🔬 applied physics

In situ local learning of dynamic network materials

이 논문은 동적 네트워크 재료를 위한 인시투(in situ) 국소 학습 프레임을 소개하며, 이는 물리 시스템이 기울기(gradient)를 자율적으로 계산하고 자체적인 기계적 파라미터를 훈련할 수 있도록 순방향 및 시간 역전 아드조인트 드라이브(forward and time-reversed adjoint drives)를 활용함으로써, 재료가 미리 설계된 구조나 전문가의 지식 없이도 과업으로부터 직접 다양한 동적 기능을 습득할 수 있도록 한다.

원저자: Shuaifeng Li, Xiaoming Mao

게시일 2026-09-09

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Shuaifeng Li, Xiaoming Mao

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

물질은 오랫동안 힘이 작용하는 수동적인 무대나, 단 하나의 고정된 작업을 수행하도록 만들어진 정적인 도구로 간주되어 왔다. 다리는 무게를 견디고, 스프링은 에너지를 저장하며, 렌즈는 빛을 모은다. 각 경우에서 기능은 제조 과정 중 재료의 형태와 조성에 이미 고정되어 있다. 환경이 변하거나 새로운 과제가 발생하더라도 재료는 적응할 수 없다. 이러한 한계는 '학습하는' 전혀 다른 종류의 물질에 대한 관심을 불러일으켰다. 생물학적 뇌가 얼굴이나 소리를 인식하기 위해 연결을 조정하는 것처럼, 연구자들은 물질 내부의 물리적 결합과 질량이 적절한 피드백을 경험함으로써 복잡한 과업을 수행하도록 조정될 수 있는지 탐구하고 있다. 이 접근 방식은 물질을 완성된 제품이 아니라, 자신의 움직임을 통해 지능을 습득할 수 있는 시스템으로 취급한다.

미시간 대학교의 연구팀은 이제 특정한 2단계 물리적 프로토콜을 적용하여 이러한 동적 재료가 새로운 기능을 학습하도록 가르치는 방법을 시연했다. 그들은 "인 시투 로컬 러닝(in situ local learning, 현장 국소 학습)"이라 불리는 방법을 개발했는데, 이는 스프링과 질량으로 이루어진 물리적 네트워크가 스스로 오류를 계산하고 물리적 시스템 내부에서 직접 자신의 내부 속성을 조정할 수 있게 해준다. 디지털 트윈이 재료에게 어떻게 변해야 하는지 알려주는 것에 의존하는 대신, 연구자들은 재료 자체가 필요한 조정을 계산하도록 한다. 이 과정은 두 단계의 뚜렷한 운동 과정을 포함한다. 먼저, 재료에 진동이나 힘과 같은 입력 신호를 가하고 그 반응을 측정한다. 만약 반응이 원하는 결과와 다르다면, 오류 신호가 생성된다. 이 오류는 기록된 후, 시간이 역전되어 동일한 물리적 네트워크에 두 번째 신호인 역방향 구동 신호로 다시 입력된다. 이 시간 역전된 오류에 대해 재료가 어떻게 반응하는지를 관찰함으로써, 시스템은 어떤 내부 연결을 강화하거나 약화시켜야 하는지를 정확히 식별할 수 있다.

이 방법의 묘미는 단순함과 국소성에 있다. 연구자들은 네트워크의 전체 상태를 측정하거나 중앙 컴퓨터에서 복잡한 계산을 수행할 필요가 없다. 대신, 각각의 개별 스프링과 질량은 바로 옆에서 일어나는 힘과 움직임에 대해서만 알면 된다. 순방향 신호와 시간 역전된 오류 신호가 만날 때, 이들은 국소적으로 상호작용하여 각 부분의 네트워크가 더 단단해질지, 더 무거워질지, 혹은 운동에 더 저항할지를 알려주는 수학적 방향인 '그레이디언트(gradient)'를 생성한다. 이를 통해 재료는 자신의 강성, 질량, 내부 마찰을 동시에 업데이트하며, 물리적 역학을 통해 새로운 행동을 효과적으로 "학습"한다. 연구진은 스프링과 무게추가 얽힌 그물처럼 보일 수 있는 무질서한 기계적 노드와 결합 구조를 대상으로 이 프레임워크를 테스트했으며, 원하는 결과의 정의를 바꾸는 것만으로도 이 구조가 매우 다른 네 가지 과업을 숙달할 수 있음을 보여주었다.

