딥 오퍼레이터 네트워크를 통한 이온성 하이드로겔의 열-기계 신호 분리

반응성 하이드로겔에서는 이온 열전기 효과와 압전 이온 효과가 중첩되어 열 및 기계적 자극이 동시에 발생할 때 분리할 수 없는 전기 신호가 유발되며, 이는 연성 이온트로닉스 분야의 근본적인 문제입니다. 이를 해결하기 위해, 우리는 트랜스포머의 우수한 시간 모델링 능력과 딥 오퍼레이터 네트워크(DeepONet)의 공간 인코딩을 통합하여 복잡한 열-기계 연산자를 학습하는 T-DeepONet 모델을 제안합니다. 본 모델은 실험적으로 검증된 유한 요소 해석으로부터 생성된 종합적인 합성 데이터셋으로 학습되어, T-DeepONet이 결합된 전압 분포를 독립적인 온도와 압력 분포로 매핑할 수 있게 합니다. 트랜스포머 기반의 시간 모델링과 DeepONet의 공간 인코딩을 결합함으로써 T-DeepONet은 열 확산과 기계적 과도 현상의 이질적인 시공간 신호를 구분하며, 동기 및 비동기 하중 조건에서 약 100 ms의 추론 지연으로 98.2% R2 정확도를 달성합니다. 이 연구는 다중 물리 연성 물질 시스템에서 실시간 필드 수준 분리를 위한 일반적인 프레임워크를 구축하여, 연성 로보틱스에서의 고정밀 촉각 인식 가능성을 열고 비평형 이온 수송과 오퍼레이터 학습의 진보를 연결합니다.