Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators

소리와 진동은 눈에는 보이지 않는 방식으로 물질을 통해 전달되지만, 다리가 바람에 어떻게 흔들릴지, 혹은 건물이 지진을 어떻게 견뎌낼지를 결정짓습니다. 엔지니어들은 이러한 거동을 예측하기 위해 유한 요소 해석(finite element analysis)이라는 강력한 도구에 오랫동안 의존해 왔습니다. 이 방법은 재료를 아주 작은 점들의 격자로 나누고, 파동이 그 안에서 어떻게 이동하는지 보기 위해 각 점에 대해 복잡한 물리 방정식을 해결합니다. 이 과정은 매우 정확하지만, 계산량이 많고 속도가 느립니다. 자연 상태의 물질이 할 수 없는 방식으로 파동을 제어하도록 설계된 인공 구조물인 '메타물질(metamaterials)'을 설계할 때, 연구자들은 종-종 완벽한 형태를 찾기 위해 이러한 시뮬레이션을 수천 번 실행해야 합니다. 이 데 소요되는 시간은 며칠이면 끝날 설계 주기를 몇 달로 늘려놓을 수 있으며, 이는 소음 차단 벽부터 지진 저항 기초에 이르기까지 다양한 분야의 혁신을 사실상 가로막습니다.

듀크 대학교와 캘리포니아 공과대학교의 연구진은 정확도를 희생하지 않으면서 이 과정을 1,000배 빠르게 만드는 새로운 접근 방식을 개발했습니다. 그들은 '뉴럴 오퍼레이터(neural operator)'라고 알려진 일종의 인공지능을 훈련시켜, 느리고 전통적인 시뮬레이션을 대신할 신속한 대리 모델(surrogate)로 활용했습니다. 하나의 특정 입력을 하나의 특정 출력으로 매핑하는 것을 학습하는 일반적인 컴퓨터 프로그램과 달리, 이 새로운 시스템은 주어진 재료 형상에 대해 발생 가능한 전체 파동 거동의 집합을 예측하는 법을 배웠습니다. 연구진은 이를 구현하기 위해 컴퓨터에게 '웨이브릿 인코딩(wavelet encoding)'이라는 수학적 기법을 사용하여 파동에 대해 말하는 새로운 방식을 가르쳐야 했다는 것을 발견했습니다. 이를 통해 모델은 다양한 진동 패턴, 즉 '모드(modes)' 사이를 즉각적으로 전환할 수 있게 되었으며, 이는 기존에 머신러닝이 다루기 너무 어려웠던 문제를 효과적으로 해결한 것입니다.

이 성과의 핵심은 연구진이 재료의 형상과 그 안을 통과하는 파동 사이의 관계를 컴퓨터에게 이해시키는 방법에 있습니다. 메타물질은 종종 반복되는 정사각형 단위로 구성되며, 소리나 진동이 그 안에서 이동하는 방식은 이 단위들의 기하학적 구조에 따라 달라집니다. 과거에는 엔지니어가 특정 파동이 어떻게 행동할지 알고 싶다면 전체 시뮬레이션을 느리게 실행해야 했습니다. 그러나 새로운 모델은 물리학의 근본 원리를 매우 철저하게 학습하여 결과를 거의 즉각적으로 예측할 수 있습니다. 문제는 단일 형상에 대해 파동이 진동하는 방식이 하나만 있는 것이 아니라, 각각 고유한 주파수를 가진 여러 가지 유효한 패턴이 존재한다는 점이었습니다. 표준 머신러닝 모델은 보통 질문에 대해 하나의 유일한 답을 찾도록 설계되어 있기 때문에 이런 문제에 어려움을 겪습니다. 연구진은 특정 진동 패턴을 예측하도록 지시하는 특정 '키(keys)'를 통해 모델에 조건을 부여함으로써 이 문제를 해결했습니다.

이 키들이 작동하게 만들기 위해, 연구팀은 정보를 컴퓨터에 입력하는 다양한 방법을 실험했습니다. 단순하고 균일한 숫자 격자와 부드러운 파동에 기반한 패턴을 시도해 보았으나, 이러한 방식들은 모델이 서로 다른 진동 패턴을 구별할 수 있을 만큼 충분한 세부 정보를 제공하지 못했습니다. 돌파구는 웨이브릿 인코딩을 사용했을 때 찾아왔습니다. 웨이브릿을 파동의 위치와 진동 속도에 대한 정보를 모두 담고 있는 작고 국지적인 잔물결라고 생각하면 됩니다. 파동의 방향과 특정한 진동 패턴을 이러한 풍부하고 상세한 지도로 변환함으로써, 연구진은 신경망에 명확한 신호를 주었습니다. 이를 통해 모델은 동일한 재료 형상에 대해서도 '키'를 바꾸면 완전히 다르면서도 똑같이 유효한 진동 패턴이 나타난다는 것을 학습할 수 있었습니다. 시스템은 결정론적으로 모드 사이를 전환하는 법을 배웠는데, 즉 첫 번째 진동 패턴을 보여달라고 요청한 뒤 다음으로 두 번째를 보여달라는 식의 요청에 완벽한 일관성을 가지고 응답할 수 있게 된 것입니다.