첫 번째 시연에서, 재료는 파동을 위한 은폐물(cloak) 역할을 하는 법을 배웠다. 네트워크 중앙에 딱딱하고 무거운 장애물이 놓였는데, 이는 정상적인 경우라면 들어오는 파동을 산란시켜 하류에 혼란스러운 상태를 만들 것이다. 연구진은 재료에 목표를 설정했다. 즉, 장애물을 통과하는 파동이 마치 장애물이 전혀 없는 것처럼 보이게 만드는 것이다. 순방향 및 역방향 신호를 반복적으로 적용함으로써, 네트워크는 장애물 주변의 스프링 강성과 질량을 조정했다. 그 결과, 광범위한 주파수 대역에서 작동하는 브로드밴드 은폐물이 만들어졌으며, 이는 산란 신호를 억제하고 파동이 장애물을 통과할 때 마치 장애물이 보이지 않는 것처럼 흐르게 했다. 이는 미리 작성된 청사진을 따르는 것이 아니라, 재료가 오직 오류 신호에 의해 유도되어 시행착오를 통해 필요한 구성을 스스로 발견함으로써 달성되었다.

두 번째 과업은 일반적인 렌즈로는 불가능한 일, 즉 파동의 파장보다 작은 물체의 미세한 세부 사항을 보는 능력을 요구했다. 표준 물리학에서 이러한 미세한 디테일은 "에바네센트(evanescent, 소멸파)" 파동에 실려 전달되는데, 이 파동은 거의 즉시 사라져 멀리 떨어진 검출기에는 도달하지 못한다. 연구진은 네트워크가 이 사라져가는 정보를 포착하여 이미지 평면으로 운반할 수 있는 렌즈 역할을 하도록 훈련시켰다. 재료는 파동의 근접장(near-field) 구조를 조작하여 보통은 사라져 버리는 고주파 디테일을 보존하는 법을 배웠다. 서로 다른 글자 모양으로 테스트했을 때, 훈련된 네트워크는 이미지를 성공적으로 재구성하였으며, 이는 네트워크가 투명한 이미지를 만들기 위해 보이지 않고 쇠퇴하는 파동장의 성분을 활용하는 법을 배웠음을 입증했다.

세 번째 사례는 재료가 마찰, 즉 댐핑(damping)을 어떻게 이점으로 활용할 수 있는지를 보여주었다. 대부분의 기계 시스템에서 댐핑은 에너지를 소모시키고 운동을 멈추게 하는 방해 요소로 간주된다. 그러나 여기에서 연구진은 네트워크에 그 반대의 역할을 요구했다. 즉, 고정된 양의 댐핑을 사용하여 특정 순간에 크고 날카로운 운동의 분출을 만들어내도록 한 것이다. 네트워크 전체에 걸쳐 마찰을 재배치함으로써, 재료는 내부 진동을 조직화하여 이들이 건설적으로 간섭하게 함으로써 출력단에서 강력한 과도적 스파이크(transient spike)를 만들어내는 법을 배웠다. 이러한 강화는 균일하거나 표준적인 댐핑으로는 불가능한 것이었으며, 이는 재료가 특정 목표를 달기 위해 에너지 소산을 관리하는 정교하고 비표준적인 방식을 학습했음을 증명한다.

마지막으로, 연구진은 머신러닝과 유사한 과업인 소리 분류에 동일한 학습 규칙을 적용했다. 연구진은 네트워크에 세 가지 서로 다른 모음 소리의 오디오 파형을 입력하고, 이를 세 가지 범주로 분류하도록 요청했다. 네트워크는 음성학이나 신호 처리 규칙을 프로그래밍받지 않았다. 대신, 각 소리에 대해 어떤 출력 영역이 활성화되어야 하는지만 알려졌다. 동일한 국소 학습 과정을 통해, 재료는 각 모음의 고유한 시간적 패턴을 인식하도록 내부 파라미터를 조정했다. 네트워크는 각 소리의 올바른 에너지를 올바른 출력 채널로 유도하는 데 성공하며 모음을 구별하는 데 높은 정확도를 보였다. 이는 동일한 물리적 시스템이 분류기로서 기능하며, 시간 의존적 데이터를 처리하고 학습된 내부 상태를 바탕으로 결정을 내릴 수 있음을 보여주었다.

이러한 결과는 우리가 재료를 설계하고 사용하는 방식에 대한 새로운 패러다임을 제시한다. 특정 구조를 특정 작업에 맞게 설계하는 대신, 재료에 학습 규칙과 목표를 제공하고 스스로 해결책을 찾도록 할 수 있다. 이 프레임워크는 물리적 재료와 인공지능 사이의 간극을 메우며, 물리 법칙이 하드웨어 내에서 직접 계산과 학습을 수행할 수 있음을 보여준다. 재료는 단순히 세상에 반응하는 것이 아니라, 세상으로부터 배운다. 현재의 시연은 실제 하드웨어에 구현 가능한 물리적 역전파(physical backpropagation) 원리에 기반하고 있지만, 이 접근 방식은 변화하는 환경에 적응하거나, 스스로 기능을 복구하거나, 제작된 이후에도 새로운 기술을 습득할 수 있는 재료로 가는 길을 열어준다. 인 시투(in situ)에서 시간적 응답을 학습할 수 있다는 능력은, 차세대 스마트 재료가 단순히 엔지니어에 의해 프로그래밍되는 것이 아니라, 스스로를 프로그래밍하는 법을 배울 수도 있음을 의미한다.

