 대다수 부분에서 AI가 본 손상의 모습은 비용이 많이 들고 느린 계산 결과와 거의 동일했습니다.

가장 놀라운 발견 중 หนึ่ง은 이 시스템이 재학습 없이 다른 규모에서도 작동할 수 있다는 능력이었습니다. AI는 원래 256 x 256 지점의 디지털 격자에서 학습되었습니다. 연구진은 이후 이 네트워크에 훨씬 더 미세한 512 x 512 지점의 격자를 사용하여 테스트를 수행했는데, 이는 테스트에 사용된 센서의 수를 늘려 해상도를 두 배로 높인 것입니다. 새로운 학습이나 조정 없이도, 네트워크는 지식을 성공적으로 전이했습니다. 개별 지점들이 훨씬 더 가까워졌음에도 불구하고, 네트워크는 손상의 전체적인 형태와 재료가 파손되는 일반적인 경향을 유지했습니다. 이는 시스템이 단순히 학습 중에 본 특정 패턴을 암기한 것이 아니라, 균열이 성장하는 근본적인 규칙을 학습했음을 시사합니다. 이는 시스템이 다양한 세부 수준을 처리할 수 있을 만큼 견고하다는 것을 입증하며, 센서 밀도가 달라질 수 있는 실제 응용 분야에서 중요한 특징입니다.

연구진은 또한 이 특정 유형의 신경망 구조가 최선의 선택인지도 면밀히 테스트했습니다. 연구진은 자신들의 접근 방식을 복잡한 물리 법칙을 다루는 데 유명한 몇몇 다른 머신러닝 설계들과 비교했습니다. 그들은 다른 방법들도 작동할 수는 있지만, 훈련 속도가 더 느리거나 균열의 공간적 세부 사항을 포착하는 정확도가 떨어진다는 것을 발견했습니다. 2차원 합성곱 계층(모양을 보는 데 탁월함)과 순환 계층(순서를 기억하는 데 탁월함)을 결합한 선택된 설계는 속도와 정확도 사이의 최적의 균형을 맞추었습니다. 이 설계는 균열의 공간적 패턴을 처리하는 동시에 균열이 시간에 따라 어떻게 움직였는지에 대한 기억을 유지할 수 있었으며, 이는 다른 테스트된 구조들이 효과적으로 복제하지 못한 조합이었습니다.

이 연구의 함의는 매우 큽니다. 과거에 엔지니어들은 빠른 대략적 안전 추정치와, 비록 긴급 상황에서 사용하기에는 너무 늦을지라도 정밀한 계산 사이에서 선택해야 했을 것입니다. 이 새로운 방법은 고정밀 세부 정보를 거의 즉각적으로 사용할 수 있는 중간 지대를 제공합니다. 매 단계마다 희소한 측정값을 흡수함으로써, 이 시스템은 실시간 사건의 속도에 발맞출 수 있는 대리물 역할을 합니다. 이 시스템은 기초적인 물리학을 대체하는 것이 아니라, 동일한 답에 도달하기 위한 효율적인 지름길을 학습하는 것입니다. 연구진은 시스템이 완벽하지 않아 아주 긴 기간 동안 약간의 편차가 발생할 수 있다고 언급했지만, 속도가 필수적인 설계 검토 및 구조물 모니터링을 위한 강력한 도구를 제공한다고 밝혔습니다. 단 몇 개의 데이터 포인트만으로 부서지는 물체의 전체적인 뷰를 재구성하는 능력은, 한때 계산상의 병목 현상이었던 것을 실용적인 실시간 역량으로 변화시킵니다.