<ÀΰøÁö´É°ú ¹°¸®ÇÐÀÇ ¸¸³²>
º» ±â°í¹®¿¡¼´Â ¹°¸®ÇÐÀ» À§ÇÑ ÀΰøÁö´É (AI for Physics) °ú ÀΰøÁö´ÉÀ» À§ÇÑ ¹°¸®ÇÐ (Physics for AI) ÀÇ ¿ø¸®¿Í ÀÀ¿ë »ç·Ê¿¡ ´ëÇØ ¼Ò°³ÇÏ°íÀÚ ÇÑ´Ù.
À̽Âö ºÎ±³¼ö
³ªÁÖ¿ø ÅëÇÕ°úÁ¤
À̼ö¿µ ÅëÇÕ°úÁ¤
Æ÷Ç×°ø°ú´ëÇб³ ±â°è°øÇаú (E-mail: seunglee@postech.ac.kr)
1. ¼·Ð
±â°èÇнÀ ¹æ¹ý·ÐÀº ÀÚ¿¬°úÇÐ ¹× °øÇÐ ºÐ¾ß¿¡¼ ¹°¸®ÀûÀÎ ½Ã½ºÅÛÀÇ °Åµ¿À» ¸ðµ¨¸µÇϱâ À§ÇØ È°¹ßÇÏ°Ô »ç¿ëµÇ°í ÀÖ´Ù. ¿¹¸¦ µé¾î, ¹ßÀü¼Ò, Ç÷£Æ®, Ç×°ø µîÀÇ ¼³ºñ ÀÌ»óÀ» ŽÁöÇϰųª »óŸ¦ Áø´ÜÇÏ´Â °íÀå Áø´Ü ¹× ¿¹Áö ºÐ¾ß (Prognostic and health management) °¡ ÀÖ´Ù. ÇÏÁö¸¸ µ¥ÀÌÅÍ ±â¹Ý Á¢±Ù¹ýÀº Çؼ® °¡´É¼º°ú ÀϹÝÈ ¼º´ÉÀ̶ó´Â µÎ °¡Áö Ãø¸é¿¡¼ ±Ùº»ÀûÀÎ ÇѰ踦 °¡Áö°í ÀÖ´Ù.
(1) Çؼ® °¡´É¼ºÀ̶õ ±â°èÇнÀ ¾Ë°í¸®ÁòÀÇ ÀÇ»ç°áÁ¤¿¡¼ ÆÇ´ÜÀÇ ±Ù°Å ¹× µµÃâ °úÁ¤À» ³í¸®ÀûÀ¸·Î ¼³¸íÇÏ´Â ´É·ÂÀ» ÀǹÌÇÑ´Ù. ÀÌ·¯ÇÑ ´É·ÂÀº °í¾ÈÁ¤¼º ¹× °í½Å·Ú¼ºÀ» ¿ä±¸ÇÏ´Â »ê¾÷Àû ÀÀ¿ë¿¡¼ ƯÈ÷ Áß¿äÇÏ´Ù. ÇÏÁö¸¸ ±â°èÇнÀ ¾Ë°í¸®ÁòÀÇ ÀÇ»ç°áÁ¤ ÇÁ·Î¼¼½º´Â Çؼ®ÀÌ ºÒ°¡´ÉÇÑ ¼ÒÀ§ ºí·¢¹Ú½º Ư¼ºÀÌ Àֱ⠶§¹®¿¡ ±×°ÍÀÇ »ê¾÷Àû ÀÀ¿ëÀº ÇöÀç±îÁö Á¦Çѵǰí ÀÖ´Ù.
(2) ÀϹÝÈ ¼º´ÉÀ̶õ ÀÌÀü¿¡ °üÃøµÇÁö ¾ÊÀº µ¥ÀÌÅÍ¿¡ ´ëÇؼµµ ÁÁÀº ÀÇ»ç°áÁ¤À» ¼öÇàÇÏ´Â ´É·ÂÀÌ´Ù. ÀÌ·¯ÇÑ ´É·ÂÀº µ¥ÀÌÅÍ°¡ ºÎÁ·Çϰųª ¿Ü¶õ ¹× ³ëÀÌÁî°¡ ºó¹øÇÏ°Ô ¹ß»ýÇÏ´Â »ê¾÷Àû ÀÀ¿ë¿¡¼ Áß¿äÇÏ´Ù. ÇÏÁö¸¸ ±â°èÇнÀ ¾Ë°í¸®ÁòÀº µ¥ÀÌÅÍ°¡ ÇнÀµÈ µ¥ÀÌÅÍÀÇ ºÐÆ÷¿¡¼ ¹þ¾î³ª´Â °æ¿ì ÀÇ»ç°áÁ¤ ´É·ÂÀÌ ÇöÀúÇÏ°Ô ³·¾ÆÁö´Â ¹®Á¦¸¦ °¡Áö°í ÀÖ´Ù.
