인도 연구진이 물리학 법칙을 따르는 인공지능(AI) 모델을 개발하여 복잡한 물리, 화학, 생물 시스템의 시공간적 진화를 효율적으로 예측하는 데 성공했습니다. 이들은 비선형 편미분 방정식(PDEs)으로 설명되는 시스템의 미세구조 변화를 학습하는 '물리 유도형 합성곱 신경망(Physics-guided Convolutional Neural Network)'을 제안했습니다. 이는 계산 비용이 매우 높은 기존 수치 해석 솔버의 효율적인 대안이 될 수 있음을 보여줍니다.
연구팀은 이 AI 모델을 이성분 혼합물의 상 분리(phase separation) 현상을 예측하도록 훈련시켰습니다. 특히, 칸-힐리아드(Cahn-Hilliard) 방정식에 의해 지배되는 이 현상의 전체 시간 진화를 정확하게 예측하는 데 초점을 맞췄습니다. 훈련된 대리 모델(surrogate model)은 임계 및 비임계 혼합물 모두에서 장기 시뮬레이션 동안 안정성과 정확성을 유지했으며, 혼합물 조성을 보존하는 것을 확인했습니다. 또한, 이 모델은 도메인 크기(domain size)의 성장을 정확하게 포착하고 리프시츠-슬리오조프(Lifshitz-Slyozov) 도메인 성장 법칙과 일치함을 입증했습니다.
이번 연구 결과는 보존 역학(conserved kinetics)을 가진 시스템을 모델링하는 데 제안된 프레임워크의 효과를 명확히 보여줍니다. 이는 재료 과학, 화학 공학, 생물 물리학 등 다양한 과학 및 공학 분야에서 복잡한 동적 시스템의 시뮬레이션 및 예측에 혁신적인 변화를 가져올 잠재력을 가지고 있습니다. 기존의 막대한 계산 자원을 요구하던 시뮬레이션 과정을 AI로 대체함으로써 연구 개발 속도를 가속화하고 새로운 발견을 촉진할 수 있을 것으로 기대됩니다.