A physics-informed neural network surrogate for multi-band reflection-loss prediction of carbon-fiber-reinforced polymer / Ti-6Al-4V ELI radar absorbing materials for UAV airframe integration

기술 요약: CFRP/Ti-6Al-4V ELI RAM의 다중 대역 반사 손실 예측을 위한 물리 정보 신경망(PINN) 대리 모델

문제 정의
무인 항공기(UAV)용 레이더 흡수 물질(RAM) 설계는 일반적으로 전송 행렬법(TMM), 시차 분산 유한 차분법(FDTD), 또는 모멘트법(MoM)과 같은 해석적 또는 수치적 솔버에 의존한다. 이러한 방법들은 정확하지만, 다중 주파수 대역, 입사각, 재료 두께를 포함하는 광범위한 설계 공간을 탐색할 때 계산 부하가 매우 커진다. 이는 특히 저탐지성(스텔스)과 구조적 무결성 및 질량 제한 사이의 균형을 맞춰야 하는 UAV 설계에서 매우 중요하다. 구체적으로, 항공우주 등급의 Ti-6Al-4V ELI 티타늄을 배면에 둔 탄소 섬유 강화 폴리머(CFRP) 복합재는 하중 지지 구조와 전자기파 흡수의 이중 기능을 제공하지만, 다중 대역 성능을 위해 두께를 최적화하려면 전통적인 솔버로는 효율적으로 제공할 수 없는 신속하고 반복적인 평가가 필요하다.

방법론
저자는 2–18 GHz 주파수 대역과 0–80° 횡전기(TE) 입사각에 대해 금속 배면을 가진 CFRP 흡수체의 반사 손실(RL)을 예측하기 위한 물리 정보 신경망(PINN) 대리 모델을 제안한다.

1. 데이터 생성: TMM의 커스텀 파이썬 구현을 사용하여 6,400개의 샘플로 구성된 참조 데이터셋을 생성하였다. 입력 파라미터에는 주파수($f$), 입사각($\theta$), 그리고 흡수체 두께($d$)가 포함되었다. 재료 시스템은 PEC(완전 전기 도체)로 모델링된 Ti-6Al-4V ELI 기판 위의 균질한 자성 유전체 CFRP 층으로 모델링되었다.
2. 네트워크 아키텍처: PINN은 푸리에 특징 임베딩 레이어와 그 뒤를 잇는 6개 층의 다층 퍼셉트론(MLP)으로 구성되며, 각 은닉층은 256개의 뉴런과 하이퍼볼릭 탄젠트 활성화 함수를 갖는다.
   • 스펙트럼 편향 완화: 표준 MLP가 저주파 성분을 먼저 학습하는 경향(스펙트럼 편향)을 해결하기 위해, 가우시안 투영 행렬을 이용한 랜덤 푸리에 특징 임베딩을 통해 입력 공간을 확장하였다.
   • 물리적 정규화: 손실 함수에는 다음과 같은 명시적인 물리 기반 제약 조건이 포함된다:
     • 단조성(Monotonicity): 흡수 영역에서 주파수가 높아짐에 따라 반사 손실이 개선(더 음의 방향으로 증가)됨을 강제함.
     • 각도 경계(Angular Boundary): TE 편광에 대해 입사각이 증가함에 따라 흡수 성능이 단조 감소함을 강제함.
     • 매끄러움(Smoothness): 매끄러운 그래디언트를 보장하기 위한 티코노프(Tikhonov) 정규화.
3. 학습: 모델은 단일 CPU 스레드에서 600 에포크(epoch) 동안 코사인 어닐링 학습률 스케줄링을 적용한 Adam 옵티마이저를 사용하여 학습되었으며, 42초 만에 완료되었다.

