Physics-Informed Gaussian Processes for Hardness Prediction in Refractory High Entropy Alloys

Motivation

• Known: Refractory High Entropy Alloys (RHEAs)의 경도 예측을 위해 순수 데이터 기반 회귀 모델(조성 descriptor 기반)과 물리 기반 solid-solution strengthening 모델(Maresca–Curtin) 두 갈래 접근법이 존재하며, 각각 정확도와 해석가능성 측면에서 상호보완적 장단점을 가진다.
• Gap: 데이터 기반 모델은 물리적 inductive bias가 없어 분포 외 일반화와 해석력이 떨어지고, 물리 기반 모델은 rule-of-mixtures(ROM) 근사에 의존하는 원자 부피/탄성상수 가정이 다주성분 환경에서 부정확해지는 한계가 있으며, 실험적으로 접근 가능한 미세조직 데이터(EDS, XRD)를 활용하지 못하고 있다.
• Why: SDL(self-driving laboratory) 시대에는 지속적으로 유입되는 실험 데이터에 맞춰 갱신 가능하면서도 물리적으로 신뢰할 수 있는 surrogate 모델이 필요하며, 이는 방대한 RHEA 조성 공간에서 후보물질을 사전에 선별해 합성·특성평가 비용을 줄이는 데 핵심적이다.
• Approach: Maresca–Curtin 모델을 differentiable GP의 prior mean function으로 삼고, ROM 기반 고정 원자 부피를 신경망으로 학습되는 element-resolved effective volume으로 대체하여 물리 방정식의 구조를 유지하면서 데이터 기반 보정을 수행한다.

Achievement

1. 공개 Borg 데이터셋 성능 향상: PI-GP가 기존 GP 및 black-box 베이스라인 대비 MAE 35.8 HV로 가장 강력한 baseline 대비 1.3배 성능 향상을 달성했다.
2. 자체 HADEX 데이터셋에서의 SOTA 달성: EDS 기반 elemental partition coefficient와 XRD 기반 phase-sensitive descriptor를 결합하여 MAE 5.9 HV까지 오차를 낮췄다.
3. 물리적으로 유의미한 보정 발견: 학습된 effective-volume 보정이 5% 이내로 물리적으로 제한되면서도 조성 공간에서 체계적인 비선형 구조(non-affine residual)를 드러냈다.
4. 기존 이론과의 정합성 확인: 학습된 보정이 거시적 경도 데이터만으로 학습되었음에도 Baruffi et al. (2022)이 제시한 screw-to-edge strengthening transition과 부합하는 신호를 포함함을 보였다.

How

• Maresca–Curtin 모델의 σy,0 및 ∆Eb를 Tabor 관계식을 통해 Vickers hardness(HV)로 변환하여 GP의 prior mean m(c)로 사용
• Matérn-5/2 kernel과 Automatic Relevance Determination (ARD)을 사용하는 GP를 결합해 비모수적 공간 보정을 병렬적으로 학습
• Shared-σ scaling: 단일층 신경망 gθ를 통해 ROM 기반 misfit parameter σROM에 composition-dependent scalar 보정을 적용
• Effective-volume reconstruction: 원소별 신경망 head hθ,i를 통해 element-resolved effective volume V eff_i를 학습하고, 이를 원래의 구조방정식(Eq.1)에 재적용하여 misfit parameter를 재구성함으로써 물리적 제약을 유지
• HADEX 데이터셋에서는 SEM-EDS 기반 bulk composition, EDS로 얻은 elemental partition coefficient {ki}, core phase fraction f를 이용해 EPMA core-to-bulk convention에 따라 core/shell 조성을 재구성하고, 이를 17차원 미세조직 feature vector로 GP kernel에 입력 (물리 prior 자체는 변경하지 않음)

Originality

• Maresca–Curtin이라는 확립된 mechanistic solid-solution strengthening 이론을 GP의 prior mean으로 직접 임베딩하여 differentiable하게 만든 최초의 시도로 보임
• 출력 공간에서의 사후 보정이 아니라, 물리적으로 의미 있는 latent 변수(원소별 유효 부피) 수준에서 구조화된 보정을 학습하도록 설계하여 원소 단위 해석가능성을 유지
• EDS 기반 elemental partition coefficient와 XRD 기반 phase descriptor 등 실험적으로 접근 가능한 미세조직 정보를 예측 모델에 체계적으로 통합
• 자체 구축한 proprietary 데이터셋 HADEX를 통해 실제 실험 조건에서의 검증을 수행

Limitation & Further Study

• 발췌된 본문에서 HADEX 데이터셋의 규모, 조성 다양성, 실험 조건 등 세부사항이 충분히 제시되지 않아 일반화 가능성 평가가 제한적임
• Baruffi et al.의 screw-to-edge strengthening transition과의 정합성이 정성적 일치 수준으로 제시되어 있어, 정량적 검증이나 통계적 유의성 분석이 추가로 필요해 보임
• 학습된 effective volume 보정이 5% 이내로 제한된다고 하나, 이 bound(β)의 선택 근거와 민감도 분석에 대한 논의가 부족함
• 향후에는 다른 합금 계열(HEA 외 conventional alloys) 및 다른 물성(연성, 피로강도 등)으로의 확장, 그리고 SDL과의 실시간 통합 실증이 필요할 것으로 보임

Evaluation

총평: 물리 기반 이론과 확률적 기계학습을 정교하게 결합하여 예측 정확도와 해석가능성을 동시에 개선한 견고한 연구로, RHEA 재료 스크리닝 및 자율 실험실 워크플로우에 실질적으로 기여할 수 있는 잠재력이 크다.