식품 조작의 현실적인 시각적 시뮬레이션에는 정확한 재료 파라미터 (material parameters)가 필요하지만, 이러한 파라미터는 직접 측정하기 어렵고 단일 식품 항목의 불균일한 영역에 따라 달라집니다. 우리는 미분 불가능한 연속체 손상 역학 (continuum damage mechanics) 시뮬레이터에서 파쇄 동작의 목표 설명으로부터 재료 파라미터를 추정하는 역문제 (inverse problem)를 다룹니다. 오렌지 껍질 벗기기를 테스트 케이스로 사용하여, 2,000회의 순방향 시뮬레이션 (forward simulations)을 통해 신경망 대리 모델 (neural surrogate)을 학습시키고, 원래의 9차원 파라미터 공간과 두 개의 학습된 4차원 잠재 표현 (latent representations) 전체에 대해 공분산 행렬 적응 진화 전략 (CMA-ES, gradient-free evolutionary optimizer)과 근사 정책 최적화 (PPO, reinforcement learning algorithm)를 비교합니다. 오렌지마다 재료 특성이 다르기 때문에, 실용적인 역방향 시스템은 재학습 없이 임의의 목표를 처리할 수 있어야 합니다. 우리는 일반적인 역방향 매핑을 학습하는 목표 조건부 PPO (goal-conditioned PPO) 정책을 학습시킵니다. 즉, 껍질 벗기기 동작에 대한 임의의 목표 설명이 주어지면, 정책은 단 한 번의 순방향 패스(8회의 대리 모델 평가, 약 10ms)로 재료 파라미터 추정치를 생성합니다. 공유된 대리 모델 평가기를 사용하는 정규화 흐름 (normalizing flow) 잠재 공간에서 작동하는 이 목표 조건부 정책은 시뮬레이터를 통해 검증했을 때 0.642의 실제 복구율을 달성하였으며, 이는 원래의 파라미터 공간보다 23% 더 높은 성능입니다. 정책의 출력값으로부터 CMA-ES 정밀화를 초기화하는 웜 스타트 (warm-start) 확장은 540회의 평가를 통해 복구율을 0.828까지 추가로 향상시킵니다. 이러한 발견은 역방향 식품 물리학을 위한 실용적인 프레임워크를 제공하며, 식품 조작의 비디오 관찰로부터 시각 기반 재료 식별을 위한 토대를 마련합니다.