딥러닝 시계열 모델 활용한 결정립 성장 예측
결정립 성장은 재료의 기계적 거동에 큰 영향을 미치므로, 미세구조 공학에서 결정립 성장을 예측하는 것은 핵심 목표입니다. 본 연구에서는 결정립 성장 중 결정립 크기 분포를 예측하기 위해 순환 신경망(RNN), 장단기 기억(LSTM), 시간 컨볼루션 네트워크(TCN), 트랜스포머를 포함한 여러 딥러닝 접근법을 평가했습니다. 계산 비용이 높은 전장 시뮬레이션 대신, 검증된 고정밀 시뮬레이션에서 추출한 정규화된 평균장 통계 기술자를 활용했습니다. 112개의 결정립 성장 시퀀스 데이터셋을 다변량 시계열로 처리하여, 짧은 시간 이력으로부터 미세구조 진화를 예측할 수 있는 자기회귀 모델을 훈련했습니다. 장기 예측, 미지의 초기 분포, 공간 영역 전이 등 모든 평가 시나리오에서 LSTM 아키텍처는 가장 높은 정확도와 안정성을 일관되게 보여주었으며, 약 90%의 예측 정확도를 달성하면서 물리적으로 일관된 결정립 성장 경향을 유지했습니다. 훈련된 모델은 최적화된 고효율 편미분 방정식 기반 시뮬레이션이 약 20분 걸리는 것에 비해 단 몇 초 만에 전체 결정립 성장 궤적을 생성하여 두 자릿수 이상의 속도 향상을 이루었습니다. 이 결과는 저차원 기술자와 LSTM 기반 예측의 결합이 효율적이고 물리적으로 일관된 미세구조 예측에 잠재력이 있음을 보여줍니다. 이는 재료 모델링 가속화, 디지털 트윈 개발, 공정 최적화에 직접적인 영향을 미칠 것입니다.