ÀÌ·¯ÇÑ µÎ °¡Áö ÇÑ°è´Â ¼ø¼öÇÏ°Ô °üÃø µ¥ÀÌÅÍÀÇ ÆÐÅϸ¸À» ÇнÀÇÏ´Â µ¥ÀÌÅÍ ±â¹Ý Á¢±Ù¹ýÀÌ °úÇÐ ¹× °øÇÐ ºÐ¾ß ÀÀ¿ë¿¡ ÀÖ¾î ºÒÃæºÐÇÏ´Ù´Â °ÍÀ» ½Ã»çÇÑ´Ù. À§ µÎ °¡Áö ÇѰ踦 ±Øº¹Çϱâ À§ÇØ, ÃÖ±Ù ±â°èÇнÀ ¹æ¹ý·Ð°ú ¹°¸®Àû Áö½ÄÀ» °áÇÕÇÏ´Â ½ÃµµµéÀÌ À̾îÁö°í ÀÖ´Ù. ÇØ´ç ¾ÆÀ̵ð¾î´Â ¹°¸®ÀûÀÎ ½Ã½ºÅÛÀÇ °Åµ¿Àº ±×°ÍÀ» Áö¹èÇÏ´Â ¹°¸®ÀûÀÎ ¸ÞÄ¿´ÏÁòÀ» ±Ù°£À¸·Î ÇÑ´Ù´Â »ç½Ç¿¡¼ ±âÀÎÇÑ´Ù. ¹°¸®Çаú ±â°èÇнÀÀÇ ¸¸³²Àº ¹°¸®ÀûÀÎ Áö½ÄÀ» ¹èÁ¦ÇÏÁö ¾Ê°í Àû±ØÀûÀ¸·Î È°¿ëÇÑ´Ù´Â Ãø¸é¿¡¼ ±âÁ¸ÀÇ ¼ø¼öÇÑ µ¥ÀÌÅÍ ±â¹Ý Á¢±Ù¹ý°ú Â÷º°ÈµÈ´Ù. ÀÌ¿Í °ü·ÃµÈ µÎ °¡Áö Æз¯´ÙÀÓÀ¸·Î¼ Physics for AI ¿Í AI for
Physics °¡ Á¸ÀçÇÑ´Ù.
(1) AI
for Physics: »çÀü¿¡ ¾Ë·ÁÁöÁö ¾ÊÀº ¹°¸®Àû Áö½ÄÀ» ±â°èÇнÀ ¾Ë°í¸®ÁòÀ» ÅëÇØ ¹ß°ßÇÏ´Â ±â¹ýÀ» ÀǹÌÇÑ´Ù. ´ëÇ¥ÀûÀÎ ±â¼ú·Î¼ °úÇÐÀû ¹ß°ßÀ» À§ÇÑ ½Éº¼¸¯ ¸®±×·¹¼Ç (Symbolic regression) ÀÌ ÀÖ´Ù.
(2) Physics
for AI: »çÀü¿¡ ¾Ë·ÁÁø ¹°¸®Àû Áö½ÄÀ» ±â°èÇнÀ ¾Ë°í¸®Áò¿¡ ÅëÇÕÇÔÀ¸·Î½á ¾Ë°í¸®ÁòÀÇ ÀÇ»ç°áÁ¤ÀÌ ¹°¸®Àû Çö»óÀ» À§¹èÇÏÁö ¾Êµµ·Ï ±ÔÁ¦ÇÏ´Â ±â¹ýÀ» ÀǹÌÇÑ´Ù. ´ëÇ¥ÀûÀÎ ±â¼ú·Î¼ ¹°¸® ±â¹Ý Àΰø½Å°æ¸Á (Physics-informed neural networks) ÀÌ ÀÖ´Ù.
º» ±â°í¹®Àº µÎ °¡Áö Æз¯´ÙÀÓÀÇ ¿ø¸®¿Í ÀÀ¿ë »ç·Ê¿¡ ´ëÇØ ¼Ò°³ÇÏ°íÀÚ ÇÑ´Ù.
