역학계 선운동량·각운동량 보존 그래프 신경망

다체 역학계의 정확하고 해석 가능한 실시간 모델링은 자연 및 공학 환경에서 시스템의 거동을 예측하고 물리적 특성을 추론하는 데 필수적입니다. 기존 물리 기반 모델은 확장성과 계산 비용 문제에 직면하며, 그래프 신경망(GNN)과 같은 데이터 기반 접근 방식은 물리적 일관성, 해석 가능성 및 일반화 능력이 부족한 경우가 많습니다. 본 연구는 이러한 한계를 극복하기 위해 GNN의 학습 능력과 물리 기반 귀납적 편향을 통합한 물리 정보 그래프 신경망인 DYNAMI-CAL GRAPHNET을 제안합니다. DYNAMI-CAL GRAPHNET은 회전 대칭에 대해 등변하고, 병진 이동에 대해 불변하며, 노드 순열에 대해 등변인 에지-국소 참조 프레임을 사용하여 상호작용하는 노드 간의 선운동량 및 각운동량의 쌍별 보존을 강제합니다. 이러한 설계는 노드 역학에 대한 물리적으로 일관된 예측을 보장하며, 쌍별 상호작용으로 인한 에지별 선형 및 각운동량 충격을 해석 가능하게 제공합니다. 비탄성 충돌을 포함하는 3D 입자 시스템에 대한 평가에서 DYNAMI-CAL GRAPHNET은 장기 시뮬레이션에서 안정적인 오차 축적, 미관측 구성으로의 효과적인 외삽, 이질적인 상호작용 및 외부 힘에 대한 견고한 처리 능력을 입증했습니다. 이는 복잡한 다체 역학계 모델링에 있어 상당한 이점을 제공합니다. DYNAMI-CAL GRAPHNET은 로봇 공학, 항공우주 공학, 재료 과학 등 정확하고 해석 가능한 실시간 모델링이 필요한 분야에 유용합니다. 근본적인 보존 법칙을 준수하는 물리적으로 일관되고 확장 가능한 예측을 제공함으로써, 이질적인 상호작용과 외부 힘을 효율적으로 처리하면서 힘과 모멘트를 추론할 수 있게 합니다. 이는 제어 시스템 설계, 기계 공정 최적화 및 동적 거동 분석에 필수적인 도구가 될 것입니다.