시각적 관찰로부터 실제 세계의 역학 (Dynamics)을 학습하는 것은 다양한 분야에서 매우 중요합니다. 일반적인 전략은 물리적 파라미터를 추정하여 시뮬레이터를 보정하는 것이지만, 정확도는 궁극적으로 재료가 균질하고 등방성 (Isotropic)이라고 가정하는 기저 물리 모델에 의해 제한됩니다. 비록 합리적일지라도, 실제 객체는 일반적으로 경미한 이방성 (Anisotropy)과 불균질성 (Heterogeneity)을 나타냅니다. 거의 등방성에 가까운 백본 (Backbone)이 잘 보정된 후에는, 이러한 잔차 효과 (Residual effects)가 Real-to-Sim 격차를 더욱 좁히는 데 있어 핵심적인 병목 현상이 됩니다. 신경망 (Neural networks)이 역학을 엔드투엔드 (End-to-end)로 맞출 수는 있지만, 이러한 블랙박스 (Black-box) 모델링은 강력한 물리적 사전 지식 (Physical priors)을 버리게 되어 데이터 효율성이 떨어지고 과적합 (Overfitting)을 초래합니다. 따라서, 우리는 이러한 잔차 효과를 목표로 하여 Real-to-Sim 역학 학습을 더욱 개선하는 운동 제약 응력 적응 (Motion-constrained stress adaptation) 프레임워크인 MoSA를 제안합니다. MoSA는 등방성 모델을 물리적 사전 지식으로 사용하며, 경미한 이방성과 불균질성을 포착하기 위해 잔차 응력 연산자 (Residual stress operators)를 학습합니다. 이는 물리 정보 기반의 계단식 네트워크 (Physics-informed cascaded network) 내에서 마이크로플레인 제약 재분배 (Microplane-constrained redistribution)를 통해 응력을 점진적으로 적응시킵니다. 나아가 우리는 변형장 (Deformation field)의 시간적 및 공간적 미분값을 감독함으로써 운동 제약 (Motion constraints)을 부과합니다. 실험적으로, 우리가 학습한 역학은 물리적으로 의미 있는 잔차 이방성을 학습하는 동시에 우수한 정확도, 일반화 성능 및 강건성 (Robustness)을 달성합니다. 마지막으로, 우리는 로봇 조작 (Robot manipulation) 설정에서 MoSA를 검증하여, 더 나은 Real-to-Sim 역학 모델링이 더 신뢰할 수 있는 Sim-to-Real 전이 (Transfer)로 이어진다는 것을 보여줍니다. 프로젝트 페이지는 https://mercerai.github.io/MoSA/ 에서 확인할 수 있습니다.