마이크로구조 기반 변분 심층 재료망으로 구현하는 강인한 불확실성 정량화 디지털 트윈

초록

본 논문은 마이크로구조의 알레아터릭 변동을 물리 기반 신경망에 통합한 변분 심층 재료망(VDMN)을 제안한다. VDMN은 체적비와 계면 방향 등 핵심 파라미터를 가우시안 변분 분포로 확장하고, 테일러 전개와 자동 미분을 이용한 해석적 불확실성 전파 알고리즘을 구축한다. 이를 통해 선형 탄성 학습만으로도 비선형 거동에서의 불확실성을 정량화하고, 실험적 3D 프린팅 복합재와 역캘리브레이션 사례에서 높은 예측 정확도와 불확실성 분해 능력을 입증한다.

상세 분석

VDMN은 기존 Deep Material Network(DMN)의 결정론적 구조를 변분 확률론적 형태로 일반화한다. 구체적으로, 각 램네이트 블록의 체적비 f와 계면 법선 θ를 평균 µ와 공분산 S로 파라미터화된 가우시안 분포로 대체함으로써, 마이크로구조의 통계적 변동을 직접 모델링한다. 이때 불확실성 전파는 두 단계로 수행된다. 첫 번째는 1차 테일러 전개를 이용해 입력 파라미터의 평균값을 통해 평균 응답 µ_C⁽ʰ⁾를 계산하고, 두 번째는 자동 미분을 활용해 헤시안(또는 야코비안) 행렬을 구해 2차 항을 통해 공분산 S_C⁽ʰ⁾를 근사한다. 알고리즘 1은 이러한 과정을 재귀적으로 이진 트리 구조에 적용해 전체 네트워크의 출력(동질화된 강성 텐서)의 평균·공분산을 얻는다.

학습 단계에서는 음의 로그우도 손실을 최소화한다. 손실식은 (i) 관측된 동질화 강성 텐서와 예측된 가우시안 분포 사이의 로그우도, (ii) 전체 체적비 보존을 강제하는 정규화 항으로 구성된다. 로그우도는 강성 텐서가 양의 반정치 행렬이라는 리만 다양체 위에서 로그-맵을 적용해 접공간으로 전환한 뒤, 예측 평균과 공분산을 이용해 계산한다. 이 접근법은 이질분산(heteroskedastic) 데이터를 자연스럽게 다룰 수 있게 해준다.

VDMN의 핵심 장점은 두 가지 모드 지원이다. (1) 해석적 모드에서는 위의 닫힌 형태 전파식을 통해 바로 평균·공분산을 얻어 빠른 추론이 가능하고, (2) 샘플링 모드에서는 학습된 변분 분포에서 다수의 결정론적 DMN을 샘플링해 Monte‑Carlo 방식으로 불확실성을 평가한다. 샘플링 모드는 기존 비선형 DMN 구현과 호환되어, 비선형 재료 거동에서도 물리적 일관성을 유지한다.

실험 검증에서는 (a) 스핀odal 분해 시뮬레이션을 통해 생성한 30개의 합성 마이크로구조 데이터셋으로 선형 탄성 학습을 수행하고, 비선형 응답(예: 대변형 하중)에서도 정확한 평균·분산 예측을 확인했다. (b) 실제 적층 제조(polymer‑matrix composite) 시편의 인장 시험 데이터를 이용해 VDMN이 비선형 응력‑변형률 곡선의 분포를 성공적으로 재현했으며, 이는 디지털 트윈이 시험 전 성능을 예측하는 데 활용될 수 있음을 시사한다. (c) 역캘리브레이션 실험에서는 잡음이 섞인 동질화 응답으로부터 개별 상의 탄성계수와 체적비 변동을 동시에 추정했으며, 서로 겹치는 알레아터릭 소스들을 정량적으로 분리해냈다.

이러한 결과는 VDMN이 (i) 마이크로구조 기반 물리 모델링과 확률적 추론을 자연스럽게 결합하고, (ii) 제한된 선형 데이터만으로도 비선형 거동의 불확실성을 정량화하며, (iii) 실제 제조 공정에서 발생하는 다중 불확실성원을 해석적으로 분해할 수 있음을 보여준다. 따라서 VDMN은 고성능 재료 설계, 디지털 트윈 기반 실시간 모니터링, 그리고 신뢰성 기반 최적화 등에 적용 가능한 강력한 플랫폼으로 평가된다.