텐서 방법: 소재 설계를 위한 통합적이고 해석 가능한 접근법
Tensor Methods: A Unified and Interpretable Approach for Material Design
새로운 소재를 설계할 때, 원하는 특성을 갖도록 소재 설계를 조정하는 것이 종종 필요하다. 소재 설계 파라미터의 집합이 커질수록 탐색 공간은 지수적으로 증가하여, 모든 설계 조합의 실제 합성과 평가는 사실상 불가능해진다. 유한 요소 해석(FEA)과 같은 전통적인 계산 방법을 사용하더라도 이 설계 공간을 탐색하기에는 계산 비용이 지나치게 크다. 최근 방법들은 머신러닝(ML) 대리 모델을 사용하여 최적의 소재 설계를 보다 효율적으로 결정하지만, 이러한 방법들은 흔히 (i) 해석하기 어렵고 (ii) 학습 데이터가 전체 설계 공간의 비균일 샘플링에서 비롯될 경우 성능이 저하되는 문제가 있다. 본 연구에서는 해석 가능성과 예측을 위한 통합적 접근법으로서 텐서 완성(tensor completion) 방법의 활용을 제안한다. 우리는 고전적인 텐서 방법이 예측에서 전통적인 ML 방법과 경쟁할 수 있으며, 해석 가능한 텐서 인수(tensor factor)라는 부가적인 이점이 무상으로 제공됨을 관찰한다. 실험에서 우리는 텐서 인수를 통해 물리적 현상을 재발견할 수 있었으며, 이는 예측이 문제의 물리학과 정렬되어 있음을 나타낸다. 또한 기존 패턴을 재발견할 수 있다는 점에서, 이 인수들은 실험가들이 잠재적으로 새로운 패턴을 식별하는 데 활용될 수 있음을 의미한다. 아울러 설계 공간의 비균일 샘플링에서 비롯된 학습 데이터를 접할 때 두 유형의 대리 모델(전통적 ML 및 텐서 기반)의 효과를 연구한다. 저랭크(low-rank) 제약으로 인해 비균일 샘플링 시나리오에서 더 나은 일반화를 제공할 수 있는 일부 특화된 텐서 방법을 관찰한다. 최선의 일반화는 텐서 모델에서 나타나며, 이 모델은 기준선 ML 방법 대비 집계 R²에서 최대 5% 향상을 달성하고, 일부 분포 외(out of distribution) 구간에서의 오차를 절반으로 줄인다.