2. ¹°¸®ÇÐÀ» À§ÇÑ ÀΰøÁö´É (AI for Physics)
¿ª»çÀûÀ¸·Î ¼ö ¸¹Àº ÀÚ¿¬Çö»óÀº °£°áÇÑ ¼öÇнÄÀ¸·Î Ç¥ÇöµÇ¾îÁ® ¿Ô´Ù. ´ëÇ¥ÀûÀÎ °úÇÐÀû ¹ß°ßÀÇ ¿¹·Î¼, 16¼¼±â ƼÄÚ ºê¶óÇì (Ticho Brahe) ´Â ¼ö ½Ê³â°£ Ç༺ÀÇ À§Ä¡¸¦ ±¤¹üÀ§ÇÏ°í Á¤È®ÇÏ°Ô ±â·ÏÇÏ¿´°í, ¿äÇϳ׽º ÄÉÇ÷¯ (Johannes Kepler) ´Â ÇØ´ç ±â·ÏÀ» ºÐ¼®ÇÏ¿© Ç༺ÀÇ ¿îµ¿¿¡ °üÇÑ 3°¡Áö ¹°¸®¹ýÄ¢À» ¹ß°ßÇÏ¿´´Ù. ÀÌÈÄ ¾ÆÀÌÀÛ ´ºÅÏ (Isaac Newton) Àº ÀÚ½ÅÀÌ ¹ß°ßÇÑ ¿îµ¿ ¹ýÄ¢°ú ÄÉÇ÷¯ ¹ýÄ¢ µîÀ» ±â¹ÝÀ¸·Î ¸¸À¯ÀηÂÀÇ ¹ýÄ¢À» À¯µµÇس´Ù. ÀÌ·¯ÇÑ °úÇÐÀû ¹ß°ßÀÇ °úÁ¤Àº ±â°èÇнÀ °üÁ¡¿¡¼ µ¥ÀÌÅÍ ¼öÁý (Brahe) °ú µ¥ÀÌÅÍ ºÐ¼® (Kepler¿Í Newton) À¸·Î ¹Ù¶óº¼ ¼ö ÀÖ´Ù.
(a) Çؼ®°¡´É¼º (b) ÀϹÝÈ ¼º´É
±×¸² 1. ½Éº¼¸¯ ¸®±×·¹¼ÇÀÇ µÎ °¡Áö Ư¡
ÃÖ±Ù ÀΰøÁö´É¿¡ ÀÇÇØ °úÇÐÀû ¹ß°ßÀ» ´ëüÇÏ·Á´Â ½ÃµµµéÀÌ À̾îÁö°í ÀÖ´Ù. Á¶±Ý ´õ ±¸Ã¼ÀûÀ¸·Î´Â, ÁÖ¾îÁø µ¥ÀÌÅ͸¦ °¡Àå Àß ¼³¸íÇÏ´Â ¼öÇÐÀû Ç¥Çö½ÄÀ» ã´Â ¹®Á¦¸¦ ½Éº¼¸¯ ¸®±×·¹¼ÇÀ̶ó°í ÇÑ´Ù. ½Éº¼¸¯ ¸®±×·¹¼ÇÀº ±âº»ÀûÀÎ ¼öÇÐ ¿¬»êÀÚµé Á¶ÇÕÇÏ¿©
ÇüÅÂÀÇ ¼öÇÐÀû Ç¥Çö½ÄÀ» ¼öÇÐ ¿¬»êÀÚÀÇ ÀÌ»ê °ø°£ (Discrete space) ¿¡¼ ÃÖÀûÈÇÏ´Â °ÍÀ» ÀǹÌÇÑ´Ù. ¿©±â¼, ¼öÇÐ ¿¬»êÀÚ´Â µ¡¼À, »¬¼À, °ö¼À, ³ª´°¼À°ú °°Àº ÀÌÇ׿¬»êÀÚ (Binary operator) ¿Í ·Î±×ÇÔ¼ö, Áö¼öÇÔ¼ö, »ï°¢ÇÔ¼ö¿Í °°Àº ´ÜÇ׿¬»êÀÚ (Unary operator) ¸¦ Æ÷ÇÔÇÑ´Ù. ÃÖÀûÈµÈ ¼öÇÐÀû Ç¥Çö½ÄÀº Çؼ®°¡´É¼º°ú ÀϹÝÈ ¼º´ÉÀ̶ó´Â µÎ °¡Áö ÀåÁ¡À» °®´Â´Ù.