기술 요약: 동적 네트워크 재료의 인시튜(In Situ) 로컬 학습

문제 정의
기능성 재료는 전통적으로 특정 기능을 구현하기 위해 사전 설계된 구조에 의존하는 반면, 물리적 신경망(PNN)은 고유한 역학을 통해 물리적 입력을 출력으로 변환한다. 두 패러다임 사이에는 상당한 격차가 존재한다. 현재의 접근 방식은 종종 미분 가능한 디지털 트윈을 이용한 '인 실리코(in silico)' 학습 후 이를 하드웨어로 전이하는 방식을 취하는데, 이는 제작 불일치, 드리프트 및 모델링 불확실성으로 인한 시뮬레이션-실제 간의 격차(simulation–reality gap) 문제를 겪는다. 또한, 기존의 물리적 학습 체계는 대개 정적 평형 상태, 정상 상태 조화 응답, 또는 관성과 감쇠를 배제한 제한된 영역에 국한되어 있다. 강성, 질량, 소산(dissipation)에 의해 응답이 공동으로 형성되는 전체 시간 영역에서 작동하는 동적 네트워크 재료를 위한 일반적인 로컬 학습 규칙이 부족한 실정이다. 과제는 글로벌 디지털 모델에 의존하지 않고, 재료 스스로의 물리적 역학을 통해 동적 과업으로부터 기능을 직접 습득할 수 있도록 하는 것이다.

방법론
저자들은 2차 미분 방정식에 의해 제어되는 동적 네트워크 재료를 위한 인시튜 로컬 학습 프레임워크를 소개한다. 핵심 메커니즘은 동일한 물리적 네트워크에 두 가지 구별된 구동(drive)을 적용하는 것이다:

순방향 구동(Forward Drive): 입력 신호 $F(t)$ 가 네트워크를 구동하여 순방향 궤적 $u(t)$ , 결합 신장 $e(t)$ , 속도 $\dot{u}(t)$ , 그리고 가속도 $\ddot{u}(고)$ 를 생성한다.
시간 역전 부가 구동(Time-Reversed Adjoint Drive): 실제 출력과 목표 궤적 사이의 불일치로부터 유도된 오차 신호를 시간 역전시켜 동일한 네트워크에 소스로 적용한다. 이는 부가 필드(adjoint field) $u_{adj}(t)$ 를 생성한다.

학습 규칙은 부가 상태 원리(adjoint-state principle)로부터 유도된다. 시간 통합 손실 함수 $L = \int_0^T \ell[u(t), t] dt$ 를 정의함으로써, 로컬 파라미터(스프링 상수 $k$ , 노드 질량 $m$ , 결합 감쇠 $b$ , 노드 감쇠 $\beta$ )에 대한 그래디언트는 순방향 필드와 부가 필드의 국부적 곱을 통해 계산된다. 결정적으로, 시간 영역 역학을 위한 부가 방정식은 시간 역전된 소스를 가진 순방형 방정식과 수학적으로 동일하므로, 물리적 시스템이 스스로의 그래디언트를 계산할 수 있게 한다.

업데이트 규칙은 엄격하게 **로컬(local)**하다:

결합 파라미터 ( $k, b$ ): 동일 위치의 순방향 신장 $e_j$ , 신장 변화율 $\dot{e}_j$ , 그리고 부가 신장 $e_{adj,j}$ 만을 필요로 한다.
노드 파라미터 ( $m, \beta$ ): 동일 위치의 순방향 속도 $\dot{u}_i$ , 가속도 $\ddot{u}_i$ , 그리고 부가 변위 $u_{adj,i}$ 만을 필요로 한다.

이 접근 방식은 전체 장치의 미분 가능한 대리 모델(surrogate)이 필요하지 않으므로, 부담을 모델의 충실도에서 로컬 상관관계를 노출하는 물리적 프로토콜의 설계로 전환시킨다.

