본 논문에서는 금속 재료의 어닐링 과정 중 미세구조 진화 및 최종 기계적 특성 예측에 필수적인 결정립 성장 시뮬레이션을 위한 머신러닝 프레임워크를 제시합니다. 기존의 편미분 방정식 기반 방법의 높은 계산 비용 문제를 해결하기 위해, 합성곱 장단기 메모리 네트워크(Convolutional Long Short-Term Memory networks)와 오토인코더(Autoencoder)를 결합한 방법을 사용하여 결정립 성장의 공간적 및 시간적 측면을 모두 포착합니다. 평균 제곱 오차, 구조 유사성 지수 측정 및 경계 보존을 결합한 새로운 복합 손실 함수를 통해 예측의 결정립 경계 위상 구조의 무결성을 유지합니다. 결과적으로 기존 방법 대비 최대 89배 빠른 속도(10분에서 10초로 단축)로 높은 정확도의 예측을 달성했습니다(구조 유사성 점수 86.71%, 평균 결정립 크기 오차 0.07%). 모든 모델은 결정립 경계 위상, 형태 및 크기 분포를 정확하게 포착했습니다. 이 방법은 기존 시뮬레이션이 시간 소모적인 경우에 빠른 미세구조 예측을 가능하게 하여 재료 과학 및 제조 분야의 혁신을 가속화할 수 있습니다.