(1) Çؼ®°¡´É¼º: ¼öÇÐÀû Ç¥Çö½ÄÀº µ¶¸³º¯¼ö¿Í Á¾¼Óº¯¼ö °£ÀÇ °ü°è¸¦ ¼öÇÐÀûÀ¸·Î Çؼ® °¡´ÉÇÏ°Ô Çϸç ÀÇ»ç°áÁ¤¿¡ ÀÖ¾î ½Å·Ú¼ºÀ» ºÎ¿©ÇÑ´Ù (±×¸² 1a). ÀÌ´Â ±âÁ¸ÀÇ ¼ø¼öÇÑ µ¥ÀÌÅÍ ±â¹Ý Á¢±Ù¹ýÀÌ °®´Â Çؼ® ºÒ°¡´É¼º°ú´Â ´ëÁ¶ÀûÀÌ´Ù.
(2) ÀϹÝÈ ¼º´É: ¼öÇÐÀû Ç¥Çö½ÄÀº °üÃøµÈ µ¥ÀÌÅÍ ¹üÀ§ À̳» »Ó¸¸ ¾Æ´Ï¶ó ¹Ù±ù¿¡ ´ëÇÑ ¿¹ÃøÀ» °¡´ÉÇÏ°Ô ÇÑ´Ù (±×¸² 1b). ÀÌ´Â ±âÁ¸ÀÇ ¼ø¼öÇÑ µ¥ÀÌÅÍ ±â¹Ý Á¢±Ù¹ýÀÌ ¿Ü»ð »óȲ¿¡¼ ¿¹Ãø ¼º´ÉÀÌ ÇöÀúÇÏ°Ô ³·¾ÆÁö´Â °Í°ú´Â ´ëÁ¶ÀûÀÌ´Ù.
(a) ºÐÇÒ Á¤º¹¹ý(1)
(b) Èñ¼Ò ȸ±ÍºÐ¼®(2)
±×¸² 2. ±â°èÇнÀ ±â¹Ý ½Éº¼¸¯ ¸®±×·¹¼Ç Á¢±Ù¹ý
¼öÇÐÀû Ç¥Çö½ÄÀÇ Å½»ö °ø°£Àº ½ÄÀÇ ±æÀÌ¿¡ µû¶ó Áö¼öÀûÀ¸·Î Áõ°¡Çϱ⠶§¹®¿¡ ½Éº¼¸¯ ¸®±×·¹¼ÇÀº NP-hard ¹®Á¦·Î ¾Ë·ÁÁ® ÀÖ´Ù. À̸¦ ÇØ°áÇϱâ À§ÇÑ ±â°èÇнÀ Á¢±Ù¹ýÀº ºÐÇÒ Á¤º¹¹ý (Divide-and-conquer) °ú Èñ¼Ò ȸ±ÍºÐ¼® (Sparse regression) ÀÌ ÀÖ´Ù.
(1) ºÐÇÒ Á¤º¹¹ýÀ̶õ ÁÖ¾îÁø ¹®Á¦¸¦ ´õ ÀÛÀº ÇÏÀ§ ¹®Á¦·Î ³ª´©¾î (Divide) °¢°¢ÀÇ ÀÛÀº ¹®Á¦µéÀ» ÇØ°á (Conquer) ÇÏ°í ÇÕÃÄ ¿ø·¡ÀÇ ¹®Á¦¸¦ ÇØ°áÇÏ´Â ¹æ¹ýÀÌ´Ù. AI Feynman(1) ¿¬±¸´Â ´º·² ³×Æ®¿öÅ©¿¡ ÀÇÇØ ¼öÄ¡ÀûÀ¸·Î °Ë»çµÈ 6°¡Áö ´ëĪ¼º ¹× ºÐ¸®¼ºÀ» ±â¹ÝÀ¸·Î ½Éº¼¸¯ ¸®±×·¹¼Ç ¹®Á¦¿¡ ´ëÇØ ºÐÇÒ Á¤º¹À» ½ÃÇàÇÏ¿´´Ù (±×¸² 2a). À̸¦ ÅëÇØ ÆÄÀθ¸ÀÇ ¹°¸®ÇÐ °ÀÇ¿¡¼ ¼Ò°³µÈ 100 °³ÀÇ ¹°¸®½ÄÀÌ µ¥ÀÌÅͷκÎÅÍ Àç¹ß°ßµÉ ¼ö ÀÖÀ½À» º¸¿´´Ù (Ç¥ 1).