주요 결과
본 프레임워크는 동일한 학습 규칙을 사용하되 서로 다른 손실 함수를 적용한 네 가지 뚜렷한 시연을 통해 검증되었다:

광대역 파동 클로킹(Broadband Wave Cloaking): 네트워크는 단단하고 무거운 장애물의 산란 특성을 억제하도록 훈련되었다. 클로킹된 시스템의 하류 응답과 장애물이 없는 참조 상태 사이의 평균 제곱 오차를 최소화함으로써, 네트워크는 강성, 질량, 감쇠의 이질적인 분포를 학습했다. 훈련된 재료는 명시적인 변환 설계 없이도 미지의 주파수-위상 조합에 대해 일반화되며, 광대역 클로킹 역할을 성공적으로 수행했다.
에반에센트 파(Evanescent-Wave) 이미징: 네트워크는 근접장 물체 패턴(문자 C, L, T, U, O, X)을 이미지 평면으로 매핑하도록 훈련되었으며, 일반적으로 감쇄하는 고공간 주파수 정보를 보존했다. 학습된 파라미터는 고주파 성분을 활용하여 높은 타겟 상관관계와 초점 정확도를 달리는 렌즈를 생성했다. 물체-렌즈 간격이 넓어지거나 고공간 주파수 성분이 제거될 때 성능이 저하되었으며, 이는 메커니즘이 근접장 전이에 의존함을 확인시켜 준다.
수동 과도 응답 강화(Passive Transient Output Enhancement): 고정된 강성과 질량 조건에서, 네트워크는 고정된 수동 감쇠 예산을 재배치하여 힘 펄스 이후 특정 출력 노드에서의 과도 변위를 강화했다. 훈련된 비비례 감쇠 분포는 균일 감쇠 및 비례(Rayleigh) 감쇠 제어보다 성능이 현저히 우수했다. 분석 결과, 이러한 강화는 감쇄 모드가 건설적으로 간섭할 수 있는 비정규 모드 역학(non-normal modal dynamics)에서 기인하며, 이는 비직교 고유벡터를 통해 발생한다.
모음 분류(Vowel Classification): 네트워크는 시간적 분류를 위한 물리적 신경망으로 기능했다. 세 가지 모음(/iy/, /ae/, /ei/)의 시간 의존적 음향 파형이 기계적 입력으로 인코딩되었다. 네트워크는 특정 모음 클래스에 해당하는 특정 출력 영역에 누적된 기계적 에너지를 집중시키는 법을 학습하여, 홀드아웃 테스트 세트에서 약 86%의 정확도를 달성했다.

의의 및 주장
본 논문은 동적 네트워크 재료가 **프로그래밍 가능한 물질(programmable matter)**이자 물리적 신경망으로 작용할 수 있는 통합된 경로를 제공한다고 주장한다. 주요 의의는 단일하고 일반적인 인시튜 학습 규칙이 전문가의 지식이나 특정 작업 설계에 의존하지 않고도, 손실 함수를 변경하는 것만으로 파동 제어, 이미징, 신호 처리, 분류와 같은 다양한 물리적 기능을 프로그래밍할 수 있음을 입증했다는 점에 있다.

주요 기여는 다음과 같다:

물리적 역전파(Physical Backpropagation)의 확장: 정적 또는 정상 상태 조화 영역에서 벗어나, 관성과 소산을 학습 가능한 자유도로 포함하는 전체 시간 영역 역학으로 확장하였다.
로컬 물리 학습: 시간 영역 과업에 대한 그래디언트가 동일 위치의 순방향 및 부가 필드를 사용하여 로컬하게 계산될 수 있음을 확립하였으며, 이는 글로벌 상태 측정이 불가능한 물리 학습의 원리에 부합한다.
자원으로서의 소산(Dissipation as a Resource): 감쇠가 단순히 기생적인 손실이 아니라, 과도 응답 및 모드 상호작용을 형성하기 위해 공간적으로 재배치할 수 있는 학습 가능한 자원임을 입증하였다(예: 과도 응답 강화를 위한 비정규 역학 생성).
재프로그래밍 가능성: 동일한 물리적 재료가 지속적인 로컬 학습을 통해 서로 다른 과업(예: 초점 맞추기에서 흡수로)에 대해 재훈련될 수 있음을 보여주었다.

저자들은 현재의 시연이 하드웨어에서 측정되거나 추론되어야 하는 동적 필드(변위, 속도, 가속도)에 대한 접근을 가정하고 있음을 인정하며, 실험적 구현에 대해 신중한 입장을 유지한다. 향후 구현에서는 하드웨어 노이즈, 드리프트 및 파라미터의 물리적 조절 가능성 문제를 해결해야 하지만, 본 프레 framework는 시간적 응답을 인시튜에서 학습하는 재료를 위한 이론적 토대를 제공한다.

유사한 논문