🔬 physics

Federated Scientific Machine Learning Framework for Multi-Scale Inverse Parameter Identification: Application to Nonlocal Strain Gradient Plasticity

본 연구는 원시 데이터를 중앙 집중화하지 않고도 상당한 노이즈 조건 하에서 높은 예측 정확도를 달 것하며, 다양한 미세 척도 실험 데이터셋에 걸쳐 비로컬 변형 구배 소성 모델 파라미터의 프라이버시를 보호하는 협력적 보정을 가능하게 하는 새로운 역문제 연합 과학 기계 학습(I-FedSciML) 프레임워크를 소개한다.

원저자: George Z. Voyiadjis, Babur Deliktas, Aiman Tariq

게시일 2026-08-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: George Z. Voyiadjis, Babur Deliktas, Aiman Tariq

원본 논문은 CC BY 4.0 (https://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

머리카락이나 모래알 정도의 규모에서는 금속이 휘어지고 늘어나는 방식을 지배하는 규칙이 변하기 시작합니다. 일상적인 세계에서, 동일한 재질의 두꺼운 강철 빔과 가는 강철 와이어는 구부러질 때 유사하게 행동해야 합니다. 즉, 그 강도는 금속 자체의 고정된 속성입니다. 하지만 과학자들이 금속 샘플의 크기를 미시적 수준으로 줄이면 예상치 못한 사실을 발견하게 됩니다. 조각이 작아질수록 더 강해진다는 것입니다. 아주 작은 와이어는 두꺼운 것보다 훨씬 더 잘 비틀림에 저항하며, 미시적인 빔은 고전 물리학으로는 설명할 수 없는 힘으로 굽힘에 저항합니다. '크기 의존적 소성(size-dependent plasticity)'이라고 알려진 이 현상은 금속의 내부 구조, 구체적으로 금속의 변형을 가능하게 하는 '전위(dislocations)'라고 불리는 아주 작은 결함들이 샘플이 매우 작을 때 다르게 축적되기 때문에 발생합니다. 이러한 미세 구조가 어떻게 행동할지 예측하기 위해 엔지니어들은 이 추가적인 강도를 설명하기 위한 특수한 '길이 척도(length scale)'를 포함하는 복잡한 수학적 모델을 사용합니다. 그러나 이 모델들을 위한 정확한 수치를 찾아내는 것은 까다로운 문제였습니다. 이를 보정하는 데 필요한 데이터는 서로 다른 실험실에서 수행된 다양한 재료에 대한 섬세한 실험으로부터 오는데, 그 결과는 드문드문하고 흩어져 있습니다. 전통적으로 연구자들은 각 실험을 개별적으로 분석해야 했으며, 이는 종종 재료가 실제로 무엇을 하고 있는지에 대해 불확실하거나 상충되는 답변으로 이어졌습니다.

연구팀은 원본 데이터를 전혀 이동시키지 않고도 이 흩어진 실험들을 하나로 모음으로써 이 난제를 해결할 수 있는 새로운 방법을 제안했습니다. 그들은 '역 연합 과학 머신러닝(inverse federated scientific machine learning)'이라 불리는 시스템을 개발했는데, 이는 여러 컴퓨터가 서로의 정보를 안전하게 보호하면서 서로로부터 학습할 수 있게 해주는 방식입니다. 각기 다른 국가에 있는 과학자들이 각자 금속 조각에 대한 고유한 실험 결과 세트를 가지고 있다고 상상해 보십시오. 민감한 데이터를 유실되거나 도난당할 위험이 있는 중앙 서버로 보내는 대신, 그들은 자신들의 데이터로부터 배운 '교훈'만을 중앙 조정자에게 보냅니다. 조정자는 이 교훈들을 혼합하여 더 똑똑하고 공유된 이해를 만들어내고, 이는 다시 과학자들에게 전달되어 각자의 로컬 모델을 정교화합니다. 이 연구에서 연구진은 이 접근 방식을 비국소 변형 경사 소성 모델(nonlocal strain gradient plasticity model)의 숨겨진 매개변수를 식별하는 문제에 적용했습니다. 그들은 각각의 뚜렷한 실험—얇은 니켈 빔, LIGA 니켈 박판, 알루미늄 빔, 또는 가는 구리 와이어—을 디지털 네트워크 내의 독립적인 '클라이언트'로 취급했습니다. 시스템은 각 샘플의 두께나 결정립 크기와 같은 특정 기하학적 구조를 해당 금속에 작동하는 특정 수치로 직접 매핑하는 법을 학습했습니다.

