{{ post.title }} 글 편집 작성자 {{ post.author.name }} 작성일

Version {{ post.target_version }} Product
{{ product.name }}
Tutorial/Manual {{ post.manual_title }} Attached File {{ post.file.upload_filename }}

CAE와 관련된 용어에는 어떤 것들이 있을까? 정확한 시간을 특정할 수는 없지만 언제부터인가 CAE와 관련되어 머리 속에 떠오르는 단어들의 속성이 달라졌다. 예전에는 유한요소법, 다물체동역학, 피로해석, 전산 열유체 해석, 최적설계, 자동화와 같은 단어가 떠올랐다면, 요즘은 인공지능, 머신러닝, 데이터 과학, 사물인터넷, 써로게이트 모델과 같은 단어들이 함께 떠오른다.

이 단어들을 그룹으로 묶어서 보면 차이점이 보인다. 한 그룹은 ‘CAE 용어’로 묶을 수 있고, 다른 한 그룹은 ‘4차 산업혁명 용어’로 묶을 수 있다.

4차 산업혁명에 속하는 용어가 뜻하는 것들은 CAE와 어떤 관계가 있을까? 이 질문에 답을 찾기 위해 각 용어의 정의를 다음과 같이 정리해 보았다. 여기에 정리된 내용은 CAE와 관련이 있는 사람에게는 자신의 직무와의 연관성을 한번 생각해 볼 수 있는 기회가 될 수 있을 것이다. CAE와 관련이 없는 사람에게는 이 용어들이 최근 매스컴에서도 흔하게 들을 수 있는 용어들이므로 상식을 늘리는데 선에서 도움이 될 수 있을 것이다.


1. 시뮬레이션(Simulation)

구글에서 ‘시뮬레이션’을 검색해 보면 “물리적 또는 추상적인 시스템을 모델로 표현하고, 그 모델을 사용해서 실험을 하는 일. 실제로 모형을 만들어 하는 물리적 시뮬레이션과, 수학적 모델을 컴퓨터상에서 다루는 논리적 시뮬레이션이 있다. 공학상의 설계 및 사회 현상 분석 등에 쓰이는데, 방대한 수치 계산을 고속으로 처리하는 실시간(實時間: real-time)의 시뮬레이션은 컴퓨터의 이용을 통해 비로소 기능해졌다.”라고 나온다.

이와 같이 시뮬레이션은 ‘모의 실험’을 말한다. 모의 실험 중에서도 컴퓨터를 이용한 모의 실험을 컴퓨터 시뮬레이션이라고 한다. 특히 컴퓨터 시뮬레이션을 제품의 설계 및 분석에 사용하는 경우를 컴퓨터 이용 공학 (Computer Aided Engineering, CAE)라고 한다. 즉, CAE는 컴퓨터 시뮬레이션의 한 종류라고 할 수 있다.


2. 디지털 트윈(Digital Twin)

디지털 트윈(Digital Twin)은 미국의 GE사에서 주창한 개념으로, 컴퓨터에 현실 속 사물과 동일한 “쌍둥이”를 만들고, 현실에서 발생할 수 있는 상황을 컴퓨터로 시뮬레이션 함으로써 결과를 미리 예측하는 기술이다.

LG CNS의 블로그에서는 가트너 자료를 인용해서 디지털 트윈의 구현 단계를 레벨 1 3D 시각화 단계, 레벨 2 실시간 모니터링 단계, 레벨 3 분석/예측/최적화 단계로 구분한 것을 아래와 같이 보여주고 있다.

디지털 트윈의 구현 레벨

https://blog.lgcns.com/1864

< 디지털 트윈의 구현 레벨 >

(출처: Gartner, Use the IoT Platform Reference Model to Plan Your IoT business solutions, ’16.09.17)


레벨1과 레벨2를 가르는 것은 모델에 입력하는 데이터의 취득 방식이 온라인인지 여부이다. 오프라인으로 데이터를 적용해서 사전 시뮬레이션을 하고 3차원 시각화까지 가능한 단계가 레벨 1이다. 레벨 2는 사물에서 센서로 취득한 데이터를 IoT 플랫폼을 통해 온라인으로 모델에 반영하는 단계다. 이 단계가 되면 사물과 모델이 경험하는 것이 같아지므로 실제 사물과 디지털 트윈 모델이 1:1로 매칭 되었다고 할 수 있는 단계를 말한다. 레벨 3은 입력 데이터와 결과를 이용해서 앞으로 벌어질 결과를 예측까지 할 수 있는 단계를 말한다.


