기술 요약: 다공성 매질의 투과도 예측을 위한 위상 데이터 분석과 머신러닝의 결합

문제 정의

다공성 매질의 투과도를 예측하는 것은 지하수 여과에서부터 석유 회수 및 이산화탄소 격리에 이르기까지 다양한 분야에서 매우 중요한 과제이다. 전통적인 방법은 고해상도 디지털 이미지 상에서 스토크스 방정식(Stokes equations)과 같은 편미분 방정식(PDE)을 푸는 데 의존한다. 이러한 수치 시뮬레이션은 정확하지만, 특히 구조가 복잡하거나 큰 샘플의 경우 미세한 격자와 상당한 처리 시간을 요구하므로 계산 집약적이다. 반면, 합성 다공성 매질은 생성하기 쉽고 실험 데이터도 점점 늘어나고 있지만, 전체 수치 시뮬레이션의 계산 부담 없이 투과도를 정확하게 예측할 수 있는 효율적인 데이터 기반 대안이 필요하다.

방법론

저자들은 투과도를 예측하기 위해 위상 데이터 분석(TDA)과 머신러닝(ML)을 결합한 워크플로우를 제안한다. 본 연구는 Porous Microstructure Analysis(PuMA) 소프트웨어를 사용하여 생성된 1,000개의 합성 다공성 구조 데이터셋을 활용한다. 이 구조들은 목표 공극률 0.5를 가진 $50 \times 50 \times 50$ 복셀 도메인 내에 무작위로 분포된 고체 구체들로 구성된다.

방법론은 다음과 같은 네 가지 주요 단계로 진행된다:

1. 그라운드 트루스(Ground Truth) 생성: 각 합성 구조에 대해, PuMA의 내장 기능을 사용하여 스토크스 방정식을 풀어 정확한 투과도를 계산한다. 이 값들은 ML 모델을 위한 "그라운드 트루스" 레이블 역할을 한다.
2. 특징 추출(Feature Extraction): ML 모델의 입력 변수로 사용하기 위해 복셀화된 데이터로부터 세 가지 별도의 범주의 기술자(descriptors)를 추출한다:
   • 위상적 특징(Topological Features): 지속성 호몰로지(Persistent Homology, PH)를 사용하여 도출된다. 두 가지 접근 방식이 사용된다:
     • 알파 컴플렉스(Alpha Complexes): 공극 공간을 서브샘플링하여 포인트 클로드를 생성한다. 알파 컴플렉스를 구축하고, 차원 0(연결 성분), 1(루프), 2(공동)에 대한 지속성 다이어그램(PD)을 계산한다. 이는 스칼라 값인 "총 지속성(Total Persistence, TP)" 값으로 요약된다.
     • 유클리드 거리 변환(Euclidean Distance Transform, EDT): EDT의 상위 레벨 필트레이션(superlevel filtration)을 통해 공극 공간을 분석한다. 차원 0과 1에 대한 PD가 생성되며, 이 또한 TP 값으로 요약된다.
   • 네트워크 특징(Network Features): 다공성 구조를 SNOW2 알고리즘(PoreSpy에 구현됨)을 사용하여 단순화된 기공 네트워크로 축소한다. 이 네트워크는 공극 중심을 노드로, 연결을 에지로 나타낸다. 기술자에는 연결성 지표(닫힌 삼각 관계, 길이 2의 경로, 에지)와 거리 지표(에지 길이, 근접 중심성, 이웃까지의 평균 거리)가 포함된다.
   • 구조적 특징(Structural Features): 구체 직경, 유효 확산도, 비표면적, 굴곡도 등 PuMA에 의해 계산된 직접적인 기하학적 측정값이다.
3. 머신러닝 모델: TensorFlow를 사용하여 피드 포워드 신경망(feed-forward neural network)을 구현한다. 아키텍처는 하나의 입력층, 세 개의 밀집 은닉층(각 128개 노드), 그리고 하나의 출력층으로 구성되며, 총 약 50,000개의 파라미터를 갖는다. 모델은 결합된 특징 벡터를 투과도의 로그 값에 매핑하도록 학습된다.
4. 학훈련 및 평가: 데이터셋은 70% 훈련, 15% 검증, 15% 테스트 샘플로 분할된다. 모델은 Adam 옵티마이저와 평균 제곱 오차(MSE) 손실 함수를 사용하여 1,000 에포크 동안 학습된다. 성능은 테스트 세트에 대한 평균 절대 백분율 오차(MAPE)로 평가되며, 특징 추출 및 예측에 소요되는 계산 시간과 비교된다.