연구진은 네 가지 유형의 미시적 실험(얇은 어닐링된 니켈 빔 굽힘, LIGA 니켈 박판 굽힘, 알루미늄 빔 굽힘, 가는 구리 와이어 비틀림)에서 얻은 실제 세계의 데이터를 사용하여 이 프레임워크를 테스트했습니다. 각 경우에 대해, 시스템은 데이터의 크기와 형태가 서로 다름에도 불구하고 모든 실험에 대한 고유한 재료 매개변수 세트를 성공적으로 식별해 냈습니다. 니켈 빔의 경우, 모델은 재료의 강도가 빔의 두께에 크게 의존한다는 것을 학습했으며, 실험 곡선을 높은 정밀도로 정확하게 재현했습니다. 구리 와이어의 경우도 마찬가지였습니다. 시스템은 와이어의 직경에 따라 얼마나 많은 힘이 필요한지를 정확히 예측했으며, 응력 하에서 경화되는 미묘한 차이를 포착했습니다. 결과는 매우 정확하여, 모델의 예측이 실험 측정값과 매우 밀접하게 일치하여 통계적 오차가 종종 1% 미만으로 나타났습니다. 이는 이 시스템이 데이터가 지저분하거나 매우 다른 설정에서 오더라도, 크기가 재료의 거동을 어떻게 변화시키는지에 대한 근본적인 물리학을 효과적으로 학습할 수 있음을 시사합니다.

방법론의 견고함을 보장하기 위해, 연구진은 실제 실험실에서 발생하는 작은 측정 오차를 시뮬레이션하여 노이즈를 얼마나 잘 처리하는지도 테스트했습니다. 그들은 시스템이 무너지는지 확인하기 위해 데이터에 1%에서 10% 사이의 인위적인 오류를 도입했습니다. 심지어 상당한 양의 오류인 10%의 노이즈가 있음에도 불구하고, 프레임워크는 안정성을 유지했습니다. 예측의 정밀도가 약간 떨어지고 식별된 수치에 다소 변동이 생기기는 했지만, 시스템은 여전히 재료가 어떻게 행동하는지에 대한 주요 추세를 포착했습니다. 시스템은 엉터리로 무너지지 않았으며, 간섭에도 불구하고 재료의 특성에 대한 신뢰할 수 있는 추정치를 제공했습니다. 이러한 회복력은 실험 데이터가 결코 완벽하지 않은 실제 응용 분야에서 매우 중요합니다. 이 연구는 서로 다른 실험으로부터 파생된 다양하고 분산된 실험으로부터 학습하면서 물리적 문제를 해결할 수 있는 협력적이고 개인정보를 보호하는 네트워크를 구축하는 것이 가능하다는 것을 보여줍니다. 데이터를 로컬에 유지하면서 학습된 통찰만을 공유함으로써, 이 접근 방식은 연구 그룹 간의 소유권이나 보안을 침해하지 않으면서 고급 재료 모델을 보정할 수 있는 새로운 길을 제시합니다. 이 작업이 재료 과학의 모든 문제를 해결했다고 주장하는 것은 아니지만, 서로 다른 연구 그룹 간의 경계를 존중하면서도 그들의 지식을 통합하여 미시 세계가 어떻게 행동하는지 이해할 수 있는 강력한 새로운 도구를 제공합니다.

기술 요약: 다중 스케일 역 매개변수 식별을 위한 연합 과학적 기계 학습 프레임워크

문제 정의
고전적인 소성 이론은 고유한 재료 길이 스케일(intrinsic material length scale)이 결여되어 있어, 미세 스케일 실험(예: 마이크로 벤딩, 마이크로 비틀림)에서 관찰되는 크기 의존적 소성 변형을 설명하는 데 실패합니다. 변형 경사 소성(Strain Gradient Plasticity, SGP) 모델은 변형 경사와 기하학적 필수 전위(geometrically necessary dislocations, GNDs)를 포함함으로써 이를 해결합니다. 그러나 비로컬(nonlocal) SGP 모델을 보정하는 것은 여전히 까 remains 도전적인 과제입니다. 유효 재료 길이 스케일은 고정된 상수가 아니라 미세 구조적 특징(결정립 크기), 시편 크기, 그리고 변형 모드에 따라 달라지는 경우가 많습니다. 결과적으로, 모델의 응답은 여러 상호 의존적인 매개변수(기준 응력, 경화 계수, 경화 지수, 그리고 진화하는 길이 스케일 관계)에 의존합니다.

