Out-of-Distribution Inverse Design of Elastic Networks with Differentiable Graph Neural Network Molecular Dynamics

재료를 시행착오를 통해 설계하는 것이 아니라, 특정 작업을 수행하기 위한 완벽한 구조를 컴퓨터에 요청하여 찾아낼 수 있는 세상을 상상해 보십시오. 이것이 바로 역설계(inverse design)가 약속하는 바이며, 과학자들이 발견에 접근하는 방식의 변화입니다. 재료를 먼저 만들고 그것이 어떻게 작동하는지 테스트하는 대신, 연구자들은 원하는 거동(예를 들어, 쥐었을 때 더 넓어지는 스프링)에서 시작하여 이를 만들어내는 원자 배열을 찾아내기 위해 역으로 추적합니다. 수십 년 동안 이 과정은 엄청난 컴퓨팅 파워를 소모하는 복잡한 물리 시뮬레이션에 의존하며 느리고 비용이 많이 드는 작업이었습니다. 최근 과학자들은 컴퓨터가 재료의 거동을 예측하도록 학습시켜 속도를 높이기 위해 머신러닝을 활용해 왔습니다. 그러나 이러한 디지털 모델들은 보통 자신이 본 적 없는 것을 상상하라는 요구를 받으면 어려움을 겪습니다. 이들은 학습 데이터 내의 패턴을 인식하는 데는 탁월하지만, 가보지 않은 새로운 영역으로 밀려나면 종종 실패하곤 합니다.

테크니온 이스라엘 공과대학교의 연구팀은 이러한 한계를 극복할 수 있는 새로운 방법을 개발했습니다. 그들은 스마트한 학습 기반 시뮬레이터와 변하지 않는 물리 법칙을 결합한 시스템을 만들었습니다. 이 하이브리드 접근 방식 덕분에 컴퓨터는 원래 학습했던 범위를 훨씬 벗어나는 특성을 가진 재료를 설계할 수 있습니다. 연구진은 이 방법을 무질서 탄성 네트워크(연결된 점과 스프로 구성된 재료의 모델)에 적용하여, 시스템이 학습 데이터에는 전혀 존재하지 않았던 거동을 가진 구조를 발명할 수 있음을 입증했습니다. 그 결과, 이 도구는 알려진 재료를 개선할 뿐만 아니라 완전히 새로운 재료를 발견할 수 있게 되었으며, 전통적인 머신러닝 모델이 손댈 수 없는 문제들을 해결해 냈습니다.

이 새로운 프레임워크의 핵심은 그래프 신경망 분자 역학 시뮬레이터입니다. 이것이 어떻게 작동하는지 이해하려면, 재료를 스프링으로 연결된 구슬들의 웹이라고 상상해 보십시오. 표준 시뮬레이션에서 컴퓨터는 작용하는 힘에 따라 모든 구슬이 어떻게 움직이는지를 단계별로 계산합니다. 이는 정확하지만 매우 느립니다. 연구진은 이 머신러형 모델이 구슬들이 어떻게 상호작용하는지의 근본적인 패턴을 학습하여 이러한 움직임을 훨씬 빠르게 예측하도록 훈련했습니다. 그러나 주요 장애물이 존재합니다. 머신러닝 모델은 일반적으로 다음 단계를 예측하기 위해 구슬의 현재 속도와 방향을 알아야 합니다. 실제 설계 시나리오에서는 움직이는 상태가 아닌 정적인 상태의 재료에서 시작합니다. 모델은 예측해야 할 움직임을 알 수 없는 '눈먼' 상태가 됩니다.

이를 해결하기 위해 연구진은 "부트스트랩(bootstrap)" 방법을 도입했습니다. 메인 시뮬레이션이 시작되기 전, 맞춤형 물리 기반 엔진이 정적인 시작점에서 아주 짧은 초기 움직임을 생성합니다. 이는 머신러닝 모델이 예측해야 할 맥락(구슬의 속도와 방향)을 제공하여 시뮬레이션을 시작할 수 있게 해줍니다. 일단 시뮬레이션이 실행되면, 시스템은 또 다른 과제에 직면합니다. 바로 모델이 본 적 없는 방식으로 작동하는 재료를 설계할 때 예측이 물리적으로 현실적인지를 유지하는 것입니다. 이를 해결하기 위해 연구진은 '추론 시간 물리 기반 최적화(inference-time physics-based optimization)'라는 기술을 채택했습니다. 시뮬레이션이 실행되는 동안, 시스템은 에너지 보존이나 압력과 같은 근본적인 물리 법칙에 비추어 자신의 예측을 끊임없이 점검합니다. 만약 머신러닝 모델이 불가능한 상태로 흘러가기 시작하면, 시스템은 경로를 부드럽게 교정하여 재료가 새로운 거동을 탐색하면서도 물리적으로 유효하게 유지되도록 합니다.

