포괄적 물리 기반 그래디언트 네트워크를 이용한 동기 전동기 포화 모델링

본 논문은 포화와 공간 고조파를 포함한 동기 전동기의 자기 특성을 물리‑정보 신경망(Physics‑Informed Neural Network, PINN)으로 모델링하는 새로운 프레임워크를 제시한다. 전통적인 전동기 모델링은 전자기 방정식에서 유도된 전류·토크 관계 i_s = ∂W/∂ψ_sᵀ, τ_m = –∂W/∂φ_m 를 기반으로 한다. 여기서 W(ψ_s, φ_m)는 자기장 에너지 함수이며, 이 함수가 볼록(convex)하고 스칼라 형태이면 전류와 플럭스‑링크는 서로 역함수 관계를 가지며 에너지 보존이 자동으로 만족된다. 기존 방법들은 (i) 해석식은 차원 확장이 어려워 고조파를 다루기 힘들고, (ii) 룩업 테이블은 차원 저주와 비단조성·비부드러운 보간 문제, (iii) 일반적인 블랙‑박스 NN은 대량 데이터 필요와 물리 불일치(에너지 불균형)라는 한계를 가진다. 저자들은 이러한 문제를 해결하기 위해 ‘그래디언트 네트워크(Gradient Network)’라는 구조를 도입한다. 입력 x(예: ψ_s 또는 i_s)와 출력 g(x) 사이에 선형 변환 z = A x + b를 적용하고, 활성화 σ(z)를 통해 비선형성을 부여한다. 최종 출력은 g(x) = A₀ x + b₀ + Aᵀ σ(z) 로 정의된다. 여기서 A₀는 대칭·양정(positive semidefinite) 행렬이며, σ는 Jacobian이 대칭·양정인 활성화 함수이다. 이러한 설계는 전체 네트워크의 Jacobian J_g = ∂g/∂x 가 대칭·양정임을 보장한다. 즉, g은 보존적(conservative)이며, 존재하는 스칼라 함수 W(x) 가 있어 g(x) = ∂W/∂xᵀ 가 된다. 따라서 에너지 보존, 단조성, 볼록성 등 물리적 제약이 네트워크 구조 자체에 내재된다. 활성화 함수는 두 가지 범주로 나뉜다. (1) 원소별(elementwise) 활성화는 각 입력 차원에 독립적으로 적용되며, square‑plus(σ(z)=½