전통적인 역 식별 방법(예: 유한 요소 모델 업데이트, 가상 장 방법)은 일반적으로 각 실험 데이터셋을 독립적으로 취급합니다. 이러한 접근 방식은 서로 다른 연구실, 기하학적 구조 또는 하중 조건으로부터 얻은 이질적인 데이터셋 전체의 정보를 활용하지 못합니다. 또한, 미세 스케일 데이터의 희소성과 분산된 연구 그룹 간의 독점적 또는 민감한 실험 데이터를 보호해야 할 잠재적 필요성은, 원시 데이터를 중앙 집중화하지 않고도 협업 보정을 수행할 수 있는 프레임워크를 요구합니다.

방법론
저자들은 변화하는 길이 스케일을 갖는 일반화된 비로컬 SGP 모델의 매개변수를 식별하기 위해 설계된 역 연합 과학적 기계 학습(Inverse Federated Scientific Machine Learning, I-FedSciML) 프레임워크를 제안합니다. 이 방법론은 세 가지 핵심 구성 요소를 통합합니다:

물리 기반 순방향 모델(Physics-Based Forward Model): 본 연구는 유효 소성 변형이 국부적 항과 경사 의존적 항의 결합으로 구성되는 일반화된 SGP 정식화(Voyiadjis 및 Abu Al-Rub, 2005)를 활용합니다. 재료 길이 스케일은 시편 크기, 결정립 크기 및 소성 변형의 함수로 공식화됩니다. 크기 의존적 마이크로 벤딩(박판 빔) 및 마이크로 비틀림(가는 와이어)에 대한 해석적 및 수치적 해가 도출되어, 모멘트-곡률 및 토크-비틀림 응답을 예측할 수 있는 미분 가능한 순방향 모델( $\mathcal{F}_{SGP}$ )을 생성합니다.
기하학 조건부 역 신경망(Geometry-Conditioned Inverse Neural Network): 신경망을 재료 응답에 대한 직접적인 블랙박스 대리 모델로 사용하는 대신, 본 프레임워크는 공유된 신경망을 역 연산자로 사용합니다. 이 네트워크는 정규화된 기하학적 기술자(결정립 크기 $d$ , 시편 크기 $D$ , 두께/폭 $h$ )를 클라이언트별 SGP 매개변수 벡터( $\sigma_{ref}, \sigma_0, m$ )로 매핑합니다. 네트워크의 출력은 물리적 적합성을 보장하기 위해 유계 시그모이드 변환(bounded sigmoid transformations)을 통해 제약됩니다.
연합 학습 프로토콜(Federated Learning Protocol): 프레임워크는 각 실험 곡선(고유한 기하학 및 하중 조건을 나타냄)을 독립적인 "클라이언트"로 취급합니다.
- 로컬 학습: 각 클라이언트는 예측된 매개변수(네트워크가 예측한 매개변수를 사용하는 순방향 모델을 통해 생성됨)와 로컬 실험 데이터 사이의 불일치를 최소화하기 위해 로컬 최적화를 수행합니다.
- 글로벌 집계: 중앙 서버는 연합 평균화(Federated Averaging, FedAvg) 알고리즘을 사용하여 로컬 모델 업데이트를 집계합니다. 이를 통해 공유된 역 네트워크는 개별 클라이언트의 원시 데이터에 전혀 접근하지 않고도 기하학과 매개변수 사이의 글로벌 매핑을 학습할 수 있습니다.

주요 기여

SGP에 대한 최초의 연합 SciML 적용: 본 연구는 크기 의존적 비로컬 SGP 모델의 매개변수를 식별하기 위해 특화된 최초의 역 연합 과학적 기계 학습 프레임워크를 제시합니다.
프라이버시 보존형 협업 보정: 이 프레임워크는 원시 실험 곡선을 각 클라이언트에 로컬로 유지함으로써, 데이터 프라이버시를 보호하면서 분산된 데이터셋(서로 다른 실험실, 기하학, 재료)에 걸쳐 구성 모델의 협업 보정을 가능하게 합니다.
기하학 조건부 매개변수 식별: 이 방법은 이질적인 데이터에 대해 단일한 글로벌 매개변수 세트를 강요하는 대신, 특정 실험의 구체적인 기하학적 및 미세 구조적 특성을 고려한 구별된 클라이언트별 매 매개변수 세트를 성공적으로 식별합니다.
미분 가능한 물리 통합: 이 접근 방식은 SGP 순방향 모델을 훈련 루프에 직접 내장하여, 식별된 매개변수가 변형 경사 소성(SGP)의 지배 방정식과 물리적으로 일치하도록 보장합니다.

