물리 정보 기계 학습을 활용한 두 상 이동 경계 및 스테판 문제 해법

초록

본 연구는 고전적인 자유 경계 문제인 스테판 문제를 해결하기 위한 새로운 물리 정보 신경망(PINN) 프레임워크를 제안합니다. 두 개의 신경망(이동 인터페이스 모델링용, 온도장 모델링용)을 사용하여 경계면에서의 온도 기울기 불연속성을 정확히 포착하면서 전역적 일관성을 유지합니다. 수치 실험을 통해 기존 방법 대비 우수한 정확도와 불안정한 인터페이스 진화(Mullins-Sekerka 불안정성) 포착 능력을 입증했습니다.

상세 분석

본 논문의 핵심 기술적 기여는 ‘커스프-캡처링 PINN’을 스테판 문제에 적용한 점에 있습니다. 기존 PINN이 급격한 기울기 변화나 불연속성을 모델링하는 데 어려움을 겪는 반면, 본 방법은 수정된 제로-레벨셋 함수(φ_a = |x - ŝ(y,t)|)를 온도 신경망(U)의 추가 입력으로 활용합니다. 이 간단하지만 효과적인 트릭은 네트워크가 인터페이스(φ=0)에서 자동으로 정상 방향 도함수의 점프 불연속성을 생성하도록 유도합니다. 이는 연쇄 법칙을 통해 ∇xû = ∇xU + ∂zU ∇xφ_a 로 표현되며, φ_a의 기울기가 인터페이스에서 부호가 바뀌므로 ∂zU 항이 도함수 점프의 원인이 됩니다.

또 다른 중요한 설계는 인터페이스 신경망(ŝ)과 온도 신경망(U)의 분리입니다. ŝ 네트워크는 공간 도메인 내 각 샘플링 점이 Ω+ 영역인지 Ω- 영역인지를 실시간으로 판별(알고리즘 2)하는 ‘카테고리자’ 역할을 하여, 해당 점에서의 열확산계수(k±)를 손실 함수 계산 시 정확히 할당할 수 있게 합니다. 이는 열확산계수가 불연속인 문제에서 정확한 물리 법칙 적용의 핵심입니다.

손실 함수는 내부 PDE 잔차, 초기 조건, 경계 조건과 함께 인터페이스에서의 세 조건(용융 온도=0, 스테판 조건, 인터페이스 초기 위치)을 통합합니다. 특히 스테판 조건 손실 항(L_I2)은 자동 미분을 통해 명시적인 형태(Eq. 23)로 계산 가능하며, 여기서 열유속 점프는 Eq. 15에 따라 (k+ - k-)∇xU·n + (k+ + k-)∂zU∥∇xϕ∥ 로 표현됩니다. 최적화에는 Levenberg-Marquardt 알고리즘이 사용되어 안정적인 수렴을 도모했습니다.

이 방법론의 강점은 기존의 격자 기반 수치법(전면 추적, 엔탈피 법, 위상장 법)이 겪는 인터페이스 추적의 어려움과 정규화 문제를 데이터 없는 신경망 기반 접근법으로 우회하면서도, 물리 법칙을 손실 함수에 ‘정보’로써 정확히 반영했다는 점입니다. 1차원 및 2차원 예제에서의 정량적 결과는 제안 방법이 비교 대상 신경망 방법론보다 우수한 정확도를 보이며, 복잡한 Mullins-Sekerka 불안정성과 같은 비선형 현상도 포착할 수 있음을 보여줍니다.