레이저 용접의 완전 용입 (full-penetration)은 결함 없는 용접부를 달성하기 위한 근본적인 요소 중 하나로서 매우 중요합니다. 따라서 용입 상태를 정확하게 예측하는 것은 용접 품질을 보장하기 위해 필수적입니다. 이를 위해 본 논문은 제한된 수의 라벨링된 이미지(labelled images)만으로도 레이저 용접 용입 예측에서 높은 분류 정확도를 달성하는 새로운 알고리즘인 SimPhysNet을 소개합니다. 이 접근 방식은 방대한 양의 고품질 라벨링 데이터에 의존하여 산업 현장 적용에 제약이 있는 지도 학습 (supervised learning) 분류 알고리즘의 한계를 효과적으로 극복합니다. SimPhysNet의 핵심은 대조 학습 (contrastive learning) 프레임워크에 물리적 사전 지식 (physical priors)을 임베딩하는 독특한 자기지도 학습 (self-supervised learning) 패러다임입니다. 물리 정보 신경망 (physics-informed neural network, PINN)을 통합함으로써, 모델은 대규모의 라벨링되지 않은 데이터 세트로부터 용융지 (molten pool) 및 키홀 (keyhole)의 물리적으로 의미 있는 특징을 추출하도록 유도되며, 세 가지 이미지 증강 (image augmentation) 작업이 일반화 능력을 더욱 향상시킵니다. 이어서, 프로토타입 네트워크 (prototypical networks)에 기반한 퓨샷 학습 (few-shot learning) 전략을 통해 최소한의 라벨링된 이미지 세트로부터 클래스 표현을 구축함으로써 견고한 분류를 가능하게 합니다. 실험 결과, SimPhysNet은 단 200개의 라벨링된 이미지(전체 라벨링 데이터 세트의 약 5%)만을 사용하여 96.06%의 분류 정확도를 달성하였으며, 이는 전체 라벨링 데이터 세트를 사용하는 기존 지도 학습 알고리즘의 성능과 대등한 수준입니다. 본 연구는 새롭고 효율적이며 매우 정확한 방법을 제시하며, 레이저 용접의 지능형 자동화를 위한 길을 열어줍니다.