단일 인장 시험으로 학습 가능한 경로 의존 딥러닝 재료 모델을 위한 최적 설계 시편

초록

**
본 논문은 자동 미분 기반 엘라스토플라스틱 토폴로지 최적화를 이용해, 단일 인장 시험만으로도 풍부한 응변‑응력 궤적을 생성하는 시편을 설계한다. 설계된 시편을 사이클 로딩하여 얻은 데이터로, 2백만 파라미터 규모의 GRU‑기반 순환 신경망을 성공적으로 학습시켜 경로‑의존 재료 모델링에 필요한 데이터 양을 크게 줄였다.

**

상세 분석

**
이 연구는 재료 모델링 분야에서 “데이터 부족”이라는 근본적인 문제를 혁신적으로 해결한다. 기존의 딥러닝 기반 재료 모델은 수천~수만 개의 실험 데이터 혹은 고성능 컴퓨팅을 이용한 단위셀 시뮬레이션에 의존해 왔으며, 이는 실험 비용과 시간 면에서 비현실적이었다. 저자들은 두 가지 핵심 기술을 결합한다. 첫째, JAX 기반 자동 미분을 활용한 엘라스토플라스틱 토폴로지 최적화이다. 여기서는 전통적인 SIMP 방식에 플라스틱 강성 변화를 포함하고, 설계 변수인 요소 밀도 ρ에 대한 그래디언트를 자동으로 계산한다. 둘째, 스트레인 다양성을 정량화하기 위해 ‘엔트로피 기반 히스토그램’ 목표 함수를 도입한다. 스트레인 공간을 다차원 셀로 discretize하고, 각 샘플을 가우시안 커널로 부드럽게 할당함으로써 미분 가능성을 확보한다. 히스토그램이 균일할수록 엔트로피가 최대가 되며, 이는 설계된 시편이 가능한 한 넓은 범위의 응변 상태를 생성한다는 의미다. 최적화는 MMA 알고리즘으로 수행되며, 최종 설계는 밀도 임계값과 형태학적 정리를 통해 이진(실·공) 구조로 변환된다.

최적화된 시편은 이후 2D/3D 유한요소 해석을 통해 단조 인장 및 사이클 로딩을 가해, 각 요소의 응력‑응변 궤적을 수집한다. 이렇게 얻은 데이터셋은 자동 미분 모델 업데이트(ADiMU) 프레임워크, 즉 HookeAI를 이용해 학습된다. 저자는 500개의 은닉 유닛을 갖는 두 개의 GRU 레이어와 선형 출력 레이어로 구성된 2백만 파라미터 규모의 RNN을 선택했으며, 이는 과대 파라미터 모델이 데이터 다양성에 얼마나 의존하는지를 시험하는 ‘스트레스 테스트’ 역할을 한다. 학습 결과는 독립적인 다항식 경로 데이터에 대해 높은 일반화 성능을 보였으며, 기존의 도그본 시편으로는 불가능했던 수준의 정확도를 달성했다.

핵심 인사이트는 다음과 같다. (1) 플라스틱 변형을 고려한 토폴로지 최적화가 실험 설계 단계에서 직접 데이터 다양성을 창출할 수 있다. (2) 자동 미분을 이용하면 복잡한 비선형 플라스틱 해석에서도 정확한 그래디언트를 얻어 자유롭게 목표 함수를 정의할 수 있다. (3) 엔트로피 기반 히스토그램은 차원 수가 늘어나도 확장 가능하며, 다른 물리량(예: 온도, 전기장)에도 적용 가능하다. (4) 단일 시편·단일 로딩으로도 수백만 파라미터 모델을 학습할 수 있음을 입증함으로써, 실험 비용을 획기적으로 절감하고 ‘Material Testing 2.0’ 패러다임을 실현한다.

**