연구진은 이 시스템을 두 가지 매우 다른 유형의 재료에 대해 테스트했습니다. 첫 번째 유형은 재료의 특성이 한 지점에서 다음 지점으로 부드럽게 변하는 '연속형(continuous)'으로, 마치 그라데이션과 같습니다. 두 번째 유형은 강철과 고무가 체스판처럼 섞여 있는 것처럼 두 재료 사이에 뚜렷하고 명확한 경계가 존재하는 '이진형(binary)'입니다. 결과는 놀라웠습니다. 모델은 부드러운 연속형 재료에서 매우 뛰어난 성능을 보였으며, 오차가 거의 느껴지지 않을 정도로 미세한 수준으로 파동 패턴을 예측했습니다. 날카로운 가장자리가 있는 이진형 재료에서는 정확도가 약간 낮아졌지만 여전히 상당히 높았습니다. 연구진은 재료 사이의 경계가 복잡할수록 모델에게 문제가 더 어려워진다는 것을 발견했는데, 이는 컴퓨터가 스펙트럼 정보를 처리하는 방식에 내재된 한계입니다. 그러나 이러한 어려운 경우에도 모델은 높은 충실도를 유지하며 파동의 핵심 구조를 포착해 냈습니다.

아마도 가장 중요한 발견은 새로운 방식의 엄청난 속도일 것입니다. 전통적인 컴퓨터 시뮬레이션이 표준 프로세서에서 단일 파동 패턴을 해결하는 데 약 1초가 걸린다면, 훈련된 뉴럴 오퍼레이터는 동일한 작업을 약 1밀리초 만에 완료합니다. 이는 3차원(three orders of magnitude)의 속도 향상을 의미합니다. 형상을 최적화하기 위해 수천 번의 시뮬레이션을 실행해야 하는 설계 과정에서, 이 차이는 혁신적입니다. 이는 몇 시간 또는 며칠이 걸리던 작업을 몇 분 만에 할 수 있는 일로 바꿉니다. 또한 이 모델은 약 2기가바이트의 메모리만 필요로 할 정도로 가벼워, 거대한 슈퍼컴퓨터가 아닌 일반 소비자용 컴퓨터에서도 실행할 수 있습니다.

이 연구는 또한 왜 이 접근 방식이 작동하는지에 대한 더 깊은 이해를 제공했습니다. 연구진은 모델의 성공 여부가 입력 데이터를 어떻게 인코딩하느냐에 크게 달려 있다는 것을 보여주었습니다. 정보가 너무 단순하면 모델은 형상과 파동 사이의 복잡한 관계를 학습할 수 없습니다. 정보가 너무 희소하면 모델은 흐릿하거나 거친 결과를 만들어냅니다. 웨이브릿 인코딩은 공간 영역과 주파수 영역 모두에서 충분한 세부 정보를 제공함으로써 완벽한 균형을 맞추었습니다. 이를 통해 모델이 물리학을 정확하게 학습할 수 있게 되었습니다. 이러한 통찰은 파동이나 진동과 관련된 다른 복잡한 문제들에 있어서도, 데이터를 컴퓨터에 제시하는 방식이 컴퓨터의 아키텍처 자체만큼이나 중요하다는 것을 시사합니다.

결국, 이 작업은 머신러닝이 단순히 단순한 관계를 근사하는 것을 넘어, 물리학의 복잡한 다중 해(multi-solution) 문제를 해결하는 법을 배울 수 있음을 보여줍니다. 강력한 뉴럴 오퍼레이터와 영리한 인코딩 전략을 결합함으로써, 연구진은 메타물질 설계를 가속화할 수 있는 도구를 만들어냈습니다. 이는 소음과 진동을 제어하기 위한 새로운 아이디어를 빠르게 테스트할 수 있는 길을 열어주며, 잠재적으로 더 나은 소음 차단, 더 효과적인 내진 보호, 그리고 첨단 음향 장치로 이어질 수 있습니다. 이 방법은 깊은 물리적 이해의 필요성을 대체하는 것이 아니라, 새로운 재료 설계를 탐색하는 데 오랫동안 걸림돌이 되었던 계산상의 병목 현상을 제거합니다. 연구진이 언급했듯이, 이 접근 방식은 음향 메타물질의 시뮬레이션과 설계를 크게 가속화할 수 있는 경로를 제공하며, 한때 느리고 반복적이었던 과정을 빠르고 역동적인 과정으로 만들어 줍니다.