(2) Èñ¼Ò ȸ±ÍºÐ¼®À̶õ ¼±Çü ȸ±ÍºÐ¼®¿¡ ȸ±Í °è¼ö¿¡ ´ëÇÑ Á¦¾àÁ¶°ÇÀ» Ãß°¡ÇÔÀ¸·Î½á ȸ±Í ¸ðÇüÀÇ °úÃÖÀûȸ¦ ¸·´Â ¹æ¹ýÀÌ´Ù. PDE-FIND(2) ¿¬±¸´Â °ü½ÉÀÖ´Â ¹°¸® ½Ã½ºÅÛ¿¡ ´ëÇØ ¼öÁýµÈ µ¥ÀÌÅͷκÎÅÍ ¼±Çü½Ã½ºÅÛ
À» ±¸¼ºÇÏ°í Èñ¼Ò ȸ±ÍºÐ¼®ÇÏ¿© ±× Çظ¦ ±¸ÇÔÀ¸·Î½á ½Éº¼¸¯ ¸®±×·¹¼ÇÀ» ¼öÇàÇÑ´Ù (±×¸² 2b). ¿©±â¼, Çà·Ä
Àº µ¶¸³º¯¼ö¿¡ ´ëÀÀµÇ´Â µ¥ÀÌÅÍ º¤ÅÍ¿Í ¸î °¡Áö ÀáÀçÀûÀÎ Èĺ¸ ÇÔ¼öµé·Î Á¤ÀÇµÇ°í º¤ÅÍ
´Â Á¾¼Óº¯¼ö¿¡ ´ëÀÀµÇ´Â µ¥ÀÌÅÍ º¤ÅÍ·Î Á¤ÀǵȴÙ. À̸¦ ÅëÇØ ³ªºñ¿¡ ½ºÅäÅ©½º ¹æÁ¤½ÄÀ» Æ÷ÇÔÇÑ 7°³ ¹ÌºÐ¹æÁ¤½ÄÀ» Àç¹ß°ßÇÒ ¼ö ÀÖÀ½À» º¸¿´´Ù (Ç¥ 2).
Ç¥ 1. 100°³ ¹°¸®½Ä¿¡ ´ëÇÑ ½Éº¼¸¯ ¸®±×·¹¼Ç °á°ú
Ç¥ 2. 7°³ ¹ÌºÐ¹æÁ¤½Ä¿¡ ´ëÇÑ ½Éº¼¸¯ ¸®±×·¹¼Ç °á°ú
3. ÀΰøÁö´ÉÀ» À§ÇÑ ¹°¸®ÇÐ (Physics for AI)
¹°¸® ±â¹Ý Àΰø½Å°æ¸ÁÀº ¼ö ½Ê, ¼ö ¹é³âµ¿¾È Á¤¸³µÇ¾î ¿Â ¹°¸® Áö½ÄÀ» ±â°èÇнÀ ¹æ¹ý°ú °áÇÕ½ÃÅ°´Â Á¢±Ù¹ýÀÌ´Ù(3). ÀüÅëÀûÀÎ µ¥ÀÌÅÍ ±â¹Ý Á¢±Ù¹ýÀº ¹°¸® Áö½ÄÀ» ¿ÏÀüÈ÷ ¹èÀçÇÏ¿© ÀÚ¿¬°úÇÐ ¹× °øÇÐÀû ÀÀ¿ë¿¡¼ ¹°¸®Àû Á¤ÇÕ¼º (Physical consistency) À» º¸ÀåÇÏÁö ¸øÇß´ø ¹Ý¸é, ¹°¸® ±â¹Ý Àΰø½Å°æ¸ÁÀº ¹°¸® Áö½ÄÀ» Á÷Á¢ÀûÀ¸·Î ³»ÀçÈÇÏ¿© ÀÌ·¯ÇÑ ÇѰ踦 ±Øº¹ÇÑ´Ù. À̴ ƯÈ÷ µ¥ÀÌÅÍ°¡ ºÎÁ·ÇÑ È¯°æ¿¡¼ ±â°èÇнÀ ¸ðµ¨ÀÇ ¿¹Ãø ¼º´ÉÀ» Çâ»ó½Ãų»Ó¸¸ ¾Æ´Ï¶ó ½Å·Ú¼ºÀ» ºÎ¿©ÇÑ´Ù´Â ÀåÁ¡À» °¡Áö°í ÀÖ´Ù. ÀÌ·¯ÇÑ Æ¯Â¡µé·Î ÀÎÇØ ¹°¸® ±â¹Ý Àΰø½Å°æ¸ÁÀº ´Ù¾çÇÑ °úÇÐ/°øÇÐ ºÐ¾ß¿¡ ¼º°øÀûÀ¸·Î È°¿ëµÈ ¹Ù ÀÖ´Ù(4-7).
