A Parameterized Data-Driven Neural Network with Physics-Based Regularization for Thermal Field Prediction in Metal Additive Manufacturing

완벽한 빵 한 덩이를 굽기 위해 오븐 대신 강철도 녹일 수 있는 강력한 레이저를 사용한다고 상상해 보세요. 이것이 바로 금속 적층 제조(Metal Additive Manufacturing), 흔히 금속 3D 프린팅이라 불리는 세계입니다. 레이저 분말 용융 결합(Laser Powder Bed Fusion)이라고 불리는 공정에서는 아주 작고 뜨거운 레이저가 금속 가루 층을 내리쬐어, 이들을 녹여 복잡한 형상을 만들어냅니다. 강하고 완벽한 부품을 만드는 비결은 단순히 레이저에 있는 것이 아니라, 바로 **열(heat)**에 있습니다. 금속이 한 지점에서 너무 뜨거워지면 뒤틀리거나 균열이 생깁니다. 반대로 너무 빨리 식으면 부서지기 쉬운 상태가 됩니다. 과학자들은 재앙을 피하기 위해 열이 금속을 통해 어떻게 퍼져나가는지 초 단위로 정확히 알아내야 합니다.

전통적으로 이 열 지도를 파악하는 것은 모든 빗방울에 대해 수십억 개의 작은 수학 방정식을 풀어 기상도를 예측하려는 것과 같습니다. 이를 유한 요소법(Finite Element Method, FEM) 시뮬레이션이라고 합니다. 이는 매우 정확하지만, 계산량이 엄청나게 많고 속도가 너무 느려서 기계가 작동하는 동안 즉각적인 결정을 내리는 데 사용할 수 없습니다. 마치 내일 비가 올지 알려주는 데 사흘이 걸리는 아주 똑똑한 기상 예보관을 둔 것과 같습니다. 반면에 **인공지능(AI)**은 빠르고 직관적인 추측가와 같습니다. 즉각적으로 예측할 수는 있지만, 단순히 구름 사진만 학습시킨다면 바람과 온도의 물리적 원리를 실제로 이해하지 못하기 때문에 잘못된 예측을 할 수도 있습니다. 빠르지만 자연의 법칙에 대해서는 "멍청할" 수 있는 것입니다.

여기서 노스텍사스 대학교(University of North Texas)의 연구진이 영리한 새로운 아이디어를 들고 등장했습니다. 그들은 느리지만 완벽한 수학 모델과 빠르지만 때때로 틀리는 AI 사이에서 하나를 선택하고 싶지 않았습니다. 대신, 그들은 하이브리드 두뇌를 구축했습니다. 이것은 마치 이미 수학 천재인 학생(AI)을 훈련시키되, 질문에 답할 때마다 엄격한 물리 시험을 치르게 하는 것과 같습니다. 그들은 빠른 컴퓨터 시뮬레이션으로부터 학습하면서도, 실제 열전달 법칙에 의해 끊임없이 "정규화(regularization, 또는 교정)"되는 특수한 신경망을 만들었습니다. 이를 통해 시스템은 특정 설정뿐만 아니라 다양한 레이저 출력 및 속도 범위에 대해 열이 어떻게 행동할지를 단 몇 분의 일 초 만에 예측할 수 있게 되었습니다.

"물리학을 속삭이는" AI

Aishwarya Manjunath와 Narendra B. Dahotre가 이끄는 팀은 까다로운 문제를 해결했습니다. 바로 SS316L(흔히 쓰이는 스테인리스강의 일종)을 사용하는 3D 프린터의 **열장(thermal field, 열 지도)**을 예측하는 것입니다. 문제는 3D 프린터 내부의 열이 매우 불균일하다는 점입니다. 레이저 바로 아래에는 금속이 액체로 변하는 아주 작고 뜨거운 "용융 풀(melt pool)"이 존재하며, 그 주변은 서서히 식어가고 있는 거대한 고체 금속의 바다로 둘러싸여 있습니다.

만약 표준 AI에게 이를 예측하도록 가르치려 한다면, AI는 게을러질 것입니다. 데이터 포인트의 대부분을 차지하는 지루하고 천천히 식는 고체 금속에 시간의 99%를 할애할 것이기 때문입니다. 그러면 AI는 진짜 마법(그리고 위험)이 일어나는 작고 혼란스러운 용융 풀을 완전히 무시하게 될 것입니다. 이를 해결하기 위해 연구진은 **층화 추출(stratified sampling)**이라는 기술을 사용했습니다. 마치 선생님이 시험지를 채점하는 상황을 상상해 보세요. 문제를 무작위로 뽑는 대신, 학생이 가장 어렵고 복잡한 문제(용융 풀)를 공부하는 데 절반의 시간을 쓰고, 나머지 절반은 쉬운 문제(식어가는 금속)를 공부하도록 강제하는 것입니다. 이를 통해 AI가 단순한 배경 소음이 아닌 핵심적인 세부 사항을 학습하도록 보장합니다.

