물리 법칙을 학습 과정에 직접 담은 신경망으로, 서로 다른 두 금속이 맞붙은 이종(異種) 재료 안에서 탄성파가 어떻게 전파되는지를 예측하는 프레임워크가 제시됐다. 연구진은 arXiv에 게재한 논문에서 물리정보 신경망(PINN)을 강철-알루미늄 시편에 적용한 연구를 소개했다. PINN은 편미분방정식을 푸는 유망한 프레임워크로, 신경망 학습에 물리 법칙을 결합하는 방식이다.
연구 대상이 된 강철-알루미늄 시편은 고속 충격 실험에 널리 쓰이는 분리 홉킨슨 압력봉(Split Hopkinson Pressure Bar) 구성을 대표하는 형태다. 성질이 다른 두 재료가 맞닿는 경계에서는 파동의 일부가 통과하고 일부가 반사되는데, 이런 거동을 정확히 예측하는 일은 충격·고변형률 공학에서 중요한 과제다. 연구진은 물리정보 손실 함수를 활용하고, 그 결과를 ANSYS 워크벤치 익스플리싯 다이내믹스로 수행한 유한요소 시뮬레이션과 대조해 검증했다.
연구진에 따르면 이 모델은 재료 경계면에서의 파동 투과와 반사를 성공적으로 예측했으며, 변위 이력과 응력-변형률 거동이 유한요소 해석 결과와 일치했다. 특히 이 신경망은 학습에 쓰이지 않은 새로운 시나리오로도 결과를 외삽할 수 있었다. 학습 과정에서 보지 못한 시점이나, 변경된 재료 물성에 대해서도 추가 시뮬레이션 없이 예측을 내놓아, 연속적인 대리 모델(surrogate model)처럼 작동한다는 것이다.
연구진은 메시(mesh) 민감도 연구를 통해 모델의 견고함을 확인하고, 추가적인 재료 조합을 시험해 일반화 능력을 입증했다. 논문은 PINN과 익스플리싯 유한요소 해석을 결합하는 것이 이질적인 고체 내 파동 전파를 연구하는 정확하고 계산 효율적인 프레임워크를 제공한다고 결론지었다. 연구진은 이 접근이 고변형률 고체역학과 충격 공학 분야에 활용될 수 있다고 밝혔다.