±×¸² 3. ¹°¸®±â¹Ý ÀΰøÁö´É ¹æ¹ý ºÐ·ù(8)
±â°èÇнÀ ¾Ë°í¸®Áò¿¡ ¹°¸®Àû Áö½ÄÀ» ³»ÀçÈÇÏ´Â ¹æ¹ýÀº Å©°Ô 3 °¡Áö ¼öÁØ (µ¥ÀÌÅÍ, ½ÉÃþ½Å°æ¸ÁÀÇ ±¸Á¶, ½ÉÃþ½Å°æ¸ÁÀÇ ¼Õ½ÇÇÔ¼ö) ¿¡¼ Á¸ÀçÇÑ´Ù.
(1) µ¥ÀÌÅÍ ¼öÁØ: ¹°¸® ½Ã½ºÅÛ¿¡ ´ëÇÑ »çÀü Áö½ÄÀº µ¥ÀÌÅÍ Àüó¸® (Data preprocessing) ¸¦ À§ÇØ È°¿ëµÉ ¼ö ÀÖ´Ù (±×¸² 3a). ¿¹¸¦ µé¾î, µµ¸ÞÀÎ Áö½ÄÀ» È°¿ëÇÏ¿© ÀÛ¾÷ (Task) ¿¡ ÀûÇÕÇÑ Æ¯¼ºÀÎÀÚ¸¦ ÃßÃâÇÏ°í ÇØ´ç °¡°øµÈ µ¥ÀÌÅ͸¦ È°¿ëÇÏ¿© ±â°èÇнÀ ¾Ë°í¸®ÁòÀ» ÇнÀ½Ãų ¼ö ÀÖ´Ù.
(2) ½ÉÃþ½Å°æ¸Á ±¸Á¶ ¼öÁØ: ½ÉÃþ½Å°æ¸ÁÀÇ ±¸Á¶´Â ¹°¸®Àû Áö½ÄÀ¸·ÎºÎÅÍ ¿µ°¨ ¹Þ¾Æ ¼³°èµÉ ¼ö ÀÖ´Ù (±×¸² 3b). ¿¹¸¦ µé¾î, ½ÉÃþ½Å°æ¸Á¿¡ ÀÇÇØ ÀÚµ¿À¸·Î ÃßÃâµÇ´Â Ư¼ºÀÎÀÚ´Â °ø°£°ú ½Ã°£ ¿µ¿ª¿¡ ´ëÇÑ ¹°¸®Àû °ü°è (Spatio-temporal relation) ¸¦ ÃæÁ·ÇØ¾ß Çϸç, À̸¦ À§ÇØ ÇÕ¼º°ö-¼øȯ ¿¬»ê (Convolutional recurrent operation) À» ¼³°èÇÒ ¼ö ÀÖ´Ù.
(3) ½ÉÃþ½Å°æ¸Á ¼Õ½ÇÇÔ¼ö ¼öÁØ: ¹°¸® ½Ã½ºÅÛÀÇ Áö¹è¹æÁ¤½ÄÀº ½ÉÃþ½Å°æ¸Á ¼Õ½Ç ÇÔ¼öÀÇ ±ÔÁ¦Ç× (Regularization term) ¿¡ °í·ÁµÇ¾î ¹°¸®Àû Á¤ÇÕ¼ºÀ» À¯µµÇÒ ¼ö ÀÖ´Ù (±×¸² 3c). ¿¹¸¦ µé¾î, ´ë»ó ¹°¸® ½Ã½ºÅÛÀ» Áö¹èÇÏ´Â Æí¹ÌºÐ ¹æÁ¤½ÄÀ» ±ÔÁ¦Ç׿¡ °í·ÁÇÔÀ¸·Î½á ¸ðµ¨ÀÇ ÆĶó¹ÌÅÍ ¶Ç´Â ¼³¸í·ÂÀÌ ¹°¸®Àû Çö»óÀ» À§¹èÇÏÁö ¾Êµµ·Ï Á¦¾à½Ãų ¼ö ÀÖ´Ù.
