회절 잠재공간 특징을 통한 금속 미세구조 이질성 매핑

초록

본 연구는 전자후방산란(EBSD) 회절 패턴을 변분 자동인코더(VAE)와 대조학습(SimCLR)으로 저차원 잠재공간에 인코딩하고, 이를 물리적 좌표에 다시 매핑함으로써 전통적인 물리 기반 지표가 포착하지 못하는 미세구조 이질성을 정량적으로 시각화한다. 주조·가공된 Inconel 718과 적층제조(AM)된 동일 합금에 적용해, 결정립·방향 이질성뿐 아니라 셀룰러 구조·전위 밀도와 같은 미세 스케일 변이를 고감도로 탐지한다.

상세 분석

이 논문은 금속 재료의 복합적인 미세구조를 데이터‑축소 형태로 표현하기 위해 두 단계의 혁신적인 접근을 제시한다. 첫 번째 단계는 EBSD에서 획득한 Kikuchi 패턴을 그대로 입력으로 사용해 변분 자동인코더(VAE)와 대조학습을 결합한 인코더‑디코더 구조를 학습하는 것이다. VAE는 재구성 손실(L2)과 KL 발산을 최소화함으로써 패턴의 통계적 특성을 유지하면서 16~256 차원의 잠재벡터로 압축한다. 여기서 대조학습은 동일 패턴에 가해진 잡음(가우시안, 소금‑후추, 감마 변형) 변형을 이용해 서로 다른 증강 이미지 간의 표현을 가깝게 만들면서, 잡음에 강인한 특징을 학습하도록 유도한다. 이는 기존 SimCLR이 이미지 분류에 초점을 맞춘 것과 달리, 재구성 목표와 결합해 물리적 의미를 보존하는 잠재공간을 만든다.

두 번째 단계는 이렇게 얻어진 잠재벡터를 원래 EBSD 측정 좌표에 그대로 매핑하는 물리적 매핑이다. 결과적으로 각 측정점마다 다차원 잠재값이 할당되며, 이를 2‑D 색상 혹은 차원 축소 기법(t‑SNE, UMAP)으로 시각화하면 미세구조 이질성의 공간 분포를 한눈에 파악할 수 있다. 기존 물리 기반 분석이 결정립 경계·방향, 혹은 전위 밀도와 같은 개별 지표만을 추출해 전체 정보를 손실시키는 반면, 잠재공간 매핑은 회절 패턴 전체에 내재된 정보를 보존한다.

실험에서는 주조·가공된 Inconel 718과 AM‑as‑built Inconel 718 두 샘플을 대상으로 비교 분석하였다. 주조 시료는 전통적인 IPF 맵에서 보듯이 등방성 결정립과 균일한 방향을 보였으며, 잠재공간 매핑에서도 저차원 클러스터가 크게 구분되지 않아 균일성을 확인한다. 반면 AM 시료는 길쭉한 결정립, 높은 저각 경계 비율, 격자 회전 구배, 그리고 셀룰러 구조와 전위 밀도 변동을 보였으며, 잠재공간 매핑은 이러한 미세 스케일 변이를 고해상도 색상 변이와 클러스터 분리로 드러냈다. 특히 전위 밀도와 관련된 ‘sharpness’ 정보가 잠재벡터에 강하게 반영되어, 기존 Kikuchi sharpness 분석보다 더 미세한 변이를 감지한다.

또한 차원 수와 하이퍼파라미터 실험을 통해 64~128 차원에서 재구성 오차와 KL 발산이 최적 균형을 이루는 것을 확인했으며, 대조학습 가중치를 20배 확대했을 때 잡음에 대한 강인성이 크게 향상되었다. 학습 과정에서 검증 손실이 과적합 징후를 보였음에도 불구하고, 잠재공간의 일반화 성능은 충분히 유지되었다.

이 접근법은 (1) 전체 회절 패턴을 활용해 정보 손실을 최소화하고, (2) 물리적 좌표에 직접 매핑함으로써 미세구조 이질성을 공간적으로 시각화하며, (3) 머신러닝 기반 물성 예측 모델에 입력 특성으로 활용할 수 있는 데이터‑축소 표현을 제공한다는 점에서 기존 물리 기반 EBSD 분석을 뛰어넘는다. 향후 전단 변형, 피로 파괴 등 기계적 응답을 예측하는 회귀 모델에 잠재공간 특성을 입력하면, 복합 미세구조와 물성 간의 비선형 관계를 보다 정밀하게 학습할 수 있을 것으로 기대된다.