주요 기여

• 대리 모델 개발: GPU 가속 없이도 분석적 TMM 기준치 대비 1데시벨 미만의 정확도를 달리는 PINN 대리 모델을 구축하였다.
• 아키텍처 혁신: 물리적으로 타당한 예측을 보장하기 위해 랜덤 푸리에 특징 임베딩과 특정 물리 기반 정규화(단조성 및 각도 제약)를 통합하였다.
• 다중 대역 최적화: 훈련된 대리 모델을 활용하여 S-밴드, X-밴드, Ku-밴드 전반에 걸쳐 신속하고 철저한 두께 최적화를 수행함으로써 사분파 공진 최적점을 식별하였다.
• 구조적 통합 평가: 최적화된 CFRP/Ti-6Al-4V ELI 이중층을 중고도 장거리 무인기(MALE) 기체에 통합할 때 발생하는 질량 오버헤드를 정량적으로 평가하였다.

결과

• 정확도: 대리 모델은 TMM 참조값에 대해 0.22 dB의 제곱 평균 제곱근 오차(RMSE)와 0.12 dB의 평균 절대 오차(MAE)를 달랐다. 평가 지점의 95%가 0.5 dB 오차 범위 내에 있었다. 가장 큰 편차는 흡수력이 본질적으로 약한 경사 입사 영역($\theta > 75^\circ$)에서 발생하였다.
• 효율성: 학습 과정은 단일 CPU에서 42초가 소요되었다. 직접적인 TMM 평가 대비 추론 속도는 약 50배 빨라 신속한 파라미터 연구를 가능하게 한다.
• 최적화 결과: 다중 대역 두께 최적화를 통해 수직 입사 시 다음과 같은 사분파 최적 두께를 식별하였다:
  • S-밴드 (2–4 GHz): 3.9 mm 두께 ($RL = -4.64$ dB).
  • X-밴드 (8–12 GHz): 1.9 mm 두께 ($RL = -8.93$ dB).
  • Ku-밴드 (12–18 GHz): 1.5 mm 두께 ($RL = -11.31$ dB).
• 구조적 영향: 대표적인 MALE UAV(MQ-9A Reaper)의 경우, Ku-밴드 최적 코팅(1.5 mm)은 약 60.8 kg의 질량을 추가하며, 이는 1.3%의 질량 오버헤드를 발생시킨다. 더 넓은 MALE 클래스 범위에서는 오버헤드가 1.5%에서 8.5% 사이이며, 저자는 이를 레이더 흡수형 변형 모델에 대해 수용 가능한 수준으로 간주한다.

의의 및 주장
본 논문은 이 연구가 결합된 재료 및 구조적 UAV 설계를 위한 계산 효율적인 경로임을 제시한다. 저자는 특정 단일 층 문제의 경우 이론적으로 직접적인 해석적 최적화가 가능할 수 있으나, 제안된 대리 모델은 다음과 같은 세 가지 뚜렷한 장점을 제공한다고 주장한다:

1. 미분 가능성: 훈련된 네트워크는 모든 입력에 대해 완전히 미분 가능하므로, 단 한 번의 역전파(backward pass)를 통해 민감도(예: $\partial RL/\partial \theta$)를 해석적으로 계산할 수 있으며, 이는 그래디언트 기반의 기체 최적화 루프에 필수적이다.
2. 확장성: 본 아키텍처는 직접적인 수치 솔버로는 너무 느린 복잡하고 해석적으로 다루기 어려운 문제(예: 경사 다층 흡수체 또는 주파수 종속 분산)로 확장할 수 있도록 설계되었다.
3. 역설계 능력: 훈련된 후, 네트워크는 목표 반사 손실 사양을 허용 가능한 재료 또는 두께 조합으로 매핑하는 역질의(inverse queries)를 지원한다.

본 연구는 물리 정보 접근 방식이 표준 하드웨어에서도 공학적 수준의 정확도(0.5 dB 미만 오차)를 달성할 수 있음을 입증함으로써 "대리 모델 우선(surrogate-first)" 철학을 검증하며, 스텔스와 구조적 성능을 동시에 통합하는 미래의 다학제간 설계 최적화(MDO) 프레임워크를 위한 토대를 제공한다.