연구진은 이 프레임워크를 무질서 탄성 네트워크, 즉 스프링과 노드가 무작위로 얽힌 웹을 사용하여 테스트했습니다. 그들은 표준적인 방식으로 작동하는 네트워크, 즉 쥐었을 때 일반적인 재료처럼 얇아지는 네트워크만을 사용하여 시뮬레이터를 훈련시켰습니다. 이 학습 네트워크들은 포아송 비(Poisson's ratio)라고 불리는 특정 성질을 가지고 있었는데, 이는 재료를 늘리거나 줄일 때 옆으로 얼마나 변하는지를 나타내는 척도로, 0.1에서 0.4 사이의 범위를 가졌습니다. 목표는 시스템이 그 반대로 작동하는 네트워크, 즉 쥐었을 때 넓어지는 재료를 설계할 수 있는지 확인하는 것이었습니다. 이는 '오제틱(auxetic)' 재료라고 알려져 있으며, 공학 분야에서 매우 드물고 가치 있는 특성입니다.

학습 과정에서 오로틱 재료를 본 적이 없음에도 불구하고, 시스템은 -0.3만큼 낮은 포아송 비를 가진 네트워크를 성공적으로 설계했습니다. 이는 학습 데이터와는 극적인 차이로, 압축 시 횡방향으로 팽창하는 대신 수축하는 재료를 의미합니다. 연구진은 네트워크의 노드 위치를 미세하게 조정하거나 이들을 연결하는 스프링의 강성을 조절함으로써 이를 달성했습니다. 어떤 경우에는 두 전략을 모두 사용하여 더욱 극단적인 해법을 찾아냈고, -0.35까지 낮은 비율에 도달했습니다. 시스템은 단 하나의 사례만 찾은 것이 아니라 일관되게 이러한 결과를 만들어냈으며, 이는 이 방법이 견고하고 신뢰할 수 있음을 증명합니다.

이 접근 방식의 힘은 단순히 하나의 숫자를 바꾸는 것을 넘어섭니다. 연구진은 시스템이 더 큰 재료 내부의 특정 국소적 거동 또한 설계할 수 있음을 보여주었습니다. 그들은 컴퓨터에게 표준 네트워크 내부에 일반적인 부분과는 다르게 행동하는 작은 주머니를 만들라고 요청했습니다. 한 실험에서 그들은 전체 네트워크가 압착될 때 옆으로 수축하는 오제틱 주머니를 표준 네트워크 안에 설계했으며, 이때 주변 재료는 정상적으로 작동했습니다. 또 다른 실험에서는 응력이 집중되는 구역을 만들어, 전체적인 강도는 바꾸지 않으면서 특정 영역으로 더 많은 힘을 전달하도록 했습니다. 이러한 국소적 결함들은 학습 데이터에 전혀 없던 것이었지만, 시스템은 이를 정밀하게 생성해 냄으로써 재료를 미세한 수준에서 조작할 수 있는 능력을 보여주었습니다.

이 시스템의 확장 능력 또한 중요한 발견이었습니다. 시뮬레이터는 200개 미만의 노드를 가진 네트워크로 훈련되었지만, 최대 5,000개의 노드를 가진 네트워크까지 성공적으로 최적화했습니다. 이러한 확장성은 재료가 결코 작지 않은 실제 응용 분야에서 매우 중요합니다. 연구진은 또한 시스템이 재료의 응력-변형률 곡선(압력에 따라 재료가 어떻게 변형되는지를 설명하는 곡선) 전체를 재설계할 수 있음을 보여주었습니다. 그들은 단순하고 선형적인 방식으로 반응하는 재료를 가져와, 학습 중에 관찰된 한계를 뛰어넘어 복잡하고 비선형적인 반응을 갖도록 재설계할 수 있었습니다.

이 프레임워크의 성공은 머신러닝의 속도와 물리학의 정확성 사이의 섬세한 균형에 달려 있습니다. 물리 기반의 짧은 시작 단계를 통해 시뮬레이션을 초기화하고 물리적 제약을 통해 경로를 지속적으로 정교화함으로써, 시스템은 순수 머신러닝의 흔한 함정을 피합니다. 이 시스템은 단순히 추측하는 것이 아니라, 운동의 규칙을 학습한 뒤 이를 창의적으로 적용합니다. 이를 통해 이전에 접근 불가능했던 설계 공간을 탐색하고, 참신할 뿐만 아니라 물리적으로 실현 가능한 해법을 찾아냅니다.

이 연구의 함의는 재료 과학의 미래에 있어 매우 중요합니다. 이는 우리가 단순히 기존 재료를 스크리닝하는 수준을 넘어, 목표한 특성을 가진 새로운 재료를 능동적으로 설계할 수 있음을 시사합니다. 학습 데이터의 범위를 완전히 벗어난 거동을 가진 재료를 생성할 수 있는 능력은, 우리가 아직 완전히 정의하지 못한 문제들에 대한 해결책을 찾는 문을 열어줍니다. 충격 시 더 단단해지는 충격 흡수 구조를 만들거나, 극한의 변형 속에서도 형태를 유지하는 유연한 전자 기기를 설계하는 것 등, 이 방법은 강력한 새로운 도구를 제공합니다. 연구진은 인공지능의 예측 능력과 물리 법칙의 근본적인 힘을 결합함으로써, 우리가 이전에는 도달할 수 없다고 생각했던 방향으로 재료의 발견을 이끌 수 있음을 보여주었습니다.