Testing predictive-state sufficiency and recursive closure in additive-manufacturing microstructure models

첨단 제조 기술의 세계에서, 기계들은 금속 부품을 층마다 쌓아 올리며 아주 빠른 속도로 미세한 재료의 웅덩이를 녹이고 응고시키며 학습하고 있습니다. 적층 제조라고 알려진 이 공정은 엔지니어들이 과거에는 불가능했던 복잡한 형상을 만들 수 있게 해줍니다. 하지만 그 과정에 포함된 열은 무질서합니다. 기계가 한 층을 쌓을 때, 토치나 레이저로부터 발생하는 열은 단순히 사라지는 것이 아니라, 아래쪽 금속으로 스며들어 내부 구조를 변화시키며 머물러 있습니다. 이러한 가열과 냉각의 이력은 최종 부품이 강할지, 유연할지, 혹은 균열이 생기기 쉬울지를 결정합니다. 수십 년 동안 과학자들은 모든 세부 사항, 즉 매 순간의 정확한 온도, 금속이 뜨거운 상태로 머문 시간, 그리고 얼마나 빨리 식었는지를 기록함으로써 이러한 결과를 예측하려고 노력해 왔습니다. 그 가정은 금속이 다음에 무엇을 할지 알기 위해서는 그에게 일어났던 모든 일을 기억해야 한다는 것이었습니다.

하지만 새로운 연구가 이 가설에 도전합니다. 우크라이나와 중국의 연구진은 더 단순하고 실용적인 질문을 던졌습니다: 그 길고 복잡한 이력 중 실제로 미래를 예측하기 위해 기억해야 할 양은 얼마나 되는가? 그들은 재료가 다음 열 폭발에 어떻게 반응할지 알기 위해 그 과거의 전체 일기가 필요하지는 않다고 제안했습니다. 대신, 변화한 핵심적인 내용을 포착하는 작고 압축된 요약본, 즉 "예측 상태(predictive state)"가 필요할 수도 있다는 것입니다. 만약 이 아이디어가 사실이라면, 이는 엔지니어들이 방대한 구축 기록의 모든 초를 처리하려 애쓰는 대신, 기계가 작동하는 동안 실시간으로 예측을 업데이트함으로써 훨씬 적은 데이터로 이러한 복합적인 제조 공정을 제어할 수 있음을 의미합니다.

이를 테스트하기 위해 연구팀은 항공우주 및 의료 분야에서 강도와 경량성 덕분에 널리 사용되는 티타늄 합금인 Ti–6Al–V4 합금에 집중했습니다. 그들은 제조 공정의 디지털 시뮬레이션을 생성하여 실제 기계가 만들어낼 수 있는 수천 가지의 서로 다른 가열 및 냉 cooling 사이클을 만들어냈습니다. 실험에서 그들은 금속의 실제 내부 상태, 즉 내부에 형성되는 서로 다른 결정상(crystal phases)의 정확한 양을 컴퓨터 모델로부터 숨겼습니다. 모델은 물체 자체가 아닌 그림자를 보는 것과 유사하게, 한 종류의 결정 총량에 대한 노이즈가 섞인 불완전한 측정값만을 볼 수 있었습니다. 목표는 모델이 숨겨진 내부 상태를 파악하고, 그 이해를 바탕으로 새로운 열 사이클에 금속이 어떻게 반응할지 예측할 수 있는지 확인하는 것이었습니다.

연구진은 필요한 기억의 양이 무엇을 예측하려 하는지에 따라 전적으로 달라진다는 것을 발견했습니다. 과업이 단순히 노이즈가 섞인 데이터로부터 현재의 숨겨진 상태를 식별하는 것이었을 때, 모델은 그 일을 정확하게 수행하기 위해 두 개의 숫자가 필요했습니다. 이 두 숫자는 측정 노이즈의 한계와 일치하는 정밀도로 금속의 내부 상태를 정확히 짚어내기에 충분했습니다. 그러나 과업이 미래의 열 사이클에 대한 금속의 반응을 예측하는 것으로 바뀌었을 때, 모델은 단 하나의 숫자만을 필요로 했습니다. 이 단일 좌표는 측정 불확실성의 범위 내에 들어올 정도로 매우 작은 오차율로 결과를 예측하기에 충분했습니다. 이는 중요한 통찰을 드러냈습니다: 금속은 자신의 과거에 대한 무겁고 복적인 기억을 지니고 있는 것이 아닙니다. 그것은 단지 다음 단계를 처리하기에 충분한 정보만을 가지고 있으며, 그 양은 놀라울 정도로 작습니다.