또한 그들은 AI를 **매개변수화(parameterized)**했습니다. 보통 레이저 출력이나 스캔 속도를 변경하면 AI를 처음부터 다시 훈련시켜야 합니다. 이는 차를 바꿀 때마다 운전법을 새로 배워야 하는 것과 같습니다. 하지만 이 새로운 모델은 레이저 출력과 속도를 지도 위의 좌표처럼 직접적인 입력값으로 받아들입니다. 즉, 이 모델은 다양한 설정에 따른 열의 거동을 연속적인 "지도"처럼 학습할 수 있어, 학습된 범위 내에 있다면 한 번도 본 적 없는 상황에서도 어떻게 작동할지 예측할 수 있습니다.

훈련 과정: 2단계의 댄스

이 두뇌를 훈련시키는 과정은 단 한 단계로 끝나지 않았습니다. 연구진은 AI가 혼란을 겪지 않도록 2단계 전략을 사용했습니다.

1. 1단계 (데이터 탐색): 먼저, AI가 고정밀 컴퓨터 시뮬레이션에서 생성된 데이터만을 통해 학습하도록 했습니다. 잠시 물리 법칙을 꺼두고 AI가 패턴을 암기하게 만든 것입니다. 이를 통해 AI는 열이 어떤 '모습'을 띠는지에 대한 탄탄한 기초를 쌓았습니다.
2. 2단계 (물리 검증): AI가 패턴을 익힌 후, 연구진은 **물리 기반 정규화(physics-based regularization)**를 활성화했습니다. 이것이 바로 "엄격한 선생님" 역할입니다. 연구진은 AI에게 열이 이동하는 실제 방정식(과도 열전도 방정식)을 입력하며 이렇게 말했습니다. "너의 답은 반드시 자연의 법칙을 따라야 한다." 만약 AI가 물리 법칙에 어긋나는 온도를 예측하면 벌점을 받았습니다. 이 단계는 단순히 AI를 빠르게 만든 것이 아니라, AI가 데이터를 단순히 암기하는 것을 넘어 근본적인 규칙을 이해하도록 하여 더 똑똑하고 신뢰할 수 있게 만들었습니다.

결과: 빠르고, 정확하며, 미래를 향해 준비된

연구진이 이 새로운 프레임워크를 한 번도 접해보지 못한 레이저 설정에 테스트했을 때, 결과는 인상적이었습니다. 모델은 **평균 제곱근 오차(RMSE) 9.01 K(켈빈)**를 기록하며 온도를 예측했습니다. 이를 설명하자면, 용융 풀처럼 혼란스러운 대상에 대해 매우 작은 오차 범위입니다.

AI는 숫자만 맞춘 것이 아니라 형태도 제대로 잡아냈습니다. 연구진은 용융 풀의 기하학적 구조, 즉 액체 금속의 실제 크기와 모양을 확인했습니다. AI는 다양한 조건 하에서 용융 풀의 길이, 너비, 깊이가 어떻게 변하는지 성공적으로 예측했습니다. 또한 레이저가 더 빠르게 움직이면 풀이 짧아지고, 출력이 높아지면 깊어진다는 미세한 변화까지 포착해 냈습니다.

흥lik하게도, 온도 구배가 가장 급격한 용-융 풀의 정중앙 부분에서는 AI의 정밀도가 약간 떨어졌습니다. 이는 극단적인 수치를 다소 "매끄럽게(smooth out)" 처리하는 경향이 있는 신경망의 일반적인 특징입니다. 그러나 이 까다로운 구간에서도 최고 온도인 약 5,700 K 대비 오차는 약 **1.64%**에 불 {않았습니다. 모델은 안정적이고 일관성을 유지했으며, 이는 AI가 단순히 훈련 데이터를 암기한 것이 아니라 기계 설정과 열 사이의 연속적인 관계를 학습했음을 증명합니다.

이것이 중요한 이유

이것은 단순한 이론적 연습이 아닙니다. 빠르면서도 물리적으로 정확한 모델을 만듦으로써, 연구진은 **디지털 트윈(digital twins)**에 활용될 수 있는 도구를 구축했습니다. 디지털 트윈이란 실제 기계를 실시간으로 복제하여 실행하는 가상 복사본을 말합니다. 3D 프린터가 미래를 "볼 수 있다"고 상상해 보세요. 만약 레이저가 결함을 만들려 한다면, 이 AI로 구동되는 디지털 트윈이 즉각적으로 속도나 출력을 조절하여 부품이 망가지기 전에 문제를 해결하도록 지시할 수 있습니다.

논문은 이 프레-임워크가 (무작정 추측하는 것이 아니라) 훈련된 조건 범위 내에서 예측하는 **보간(interpolation)**을 위해 설계되었다는 점을 명시하고 있습니다. 이는 공정을 최적화하고 낭비를 줄이는 강력한 도구이지만, 모든 가능한 시나리오를 맞히는 마법의 수정구슬은 아닙니다.

결국, 이 연구는 속도와 정확성 사이에서 하나를 선택할 필요가 없다는 것을 보여줍니다. 데이터 기반 학습의 속도와 물리 법칙의 신뢰성을 결합함으로써, 연구진은 금속 3D 프린팅의 혼란스럽고 빠른 세계를 헤쳐 나갈 수 있는 "물리학을 속삭이는" AI를 만들어냈으며, 이를 통해 엔지니어들이 기다림 없이 더 강하고 더 나은 부품을 제작할 수 있도록 돕고 있습니다.