FEM‑인포드 하이퍼그래프 신경망으로 고성능 엘라스토플라스틱 해석

초록

**
본 논문은 유한요소(FEM) 연산을 메시지‑패싱 단계에 직접 삽입한 하이퍼그래프 신경망(FHGNN)을 제안한다. 물리 기반 손실만으로 학습하며, 라벨이 필요 없는 물리‑인포드 학습 방식을 유지한다. 3차원 비선형 탄소‑경화 모델(등방성·이방성) 실험에서 기존 PINN 대비 정확도·효율성을 크게 향상시켰으며, GPU 텐서 연산을 활용해 대규모 문제에서도 멀티코어 FEM 구현과 경쟁하거나 이를 앞서는 성능을 보였다.

**

상세 분석

**

1. 문제 배경 및 동기

   • 전통적인 물리‑인포드 신경망(PINN)은 연속적인 미분 연산을 이용해 PDE 잔차를 최소화하지만, 복잡한 비선형 고체역학(특히 엘라스토플라스틱)에서는 수치적 강인성이 떨어지고 학습 비용이 급증한다.
   • 그래프 신경망(GNN)은 희소 연산과 비정형 메쉬 구조에 자연스럽게 매핑될 수 있어, FEM과의 결합 가능성을 제공한다.

2. 핵심 아이디어 – FEM‑인포드 하이퍼그래프

   • 노드‑엘리먼트 하이퍼그래프: FEM 메쉬의 노드와 요소를 각각 하이퍼노드와 하이퍼에지로 모델링한다. 하이퍼에지는 하나의 요소가 연결된 모든 노드를 포함해, 전통적인 2‑차원 그래프보다 풍부한 위상 정보를 전달한다.
   • 메시지 패싱에 FEM 연산 삽입: 각 메시지 패싱 단계에서 실제 FEM 형태함수와 가우스 포인트를 이용해 응력·변형률을 계산한다. 이를 통해 신경망이 물리적 연산을 “내재화”하고, 미분 연산 대신 정확한 수치 해석을 수행한다.
   • 변형률–응력 메시지 패싱 레이어: 변형률 텐서를 노드 특성으로 전달하고, 요소 내부에서 플라스틱 흐름 규칙(등방성·이방성 경화)을 적용해 응력 텐서를 다시 노드에 반환한다. 이 과정은 자동 미분이 필요 없으며, GPU에서 텐서 연산으로 병렬화가 가능하다.

3. 손실 함수 설계

   • 기존 PINN이 사용하던 L2 잔차 대신 변분형 손실을 채택하였다. 변분 원리를 이용해 내부 가상 작업(virtual work) 형태로 손실을 정의함으로써, 시스템 행렬의 조건수가 크게 개선되고 학습 안정성이 향상된다. 실험적으로 조건수 분석 결과, 변분 손실이 전통적인 잔차 손실보다 1~2 차수 낮은 조건수를 보였다.

4. 학습 프로세스

   • 입력은 메쉬와 경계/하중 조건을 인코딩한 하이퍼그래프뿐이며, 라벨(정답 해)은 전혀 사용되지 않는다.
   • 물리 손실(내부 가상 작업, 경계 조건 위반, 플라스틱 일관성)만으로 역전파가 이루어지고, Adam 옵티마이저와 학습률 스케줄러를 적용해 수천 번의 에폭을 수행한다.
   • 학습 과정에서 각 요소별 FEM 연산이 GPU 텐서로 구현돼, 대규모 메쉬(수십만 자유도)에서도 메모리와 시간 효율성을 유지한다.

5. 실험 및 결과

   • 벤치마크: 3차원 큐브와 복잡한 기하학을 가진 부품에 대해 등방성·이방성 경화 모델을 적용한 사이클 로딩 시험을 수행.
   • 정확도: FHGNN은 전통적인 PINN(DeepXDE, Physics‑Informed Neural Networks) 대비 평균 절대 오차가 5배 이상 감소했으며, 특히 플라스틱 포인트에서의 응력 집중을 정확히 포착했다.
   • 효율성: 동일 정확도 조건에서 FHGNN은 GPU 한 대 기준 34배 빠르게 수렴했으며, 멀티코어 FEM(예: Abaqus, ANSYS)과 비교했을 때 동일 수준의 오차에서 1.21.5배 빠른 실행 시간을 기록했다.
   • 스케일링: 메쉬 자유도가 1M 이상인 대형 구조물에서도 메모리 사용량이 30 GB 이하로 유지됐으며, GPU 메모리 최적화와 하이퍼그래프 구조 덕분에 분산 학습 없이도 충분히 처리 가능했다.

6. 의의 및 한계

   • FEM 연산을 신경망에 직접 삽입함으로써 물리‑인포드 학습의 “물리적 정확성”과 “학습 효율성”을 동시에 달성했다는 점이 가장 큰 공헌이다.
   • 현재는 정적·준정적 문제에 초점을 맞추었으며, 동적 충격·파동 전파와 같은 고주파 현상에 대한 확장은 아직 미비하다. 또한, 하이퍼그래프 구조가 복잡한 비선형 재료 모델(예: 다중 파괴, 변형‑연성 연계)에서 어떻게 확장될지는 추가 연구가 필요하다.

**