미분가능 열역학 상평형 학습 알고리즘

본 논문은 화학공학에서 핵심적인 과제인 상평형 예측을 머신러닝과 결합하는 새로운 방법론을 제시한다. 기존의 활동계수 모델링에 성공적으로 적용된 물리‑인포메드 신경망은 Gibbs 자유에너지 g⁽ᴱ⁾ 를 파라미터화함으로써 열역학적 일관성을 확보했지만, 상평형 자체가 최적화 문제(특히 전역 최소화)로 정의되는 경우에는 미분 가능성이 크게 저하되는 문제가 있었다. 저자들은 이러한 한계를 극복하기 위해 DISCOMAX(Differentiable Thermodynamic Phase‑Equilibrium Computation)라는 알고리즘을 고안하였다. DISCOMAX의 핵심 아이디어는 다음과 같다. 먼저, 이진 혼합물의 Gibbs 자유에너지 혼합 Δg_mix(x;θ) 를 그래프 신경망(GNN) 기반 임베딩과 전역 신경망 g_E 으로 파라미터화한다. 여기서 x 는 두 성분의 몰분율이며, x(1‑x) 스케일링을 통해 순수 성분 경계에서 자유에너지가 0이 되도록 강제한다. 이후 전체 조성 구간을 일정한 격자(예: 0, Δx, 2Δx, …, 1)로 이산화하고, 가능한 모든 조성 쌍 (x′,x″) 에 대해 질량 보존 제약을 적용해 두 상의 몰분율 ϕ′, ϕ″ 을 계산한다. 각 조성 쌍에 대해 전체 Gibbs 자유에너지 ΔG = Δg_mix(x′)·ϕ′ + Δg_mix(x″)·ϕ″ 을 구하고, 이를 로그 확률(로짓)로 해석한다. 그런 다음 마스크드 소프트맥스 연산을 적용해 모든 후보 상태에 대한 정규화된 확률을 얻는다. 소프트맥스에 온도 파라미터 τ 를 도입함으로써 τ→0 일 때 가장 낮은 ΔG 값을 갖는 상태가 확률 1이 되도록 하여 전통적인 전역 최소화와 동일한 해를 복원한다. 반면, 유한 τ 에서는 부드러운 확률 분포가 형성되어 미분 가능성을 확보한다. 학습 단계에서는 스트레이트스루( Straight‑Through) 추정기를 사용한다. 전방 패스에서는 소프트맥스 대신 하드 최소화(가장 낮은 ΔG 값을 갖는 조성 쌍)로 실제 상평형 조성을 출력한다. 역전파 단계에서는 소프트맥스에 의해 부드럽게 전달된 그래디언트를 이용해 g_E 와 GNN 파라미터 θ 를 업데이트한다. 이 방식은 (i) 질량 보존, (ii) 전역 최적성, (iii) 안정성 조건을 모두 만족하도록 보장한다. 알고리즘의 복잡도는 조성 격자의 크기에 따라 지수적으로 증가하지만, 현재 연구는 이진 시스템에 초점을 맞추어 실용적인 수준으로 유지한다. 구현은 PyTorch 기반 텐서 연산과 GPU 가속을 활용해 배치 처리되며, 전체 파이프라인이 완전 자동 미분 가능하도록 설계되었다. 실험에서는 약 8,000 개의 고유 이진 LLE 데이터셋을 새로 구축하고, 기존 서브스티튜트 기반 솔버(예: