공학적 골격근 조직 (Engineered Skeletal Muscle Tissues, ESMs)은 생물 의학적 질병 모델링 및 약리학적 스크리닝을 위한 핵심 구조가 되었으나, 이들의 기능적 특성 분석은 종종 피크 힘 (peak force)과 같은 단순한 지표에 의존하여 중요한 운동학적 (kinetic) 정보를 폐기하곤 합니다. 이는 부분적으로 이러한 역학을 포착하기 위해 기계론적 모델 (mechanistic models)이 도입하는 높은 수준의 수학적 복잡성 때문입니다. 따라서 바로 이 복잡성이 해당 분야에서의 확장 가능한 적용과 광범위한 채택을 방해합니다. 본 연구에서는 ESMs의 운동학적 표현형 분석 (kinetic phenotyping)을 자동화하는 물리 기반 신경망 (Physics-Flavored Neural Network, PFNN)을 제시합니다. 우리의 아키텍처는 신장-지수 (stretched-exponential) 물리 모델을 CNN-Transformer에 통합하여, 힘-시간 프로파일 (force-time profiles)로부터 물리적으로 의미 있는 매개변수를 직접 추출할 수 있도록 합니다. 라벨링된 생물학적 데이터의 부족 문제를 해결하기 위해, 우리는 하이브리드 학습 패러다임을 채택합니다. 즉, 모델은 합성 데이터 (synthetic data) 상에서 "물리적 직관 (physical intuition)"을 개발한 후, 라벨이 없는 실제 측정값에 대해 비지도 자가 정렬 (unsupervised self-alignment) 과정을 거칩니다. 우리의 결과는 이 물리 기반 접근 방식이 듀센 근이영양증 (Duchenne Muscular Dystrophy) 모델을 포함하여 다양한 수축 표현형 및 세포주에 대해 높은 충실도의 매개변수화 (parameterization)를 달성함을 보여줍니다. 우리의 확장 가능하고 자가 개선되는 파이프라인은 이상적인 생물 물리학 (biophysics)과 노이즈가 있는 extit{in vitro} 데이터 사이의 간극을 메워, 고처리량 생물 물리학 연구를 위한 강력한 도구를 제공합니다.