딥메카닉스 물리 기반 딥러닝 모델 벤치마크

초록

본 논문은 DeepChem 프레임워크 위에 구현한 Hamiltonian Neural Network(HNN), Lagrangian Neural Network(LNN), Symplectic Recurrent Neural Network(SRNN) 세 가지 물리‑정보 신경망을 질량‑스프링, 단진자, 이중진자, 삼체문제, 스프링‑진자, 충돌을 포함한 튀는공 등 6개의 역학 시스템에 대해 정량·정성 평가한다. 보존계에서는 HNN이 가장 낮은 오류를 보였으며, 비보존·혼돈계에서는 모든 모델이 장기 안정성을 유지하지 못한다는 결론을 도출한다.

상세 분석

이 연구는 물리‑정보 딥러닝(PINN) 분야에서 가장 널리 인용되는 세 가지 아키텍처를 동일한 실험 파이프라인에 통합함으로써, 기존 연구들의 재현성 문제를 크게 완화한다. 구현 기반인 DeepChem은 NumpyDataset·TorchModel이라는 고수준 추상화를 제공하므로, 데이터 전처리·학습·평가 과정을 일관되게 적용할 수 있다.

각 모델은 에너지 함수를 파라미터화하고, 그라디언트를 이용해 운동 방정식을 도출한다는 공통점을 갖지만, 구조적 차이가 성능에 미치는 영향을 정밀히 분석한다. HNN은 Hamiltonian을 직접 예측하고, 자동 미분을 통해 (\dot q, \dot p)를 얻는다. LNN은 라그랑지안을 예측한 뒤 Euler‑Lagrange 방정식으로 가속도를 계산한다. SRNN은 이산적인 Leapfrog 적분기를 네트워크 내부에 삽입해, 시간 스텝마다 symplectic 구조를 보존하도록 설계되었다.

데이터 생성은 모두 고정된 ODE 솔버(SciPy solve_ivp, odeint)와 일정한 시간 스텝(Δt=0.01~0.1)으로 수행했으며, 훈련‑테스트 비율은 8:2, 배치 크기와 에폭 수는 모델마다 최적화하였다. 평가 지표는 MSE, MAE, RMSE, STD, VAR을 포함한 다중 통계량과, 에너지 보존 여부를 시각화한 위상공간 플롯이다.

실험 결과는 시스템별로 크게 두 그룹으로 나뉜다. 보존계(질량‑스프링, 단진자)에서는 HNN이 가장 낮은 MSE·RMSE를 기록했으며, SRNN도 근접한 성능을 보였다. LNN은 에너지 기반 미분을 직접 계산하므로 오차가 다소 크게 나타났지만, 전체적인 궤적 형태는 유지했다. 반면 혼돈계(이중진자, 삼체문제, 스프링‑진자)와 비보존계(튀는 공)에서는 세 모델 모두 장기 시뮬레이션 시 에너지 누수가 급격히 발생하거나 궤적이 발산했다. 특히 SRNN은 작은 타임스텝에 과도하게 의존해, 복잡한 비선형 결합을 충분히 학습하지 못해 오류가 폭발했다.

이 논문이 제시하는 주요 통찰은 다음과 같다. 첫째, 물리‑정보를 네트워크에 삽입한다 하더라도, 구조적 보존성만으로는 혼돈·비보존 시스템의 장기 안정성을 보장할 수 없다. 둘째, 학습 데이터의 다양성(초기 조건, 시간 해상도)과 적분기 선택이 모델 성능에 결정적인 영향을 미친다. 셋째, 현재 구현된 HNN·LNN·SRNN은 모두 에너지 보존을 강제하지만, 실제 물리 시스템에 존재하는 마찰·충돌과 같은 비보존 항을 모델링하려면 추가적인 물리적 제약(예: 접촉 모델, 손실 함수)이나 하이브리드 접근법이 필요하다. 마지막으로, DeepChem 기반 벤치마크는 향후 새로운 물리‑정보 네트워크를 비교·확장하는 표준 플랫폼으로 활용될 가능성을 보여준다.