설명가능한 AI가 밝혀낸 전기모터 내부 ‘자기 미로’와 에너지 손실의 원인

특정 조건에서는 이 도메인들이 복잡한 지그재그 네트워크를 이루는데, 이를 미로형 도메인(maze domains) 이라고 부른다. 이 구조는 온도나 외부 자기장 변화에 따라 형태가 크게 변하며, 그 변화 방식이 매우 복잡해 기존 물리 모델로는 분석이 쉽지 않았다.

문제는 모터 작동 중 자기장이 바뀔 때 도메인이 이동하거나 합쳐지거나 분리되면서 자화가 뒤집히는데, 이 미세한 구조의 변화가 에너지 손실 규모를 크게 좌우한다는 점이다.

현미경 이미지를 물리 데이터로 변환

연구팀은 먼저 현미경으로 관측한 자기 도메인 이미지를 데이터 분석이 가능한 형태로 변환하는 파이프라인을 구축했다.

핵심 기술은 퍼시스턴트 호몰로지(persistent homology) 라는 토폴로지 데이터 분석 기법이다. 이 방법은 복잡한 공간 구조에서 다음과 같은 특징을 추출한다.

• 구조 속의 고리(loop)
• 가지 구조(branching)
• 연결 패턴(connectivity)

이를 통해 미로처럼 얽힌 도메인 패턴을 단순한 이미지가 아니라 정량적 특징(feature) 으로 표현할 수 있다.

이 과정 덕분에 복잡한 자기 도메인 지도가 머신러닝과 물리 모델이 함께 분석할 수 있는 데이터로 바뀐다.

엔트로피를 추가한 Ginzburg–Landau 모델

자기 상전이와 자화 변화를 설명할 때 전통적으로 Landau 또는 Ginzburg–Landau 자유에너지 모델이 사용된다. 하지만 미로형 도메인처럼 가능한 배열이 매우 많은 경우에는 기존 모델만으로 구조의 복잡성을 충분히 설명하기 어렵다.

이를 해결하기 위해 연구팀은 자유에너지 모델에 엔트로피(entropy) 항을 추가했다. 이렇게 만들어진 모델이 바로 엔트로피 특징 확장 Ginzburg–Landau 모델(eX‑GL) 이다.

이 확장 모델은 다음 두 요소를 동시에 반영한다.

• 자기 상호작용에 따른 에너지
• 도메인 구조가 가질 수 있는 통계적 복잡성

즉, 어떤 도메인 패턴이 단순히 에너지적으로 가능한지뿐 아니라 얼마나 많은 미시적 배열이 가능한지까지 함께 고려하게 된다.

자화 반전을 지배하는 에너지 장벽 발견

연구팀은 eX‑GL 모델과 토폴로지 특징 데이터를 결합해 자유에너지 지형(free‑energy landscape) 을 재구성했다.

이 분석을 통해 다음 사실이 드러났다.

• 특정 미로형 도메인 구조는 고유한 에너지 장벽과 연결되어 있다
• 이 장벽이 높을수록 도메인 재배열이 어려워진다
• 온도 변화는 도메인 안정성과 구조 변화를 크게 좌우한다

즉, 자화 반전은 단순한 방향 변화가 아니라 다음 세 가지 요소의 경쟁 결과로 나타난다.

• 자기 상호작용 에너지
• 도메인 네트워크의 구조적 복잡성
• 열에 의한 안정성 변화

이 상호작용 때문에 미로형 도메인을 가진 소재에서는 자화 반전이 갑작스럽거나 온도 의존적이며 에너지 손실이 크게 나타날 수 있다는 것이 설명된다.

미시 구조와 모터 에너지 손실의 연결

이 연구의 중요한 성과 중 하나는 미시적 자기 도메인 구조와 거시적 히스테리시스 손실을 직접 연결했다는 점이다.

새로운 분석 프레임워크는 도메인 특징을 자유에너지 지형에 매핑해 다음을 자동으로 식별할 수 있다.

• 자화 반전 경로
• 손실을 유발하는 에너지 장벽
• 온도에 따른 도메인 구조 변화

히스테리시스 손실은 도메인 배열이 되돌릴 수 없는 방식으로 변할 때 발생하기 때문에, 이러한 에너지 장벽을 찾으면 에너지가 어디에서 낭비되는지 파악할 수 있다.

전기차 모터 효율 향상 가능성

전기차는 고효율 전기모터에 크게 의존한다. 모터 내부 자기장은 작동 중 계속 방향이 바뀌며, 이 과정에서 연자성 코어 소재의 도메인이 반복적으로 재배열된다.

이번 연구는 어떤 도메인 구조와 온도 조건이 큰 에너지 장벽을 만들고 손실을 증가시키는지 보여준다. 이 정보를 활용하면 연구자와 엔지니어가 다음과 같은 개선을 시도할 수 있다.

• 에너지 손실이 적은 전기강판 미세구조 설계
• 도메인 형태를 제어하는 제조 공정 최적화
• 실제 모터 작동 환경에서의 소재 거동 예측

연구는 구체적인 효율 향상 수치를 제시하지는 않았지만, 철손 감소를 통한 전기모터 효율 개선 가능성을 보여주는 중요한 기반 연구로 평가된다.

재료과학에서 설명가능한 AI의 새로운 방향

이번 연구는 AI가 단순히 예측 도구로 쓰이는 것이 아니라 물리 이론과 결합해 과학적 이해를 확장할 수 있음을 보여준다.

연구팀의 접근법은 토폴로지와 열역학에서 나온 해석 가능한 특징을 사용해, 블랙박스가 아닌 설명 가능한 물리 기반 AI 모델을 구축했다. 이러한 방법은 향후 자성 소재뿐 아니라 복잡한 미세구조를 가진 다양한 재료 연구에도 적용될 가능성이 있다.

데이터 기반 재료 연구가 빠르게 확장되는 상황에서, AI와 전통 물리 모델을 결합하는 방식은 미시적 구조 속에 숨겨진 메커니즘을 밝혀내는 새로운 연구 패러다임이 될 것으로 보인다.