불확실성 속 배치 결정화 모델링: 물리‑인포머드 딥러닝 혁신

초록

본 연구는 물리 기반 인구 균형 모델(PBM)과 순환 신경망(RNN)을 결합한 물리‑인포머드 RNN(PIRNN)을 제안한다. 합성 데이터에 잡음, 용해도 편차, 샘플링 제한 등 다양한 알레아토릭·에피스테믹 불확실성을 인위적으로 부여해 학습시켰으며, PIRNN이 기존 데이터‑주도 모델보다 10배 이상 높은 예측 정확도와 물리적 일관성을 유지함을 입증한다. 또한 물리 정규화 가중치를 적절히 조정하면 파라미터 추정과 저해상도 데이터에서도 안정적인 동역학 재현이 가능함을 보였다.

상세 분석

이 논문은 배치 냉각 결정화 공정의 동역학을 모델링할 때, 전통적인 물리 기반 인구 균형 모델(PBM)과 최신 딥러닝 기법을 융합한 하이브리드 접근법을 체계적으로 검증한다. 먼저, 저자들은 1‑차원 PBM과 모멘트 방법을 이용해 결정 성장·핵생성·용해도 관계를 수식화하고, 이를 기반으로 ‘진실’ 시뮬레이션 데이터를 생성한다. 여기서 중요한 점은 합성 데이터에 세 가지 유형의 불확실성을 의도적으로 삽입했다는 것이다. 첫째, 측정 잡음은 전체 신호 표준편차의 10 %, 30 %, 100 % 수준으로 가우시안 노이즈를 추가해 알레아토릭 불확실성을 모사한다. 둘째, 용해도 편차는 실제 실험에서 흔히 발생하는 10 %의 시스템적 오차를 반영해 용해도 다항식에 일정한 시프트를 주어 에피스테믹 불확실성을 도입한다. 셋째, 샘플링 주파수는 2점부터 9점까지 로그‑스케일로 감소시켜 데이터 희소성을 테스트한다. 이러한 설계는 실제 공정에서 발생할 수 있는 다양한 데이터 결함을 정량적으로 평가할 수 있게 한다.

모델링 핵심은 물리‑인포머드 RNN(PIRNN)이다. RNN 구조에 PBM의 미분 방정식을 물리 정규화(term)로 삽입해, 네트워크가 학습 과정에서 물리 법칙을 위반하지 않도록 제약한다. 물리 정규화 가중치 λ을 변동시켜 ‘physics‑heavy’(λ≫1)와 ‘data‑heavy’(λ≈0) 두 극단을 비교했으며, λ가 과도히 크면 모델 불일치(용해도 시프트)로 인한 편향이 증폭돼 오히려 예측 오차가 증가한다는 중요한 교훈을 얻었다. 최적 λ 범위에서는 데이터 적합도와 물리 일관성 사이의 균형이 맞춰져, 테스트 데이터에 대해 평균 절대 오차가 0.02 g/g 이하로 감소하고, 파라미터 추정값(k_b2, α, β, k_g 등)이 실제값과 5 % 이내 차이로 복원되었다.

또한, 저자들은 PIRNN이 샘플링 포인트가 극히 적은 경우에도 안정적인 학습을 보여줌을 확인했다. 2점(초기·최종) 데이터만으로도 파라미터 추정이 가능했으며, 이는 물리 정규화가 모델의 일반화 능력을 크게 향상시킨 결과이다. 반면, 순수 데이터‑드리븐 RNN이나 전통적인 PBM은 고노이즈·저샘플링 상황에서 발산하거나 파라미터 수렴에 실패했다.

결과적으로, 이 연구는 (1) 물리‑인포머드 학습이 알레아토릭·에피스테믹 불확실성에 강인함을 제공한다, (2) 물리 정규화 가중치를 적절히 튜닝하면 모델 불일치에 대한 내성을 확보한다, (3) 데이터가 희소하거나 잡음이 심한 실험 환경에서도 신뢰할 수 있는 파라미터 추정 및 동역학 재현이 가능함을 입증한다는 세 가지 핵심 인사이트를 제시한다. 이러한 발견은 제약·화학 공정의 실시간 모니터링·제어에 하이브리드 모델을 적용하는 데 중요한 이정표가 될 것이다.