±×¸² 4. PHM ºÐ¾ß¿¡¼ÀÇ ¹°¸®±â¹Ý ÀΰøÁö´É µµÀÔ »ç·Ê
¹°¸® ±â¹Ý ÀΰøÁö´É ±â¼úÀÇ ÀáÀ缺À» ¹ÙÅÁÀ¸·Î, PHM ºÐ¾ß¿¡¼µµ ´Ù¾çÇÑ ¹®Á¦¸¦ ÇØ°áÇϱâ À§ÇØ ÇØ´ç ±â¼úÀ» µµÀÔÇØ¿À°í ÀÖ´Ù. Renato G. Nascimento ¿¬±¸ÆÀÀº ¸®Æ¬ÀÌ¿Â ¹èÅ͸®ÀÇ ¼º´É ¿¹ÃøÀ» À§ÇØ ¹èÅ͸® ¹æÀüÀ» ³ªÅ¸³»´Â Nernst ¹× Butler-Volmer ¹æÁ¤½ÄÀ» µö·¯´× ÇÁ·¹ÀÓ¿öÅ©¿¡ °áÇÕ, ÀûÀº ¼öÀÇ µ¥ÀÌÅ͸¸À» °¡Áö°íµµ ¿¹Ãø ¸ðµ¨ÀÌ Àß ÀÛµ¿ÇÒ ¼ö ÀÖÀ½À» º¸¿´´Ù(9) (±×¸² 4a). ¾Æ¿ï·¯, Felipe A. C. Viana ¿¬±¸ÆÀÀº ºÎ½Ä ÇÇ·Î ÃàÀû (Corrosion-fatigue damage accumulation) À» ¸ðµ¨¸µÇϱâ À§ÇØ µ¥ÀÌÅÍ ±â¹Ý ¹æ¹ý°ú ¹°¸®±â¹Ý ¹æ¹ýÀÇ ÇÏÀ̺긮µå ¹æ¹ýÀ» ¼±º¸¿´´Ù(10). ±×¸² 4b¿¡¼ ³ªÅ¸³½ ¹Ù¿Í °°ÀÌ, ¿¬±¸ÆÀÀº »çÀÌŬ¸¶´Ù Áõ°¡ÇÏ´Â Àç·áÀÇ ¼Õ»ó Á¤µµ¸¦ far-field stress, stress ratio ¹× corrosivity indexÀÇ µ¥ÀÌÅÍ ±â¹ÝÀ¸·Î ÇнÀÇÏ´Â ¿ÍÁß¿¡, Walker model ÀÇ ¹°¸® Áö½ÄÀ» °áÇÕÇÑ ÇüÅÂÀÇ ¼øȯ ½Å°æ¸Á ¼¿ (Recurrent neural network cell) À» Á¦¾ÈÇÏ¿© ½ÇÁ¦ ½ÇÇè°ú ³ôÀº ºÎÇÕµµ¸¦ °®´Â ºÎ½Ä ÇÇ·Î ±Õ¿ ¼ºÀå ¸ðµ¨À» °³¹ßÇÏ¿´´Ù. ¸¶Áö¸·À¸·Î, Felipe. A.
C. Viana ¿¬±¸ÆÀÀº ¹°¸®±â¹Ý ÀΰøÁö´É ±â¹ýÀ» È°¿ëÇØ Ç³·Â ÅͺóÀÇ º£¾î¸µ ÇÇ·Î ¼ö¸í ¸ðµ¨¸µ ¿¬±¸¸¦ ¼öÇàÇÑ ¹ÙÀÖ´Ù(11) (±×¸² 4c). º£¾î¸µ°ú À±È°À¯ ÃàÀû ¼Õ»óÀ» ¼øȯ ½Å°æ¸Á À¯´Ö (Recurrent neural network unit) ¿¡ ÀûÀýÈ÷ °áÇÕ½ÃÅ´À¸·Î½á, º£¾î¸µ ¿Âµµ ¹× dz·Â ¼Óµµ·Î ÀÌ·ç¾îÁø ½Ã°è¿ ÀÔ·Â µ¥ÀÌÅÍÀ¸·ÎºÎÅÍ ´ÙÀ½ ½ºÅÜÀÇ ¼Õ»ó ÃàÀûºÐÀ» ¿¹ÃøÇϵµ·Ï ÇÏ¿´´Ù. ÀÌ¿Í °°ÀÌ, PHM µµ¸ÞÀο¡¼ ¹°¸® ±â¹Ý ÀΰøÁö´ÉÀº º¸´Ù °°ÇÇÏ°í ½Å·Ú¼ºÀÖ´Â ¸ðµ¨ÀÇ ±¸ÃàÀ» °¡´ÉÇÏ°Ô ÇÏ´Â ÇÙ½ÉÀûÀÎ ±â¼ú·Î ÀÚ¸®Àâ¾Æ °¡°í ÀÖ´Ù.