주요 기여

• TDA와 ML의 통합: 본 논문은 지속성 호몰로지(특히 알파 컴플렉스와 EDT로부터 얻은 총 지속성)에서 도출된 위상적 기술자가 ML 모델이 투과도를 예측하는 데 효과적인 입력 특징으로서 기능함을 입증한다.
• 비교 특징 분석: 본 연구는 구조적, 네트워크, 위상적 기술자의 예측 효용성을 체계적으로 비교한다. 연구는 구조적 특징이 매우 정확하지만, 위상적 및 네트워크 특징이 다양한 계산적 트레이드오프와 함께 실행 가능한 대안이 될 수 있음을 강조한다.
• 계산 효율성: 본 연구는 ML 접근 방식의 효율성을 정량화하며, 일단 학습되면 모델이 1,000개의 구조에 대한 투과도를 몇 초 만에 예측할 수 있음을 보여준다. 이는 직접적인 수치 시뮬레이션에 소요되는 수 시간과 비교할 때 극적인 감소이다.
• 교육적 프레임십: 저자들은 재현성을 높이고 재료 과학 분야에 ML과 TDA를 소개하는 자원으로 활용될 수 있도록, 잘 문서화된 소프트웨어 패키지(PuMA, PoreSpy, GUDHI, HomCloud, TensorFlow)를 사용하여 기술을 접근하기 쉬운 방식으로 제시한다.

결과

• 예측 정확도:
  • 모든 기술자(구조적, 네트워크, 위상적)를 사용했을 때, 모델은 **4.70%**의 MAPE($R^2 = 0.9834$)를 달달성했다.
  • 구조적 특징만 사용했을 때, MAPE는 **4.75%**였으며, 이는 구조적 기술자만으로도 최적에 가까운 성능을 낼 수 있음을 나타낸다.
  • 위상적 특징만(모든 차원의 총 지속성) 사용했을 때, MAPE는 **4.72%**였으며, 이는 위상 데이터 자체가 강력한 예측 인자임을 입증한다.
  • 네트워크 연결성 기술자만 사용했을 때는 MAPE가 **6.78%**로 나타나, 기공 네트워크의 단순화에도 불구하고 합리적인 정확도를 보였다.
  • 네트워크 거리 기술자만 사용했을 때는 MAPE가 **11.60%**로 높게 나타났으며, 이는 해당 특정 특징들이 이 작업에 유용한 정보를 거의 제공하지 못함을 시사한다.
• 계산 효율성:
  • PuMA를 통해 1,000개 구조의 그라운드 트루스 투과도를 계산하는 데 92,480초가 소요되었다.
  • 모든 특징에 대한 특징 추출에는 22,745초가 소요되었다.
  • 학습된 ML 모델은 1,000개 구조의 투과도를 예측하는 데 4.7초가 걸렸다.
  • 구조적 특징이 가장 낮은 MAPE를 제공했지만, 추출에 상당한 시간이 필요했다. 위상적 특징(특히 EDT 기반)은 알파 컴플렉스에 비해 특징 추출 시간이 훨씬 적으면서도 높은 정확도를 제공하는 "중간 지점"을 제시했다.
• Kozeny-Carman과의 비교: 저자들은 자신들의 ML 결과를 Kozeny-Carman 방정식과 비교했다. 데이터는 해당 방정식과 유사한 멱법칙(power-law) 의존성을 따랐으나, ML 접근 방식은 공극률이 일정함에도 불구하고 Kozeny-Carman 적합 모델의 MAPE(15%)보다 현저히 낮은 MAPE(4.70%)를 기록했다.

의의 및 주장

본 논문은 위상 데이터 분석이 ML과 결합되어 투과도 예측에 의미 있는 결과를 낼 수 있는 유용한 특징 세트를 제공한다는 점을 주장한다. 저자들은 자신들의 접근 방식이 "전통적인 PuMA 계산에 대한 매우 효율적인 대안"을 제공하며, 계산 비용을 획기적으로 줄이면서도 신뢰할 수 있는 추정치를 전달한다고 단언한다.

연구는 구조적 정보가 가장 정확한 예측 인자이지만, 위상적 기술자가 객관적이고 차원에 무관한(dimension-agnostic) 통찰력 있는 결과를 제공한다는 점을 강조한다. 저자들은 계산 시간이 제약 조건인 경우, 네트워크 표현과 위상을 사용하여 투과도를 예측하는 것이 "명확한 가능성"을 보여주며 전통적인 시뮬레이션 기반 방법의 잠재적 대안이 될 수 있다고 결론짓는다. 저자들은 명시적으로 본 연구가 교육적 목적으로 설계되었음을 밝히며, 학생들이 향후 학술적 또는 산업적 환경에서 이러한 기술을 적용할 수 있도록 기초를 제공하고자 한다. 본 논문은 모든 다공성 매질 흐름 문제를 해결한다고 주장하는 것이 아니라, 합성된 일정한 공극률 구조의 맥락에서 지속성 다이어그램과 네트워크 기술자가 투과도의 유효한 예측 인자라는 가설을 검증하는 데 목적이 있다.