푸리에 신경 연산자(FNO)를 이용한 혁신적인 결정립 성장 모델링

Iman Peivaste, Ahmed Makradi, Salim Belouettar 연구팀은 FNO를 활용, 해상도에 무관하게 빠르고 정확한 결정립 성장 모델링을 가능하게 했습니다. Fan Chen 모델과 방대한 데이터셋을 기반으로 개발된 이 모델은 장기적인 미세구조 변화 예측에 높은 정확도를 보이며, 물질 과학 분야에 혁신을 가져올 것으로 기대됩니다.

AI가 물질 과학의 미래를 쓴다: 초고속, 해상도 무관 결정립 성장 모델링

물질의 물리적, 광학적, 전자적 특성을 결정하는 데 있어 미세구조의 진화, 특히 결정립 성장은 매우 중요한 역할을 합니다. 기존의 상전이장 모델링은 이러한 현상을 정확하게 시뮬레이션하지만, 특히 대규모 시스템이나 높은 공간 해상도에서는 계산 비용이 매우 높다는 한계가 있었습니다.

하지만 이러한 문제를 해결할 획기적인 연구 결과가 등장했습니다! Iman Peivaste, Ahmed Makradi, Salim Belouettar 연구팀은 푸리에 신경 연산자(Fourier Neural Operator, FNO) 를 활용하여 해상도에 무관하게 빠르고 정확한 결정립 성장 모델링을 수행하는 새로운 방법을 제시했습니다.

FNO: 해상도의 벽을 허물다

기존 머신러닝 기반 시뮬레이션은 해상도 의존성과 다양한 결정립 크기에 대한 일반화 문제에 어려움을 겪었습니다. 하지만 FNO는 푸리에 공간에서 작동하여 함수 공간 간의 매핑을 학습함으로써 이러한 문제를 해결합니다. 즉, 해상도가 달라져도 동일한 성능을 보이는 것입니다.

연구팀은 FNO를 상전이장 방법과 통합하여 계산 비용을 크게 줄이면서도 높은 정확도를 유지하는 서로게이트 모델을 개발했습니다. Fan Chen 모델을 이용하여 생성된 방대한 데이터셋을 바탕으로, 시간 변화에 따른 결정립의 진화 과정을 정확하게 포착했습니다. 데이터 준비 과정에는 시간차를 둔 입력-출력 쌍을 생성하여 모델이 현재 및 과거 상태를 바탕으로 미래의 미세구조를 예측할 수 있도록 했습니다.

놀라운 예측력: 과거를 넘어 미래를 보다

훈련된 FNO 기반 신경망은 미세구조 시퀀스를 사용하여 훈련되었으며, 훈련 중에 접하지 못한 구성이나 더 높은 해상도의 그리드에서도 장기적인 진화를 매우 정확하게 예측하는 놀라운 결과를 보였습니다. 이는 기존 방법의 한계를 뛰어넘는 혁신적인 성과입니다.

이 연구는 단순한 기술적 진보를 넘어, AI가 물질 과학 분야의 난제 해결에 기여할 수 있는 잠재력을 보여주는 중요한 사례입니다. 향후 다양한 재료 설계 및 개발에 폭넓게 활용될 것으로 기대됩니다. 더욱이, 이 연구는 AI 기술의 발전과 더불어 물질 과학 분야의 혁신적인 변화를 예고하고 있습니다.