[논문 리뷰] Machine Learning in Heterogeneous Porous Materials

Marta D’Elia, Hang Deng외 22명|arXiv (Cornell University)|2022. 02. 04.

Hydraulic Fracturing and Reservoir Analysis인용 수 12

한 줄 요약

이 논문은 2020년 가상 워크숍에서 기계학습(ML)이 비균질 다공성 재료에 응용된 통찰을 종합하여 네 가지 핵심 연구 분야를 규명한다: 재료 성질 예측, 다공성 및 균열 매질 모델링, ML을 통한 다스케일 시뮬레이션, 그리고 지배 방정식 발견. 데이터가 부족한 다물리적 문제에 대해 물리 기반 기계학습이 필수적이라고 제안하며, 정의와 포용성을 중심으로 한 다학문적 연구를 발전시키기 위한 도로도 제시한다.

ABSTRACT

The "Workshop on Machine learning in heterogeneous porous materials" brought together international scientific communities of applied mathematics, porous media, and material sciences with experts in the areas of heterogeneous materials, machine learning (ML) and applied mathematics to identify how ML can advance materials research. Within the scope of ML and materials research, the goal of the workshop was to discuss the state-of-the-art in each community, promote crosstalk and accelerate multi-disciplinary collaborative research, and identify challenges and opportunities. As the end result, four topic areas were identified: ML in predicting materials properties, and discovery and design of novel materials, ML in porous and fractured media and time-dependent phenomena, Multi-scale modeling in heterogeneous porous materials via ML, and Discovery of materials constitutive laws and new governing equations. This workshop was part of the AmeriMech Symposium series sponsored by the National Academies of Sciences, Engineering and Medicine and the U.S. National Committee on Theoretical and Applied Mechanics.

연구 동기 및 목표

• 기계학습을 통해 응용 수학, 다공성 매질 과학, 재료 연구 간 격차를 메우기 위해.
• 기존 기계학습이 외삽에 어려움을 겪는 다물리적·다스케일 시스템에서의 데이터 부족 문제를 해결하기 위해.
• 지배 방정식과 물리적 제약 조건을 통합한 물리 기반 기계학습 모델의 개발을 촉진하기 위해.
• 데이터 기반 방법을 통해 새로운 구성 법칙과 지배 방정식을 발견하기 위해.
• JEDI(정의, 포용성, 다양성, 포용성) 이니셔티브를 통해 기계학습 및 재료 과학 분야에서 포용적이고 공정하며 다양한 과학 공동체를 조성하기 위해.

제안 방법

• 학계, 산업계, 국립 연구소 소속의 70명의 국제 전문가들이 참가한 가상 워크숍을 진행하였다.
• 재료 성질 예측, 다공성/균열 매질 모델링, 다스케일 시뮬레이션, 지배 방정식 발견의 네 가지 주제 분야(TA)에 초점을 맞춘 병렬 세션을 운영하였다.
• 각 TA에서 최신 기술, 과제, 향후 방향을 규명하기 위해 체계적인 토론 세션을 실시하였다.
• 다양한 연사자, 의장, 그리고 포용성에 전념한 전용 토론을 포함하여 워크숍 설계에 JEDI 원칙을 통합하였다.
• 다공성 재료에 대한 기계학습의 핵심 기술적 및 윤리적 과제를 정립하기 위해 주요 연사자로부터 기조 강연을 제공하였다.
• 토론 결과를 종합하여 공감대를 형성한 도로도를 수립하였으며, 이는 다학문적 협업과 기술 혁신을 강조한다.

실험 결과

연구 질문

• RQ1 비균질 다공성 시스템에서 재료 성질을 효과적으로 예측하기 위해 기계학습을 어떻게 적용할 수 있는가?
• RQ2 균열 및 다공성 매질에서 시간에 따라 변화하는 다물리적 현상을 기계학습으로 모델링할 때의 주요 과제는 무엇인가?
• RQ3 기계학습 기법을 통해 비균질 재료의 다스케일 모델링을 어떻게 향상시킬 수 있는가?
• RQ4 기계학습이 실험 또는 시뮬레이션 데이터로부터 새로운 구성 법칙과 지배 방정식을 발견하는 데 어떤 역할을 할 수 있는가?
• RQ5 과학 공동체는 ML 기반 재료 연구에서 다양성, 공정성, 포용성을 어떻게 향상시킬 수 있는가?

주요 결과

• 데이터가 부족하고 외삽이 필요한 다물리적 시스템에서는 순수 데이터 기반 모델이 실패하므로, 물리 기반 기계학습이 필수적이다.
• 특히 복잡한 다공성 및 균열 매질에서 지배 방정식과 구성 법칙을 발견하기 위한 기계학습의 적용에 있어 상당한 지식 격차가 존재한다.
• 물리적 제약 조건을 기계학습 모델에 통합함으로써(예: 물리 기반 신경망(PINNs)을 통해) 리만 문제와 시간에 따라 변화하는 현상을 해결하는 데 잠재력이 있다.
• MIT 및 UC 버클리의 기조 강연 사례에서 보여시피, 생성 설계 및 아키텍처가 적용된 메타물질의 AI 기반 발견에 큰 잠재력이 있다.
• 워크숍은 과학적 기계학습 공동체에서 소수자 집단의 교육 체계 및 유지를 개선할 필요성이 뚜렷하게 존재한다고 규명하였다.
• 학계, 산업계, 국립 연구소가 참여하는 통합된 다학문적 노력이 이 분야의 발전과 공정한 혁신을 보장하기 위해 필수적이다.