4. °á·Ð
º» ±â°í¹®¿¡¼´Â ÀΰøÁö´É°ú ¹°¸®ÇÐÀÇ ¸¸³²¿¡ ´ëÇÏ¿© ¼Ò°³ÇÏ¿´´Ù. ÀΰøÁö´ÉÀÇ °øÇÐÀû ÀÀ¿ë¿¡ ÀÖ¾î¼ ¹ß»ýµÇ´Â ±Ùº»ÀûÀÎ ÇÑ°èÀÎ Çؼ®°¡´É¼º°ú ÀϹÝÈ ¼º´É¿¡ °üÇÑ ¹®Á¦Àǽİú ÇÔ²², ±â°èÇнÀ ¾Ë°í¸®Áò°ú ¹°¸®Àû Áö½ÄÀÇ °áÇÕÀÇ Á߿伺Àº Á¡Á¡ ´õ Ä¿Áö°í ÀÖ´Ù. ±Û Àü¹Ý¿¡ °ÉÃÄ ÀÌ¿Í °ü·ÃµÈ µÎ °¡Áö Æз¯´ÙÀÓÀÎ Physics for AI ¿Í AI for Physics À» ¼Ò°³ÇÏ¿´´Ù. ÀÌ´Â ±âÁ¸¿¡ ¾Ë·ÁÁ®ÀÖ´Â ¹°¸®Àû Áö½ÄÀ» Àû±ØÀûÀ¸·Î È°¿ëÇÏ´Â °Í¿¡ ´õÇØ ±âÁ¸¿¡ ¾Ë·ÁÁöÁö ¾ÊÀº ¹°¸®Àû Áö½ÄÀ» ¹ß°ßÇϱâ À§ÇØ ÀΰøÁö´ÉÀÌ »ç¿ëµÉ ¼ö ÀÖÀ½À» ½Ã»çÇÑ´Ù. ¿ì¸®´Â ÀΰøÁö´É°ú ¹°¸®ÇÐÀÇ ¸¸³²ÀÌ ¾ÕÀ¸·Î ÀΰøÁö´ÉÀÇ »ê¾÷ Àû¿ë¼ºÀ» Å©°Ô Çâ»ó½ÃÄÑ ´õ ³Î¸® È°¿ëµÉ ¼ö ÀÖÀ» °ÍÀ» ±â´ëÇÑ´Ù.
Âü°í¹®Çå
(1) S.-M.
Udrescu, M. Tegmark, AI feynman: A
physics-inspired method for symbolic regression, Science Advances, 6 (2020).
(2) S. H.
Rudy, S. L. Brunton, J. L. Proctor, J. N. Kutz, Data-driven discovery of
partial differential equations, Science Advances, 3 (2017).
(3) G. E.
Karniadakis, I. G. Kevrekidis, L. Lu, P. Perdikaris, S. Wang, L. Yang,
Physics-informed machine learning, Nature Reviews Physics, 3, 422-440 (2021).
(4) M.
Raissi, P. Perdikaris, G. E. Karniadakis, Physics-informed neural networks: A
deep learning framework for solving forward and inverse problems involving
nonlinear partial differential equations, Journal of Computational Physics,
378, 686-707 (2019).
(5) S.
Rasp, M. S. Pritchard, P. Gentine, Deep learning to represent subgrid
processes in climate models, Proceedings of the National Academy of Sciences
of the United States of America, 115, 9684-9689 (2018).
(6) F. S.
Costabal, Y. Yang, P. Perdikaris, D. E. Hurtado, E. Kuhl, Physics-informed
neural networks for cardiac activation mapping, Frontiers in Physics, 8
(2020).
(7) L.
Sun, H. Gao, S. Pan, J. X. Wang, Surrogate modeling for fluid flows based on
physics-constrained deep learning without simulation data, Computer Methods
in Applied Mechanics and Engineering, 361 (2020).
(8) R.
Rai, C. K. Sahu, Driven by data or derived through physics? A review of
hybrid physics guided machine learning techniques with cyber-physical system
(CPS) focus, IEEE Access, 8, 71050-71073 (2020).
(9) R. G.
Nascimento, M. Corbetta, C. S. Kulkarni, F. A. C. Viana, Hybrid
physics-informed neural networks for lithium-ion battery modeling and
prognosis, Journal of Power Sources, 513 (2021).
(10) A.
Dourado, F. A. C. Viana, Physics-informed neural networks for missing physics
estimation in cumulative damage models: A case study in corrosion fatigue,
Journal of Computing and Information Science in Engineering, 20 (2020).
(11) Y.
A. Yucesan, F. A. C. Viana, A physics-informed neural network for wind
turbine main bearing fatigue, International Journal of Prognostics and Health
Management, 3 (2020).
|