연구팀은 이 발견을 한 단계 더 발전시켜, 이 압축된 기억이 서로 다른 유형의 수학적 모델 간에 이동할 수 있는지 확인했습니다. 그들은 금속의 거동을 설명하는 한 세트의 물리 방정식으로 시스템을 훈련시킨 후, 그 시스템을 고정하고 동일한 금속에 대한 완전히 다른 모델의 거동을 예측하도록 시도했습니다. 이 두 번째 모델은 결정이 형성되는 방식에 대해 다른 규칙들을 사용했습니다. 예측 프로세스의 마지막 단계만을 재조정했을 때, 첫 번째 모델에서 학습된 압축된 상태는 두 번째 모델에서도 놀라울 정도로 잘 작동했습니다. 이는 전체 열 이력을 사용하는 10개의 전통적인 요약본과 비교했을 때 예측 오차를 87% 감소시켰습니다. 이는 압축된 상태가 단순히 하나의 공식에 국한된 산물이 아니라, 재료가 자신의 과거를 기억하는 방식에 대한 근본적인 진실을 포착하고 있음을 증명했습니다. 그 진실은 시뮬레이션의 기본 규칙이 변하더라도 유지되었습니다.

아마도 가장 중요한 테스트는 이 압축된 상태가 시간이 흐름에 따라 업데이트될 수 있는지, 즉 전체 이력을 되돌아볼 필요 없이 가능한지 여부였을 것입니다. 실제 제조 공정에서는 새로운 층이 추가될 때마다 부품의 전체 이력을 측정하기 위해 멈출 수 없습니다. 연구진은 이 두 숫자로 이루어진 상태가 여섯 번의 연속적인, 보이지 않는 열 사이클을 통해 전달되면서, 금속 상태에 대한 새로운 측정 없이 오직 새로운 온도 데이터만으로 스스로 업데이트될 수 있는지 테스트했습니다. 결과는 놀라웠습니다. 두 숫자의 상태는 정확성을 유지하며, 과거의 전체 이력을 사용하는 10개의 요약본을 사용하는 시스템보다 예측 오차를 86.8% 더 낮게 유지했습니다. 더욱 중요한 것은, 모든 것을 기억하려고 노력했던 시스템은 더 많은 데이터가 주어져도 개선되지 못한 반면, 압축된 시스템은 효율성을 유지했다는 점입니다. 이는 재료의 "기억"이 긴 사건의 목록이 아니라, 매 열 사이클마다 갱신될 수 있는 작고 진화하는 사실들의 집합임을 입ande demonstrated 했습니다.

연구는 또한 시스템이 과정의 중간 단계와 과정의 맨 끝을 예측할 때 어떤 일이 일어나는지도 탐구했습니다. 처음부터 끝까지 빌드의 전체 이력을 읽을 수 있는 정교한 신경망은 최종 결과를 잘 예측할 수 있었지만, 중간 단계에 대한 압축 가능하고 업데이트 가능한 상태를 제공할 수는 없었습니다. 그것은 마치 교과서 전체를 암기하여 기말고사는 잘 치를 수 있지만, 이전 장들을 다시 읽지 않고서는 다음 장에 대한 질문에 답할 수 없는 학생과 같았습니다. 연구진은 압축된 상태 접근 방식이 "재귀적 폐쇄(recursive closure)", 즉 시스템이 과거를 다시 검토할 필요 없이 단계별로 앞으로 나아가며 지식을 업데이트할 수 있는 유일한 방법임을 보여주었습니다.

이러한 발견은 우리가 복잡한 제조를 제어하는 방식에 대한 사고의 전환을 시사합니다. 엔지니어들은 열 이력의 모든 세부 사항을 추적하는 대신, 재료의 현재 상태에 대한 작고 역동적인 스냅샷을 유지하는 데 집중할 수 있습니다. 매번 열이 가해질 때마다 업데이트되는 이 스냅샷은 과거의 방대한 기록보다 더 강력한 예측력을 가집니다. 이 연구는 모든 금속이나 모든 조건에 적용되는 보편적인 법칙을 찾았다고 주장한 것이 아닙니다. 필요한 좌표의 수는 특정 합금, 예측 유형, 그리고 오차 허용 범위에 따라 달라집니다. 그러나 테스트된 시뮬레이션 내에서 증거는 명확했습니다: 새로 열이 도착할 때마다 갱신되는 두 개 또는 세 개의 숫자가, 일어난 모든 일의 10가지 요약보다 더 중요한 것을 담고 있습니다. 이 접근 방식은 적층 제조를 위한 더 스마트하고 반응성이 뛰어난 제어 시스템을 향한 길을 제시하며, 여기서 기계는 단순히 데이터의 백로그에 반응하는 것이 아니라 재료의 상태를 실시간으로 이해하게 됩니다.