결과
프레임워크는 네 가지 벤치마크 미세 스케일 실험 데이터셋을 통해 검증되었습니다:

어닐링된 니켈 빔 (마이크로 벤딩): 두께와 결정립 크기가 서로 다른 세 명의 클라이언트. 프레임워크는 0.982에서 0.990 사이의 $R^2$ 값을 달성했습니다. 식별된 매개변수에 따르면 경화 계수( $\sigma_0$ )가 응답을 구분하는 주요 동력이었으며, 기준 응력( $\sigma_{ref}$ )은 하한값으로 수렴했습니다.
LIGA 니켈 박 (마이크로 벤딩): 다양한 특성 크기를 가진 네 명의 클라이언트. 프레임워크는 0.925에서 0.974 사이의 $R^2$ 값을 달성했습니다. 이 경우 $\sigma_{ref}$ 는 상당한 클라이언트 의존적 변동을 보였으며, 이는 해당 응답을 차별화하는 데 있어 $\sigma_{ref}$ 의 중요성을 나타냅니다.
알루미늄 빔 (마이크로 벤딩): 두 명의 클라이언트. 프레임워크는 각각 0.898 및 0.904의 $R^2$ 값을 달성했습니다. 경화 계수가 다시 한번 지배적인 역할을 수행했습니다.
구리 와이어 (마이크로 비틀림): 와이어 직경이 서로 다른 다섯 명의 클라이언트. 프레임워크는 0.985에서 0.997 사이의 높은 정확도( $R^2$ )를 달성했습니다.

노이즈 민감도 분석:
연구는 구리 비틀림 데이터에 합성 가우시안 노이즈(1%, 2.5%, 5%, 10%)를 도입하여 강건성을 평가했습니다.

매개변수 편향 및 불확실성: 노이즈 수준이 높아짐에 따라 매개변수 편향과 표준 편차가 증가했습니다. 10% 노이즈에서 $\sigma_{ref}$ 의 편향은 일부 클라이언트에서 거의 18%에 달했으며, 예측 불확실성도 넓어졌습니다.
예측 능력: 노이즈 증가에도 불구하고 프레임워크는 신뢰할 수 있는 예측 능력을 유지했습니다. 10% 노이즈 상황에서도 평균 예측값은 주요 크기 의존적 경향을 보존하였으며, 95% 예측 구간은 비록 넓어졌으나 물리적으로 의미 있는 범위를 유지했습니다.

의의 및 주장
저자들은 I-FedSciML 프레임워크가 비로컬 크기 의존적 구성 모델의 협업 보정을 위한 효과적이고 프라이버시를 보존하는 경로를 제공한다고 주장합니다. 본 연구는 다음을 입증합니다:

연합 학습은 원시 데이터를 중앙 집중화하지 않고도 미세 스케일 실험 데이터의 이질성(서로 다른 기하학, 재료, 하중 모드)을 성공적으로 처리할 수 있습니다.
기하학 조건부 역 연산자는 기하학과 재료 거동 사이의 통일된 글로벌 관계를 학습하는 동시에, 각 클라이언트에 대한 구별된 매개변수 세트를 회복할 수 있습니다.
프레임워크는 현실적인 측정 노이즈를 처리할 수 있을 만큼 강건하며, 상당한 데이터 섭동(perturbation) 하에서도 크기 의존적 강화 효과를 포착하는 능력을 유지합니다.

본 연구는 분산된 실험실 간의 협업 구성 모델링을 위한 토대를 마련하며, 독립적인 보정의 한계와 과학 연구에서의 데이터 공유 장벽을 해결합니다. 저자들이 제안하는 향る 확장 방향으로는 더 풍부한 물리적 기술자(예: 질감, 변형률 속도 효과)를 포함하는 것과, 결합 손상-소성(coupled damage-plasticity) 및 경사 강화 파괴(gradient-enhanced fracture)와 같은 다른 비로컬 모델로 접근 방식을 일반화하는 것이 포함됩니다.

유사한 논문