3. 사이버 물리 시스템(Cyber Physical System, CPS)

디지털 트윈만큼 유명한 것은 아니지만 ‘사이버 물리 시스템’ 이라는 용어가 있다. CPS는 컴퓨터가 통신을 이용해 물리시스템을 제어하는 통합시스템을 말한다. 좀 더 상세히 설명하자면 컴퓨터 알고리즘으로 메커니즘을 제어하거나 모니터링하는 시스템을 CPS라고 할 수 있다. CPS에서도 실제 물리 시스템과 소프트웨어는 서로 상호 작용할 수 있다.

CPS에 대한 설명은 디지털 트윈과 비슷해 보이는데, 무슨 차이가 있을까? KCERN이라는 곳 주관한 디지털 트윈과 스마트 트랜스폼을 주제로 한 포럼 자료에서는 아래와 같이 디지털 트윈과 CPS의 차이점을 설명하고 있다.


  • 데이터화 단계로 수집된 데이터를 축적하고 현실과 1:1로 대칭된 가상세계를 구축하는 것이 디지털 트윈이다.
  • 디지털 트윈은 가상 세계를 구축하는 것인 반면, CPS는 디지털 트윈에서 더 확장해서 가상 세계를 현실과 연계하는 것이다.
  • CPS는 디지털 트윈이 가상세계에서 최적화한 가치를 현실로 구현하는 과정이다. 이런 과정에서 활용되는 것이 데이터를 분석하는 인공지능과 가상 세계를 현실화하는 기술이다.

이 설명에 따르면, ‘디지털 트윈은 현실을 가상화 하는 것이고, CPS는 가상을 현실화하는 것이다’라고 보면 적당할 것 같다.


4. 메타 모델(Meta Model)

앞장에서 설명한 CPS를 시스템의 시스템(system of systems)이라고 한다. 이에 반해 이 장에서 설명하는 메타 모델과 써로게이트 모델을 모델의 모델 (a model of a model)이라고 한다. 여기서 System of systems는 시스템을 묶어서 시스템의 복잡도가 커지는 것을 뜻하지만 a model of a model은 모델이 더 간단해지는 것을 뜻한다. 모델을 더 간단하게 하기 위해서 근사 방법(Approximation method)을 사용한다. 그래서 메타 모델을 근사 모델 (Approximate model)이라고도 한다. 즉, 근사 모델은 모델을 한 번 더 모델링해서 단순화하는 것을 말한다.

근사 모델은 최적화를 할 때 많이 사용한다. 최적화 과정에서 실제 모델을 이용한 계산의 반복 횟수가 증가하면 필요한 시간이 매우 길어 지는 경우가 있기 때문에 근사 모델을 이용하여 계산 시간을 줄이는 것이다.

앞에서 설명한 CAE에서 사용하는 모델은 정확한 결과를 얻는 것이 목적이다. 그래서 최대한 왜곡없이 세세하게 모델링 하기 때문에 계산량이 많고 그만큼 소요되는 시간도 길어지는 계산 집약적(computation-intensive)인 방법이다. 만약 계산 집약적인 방법을 사용해서 최적화를 하려고 하면 경우에 따라서는 필요한 시간이 수개월까지 늘어나게 되는데, 이렇게 시간이 오래 걸리는 방법을 업무에 사용하기가 어려운 경우를 예로 들 수 있다.

이에 대한 대안으로 최적 설계에서는 계산 집약적인 모델 대신 근사 모델을 사용한다. 이렇게 근사 모델을 사용함으로써 최적화에 소요되는 시간을 크게 줄일 수 있다. 특히 최적화에서 사용하는 근사모델을 메타 모델이라고 한다.

메타 모델을 만들 때는 어떤 시뮬레이션 모델과 방법을 사용했는지에는 상관없이 시스템의 반응만을 사용한다. 입력과 반응을 가지고 메타 모델을 만들고 이를 이용해서 최적화를 수행한다. 이 방법을 근사 기반 최적화(approximation based optimization)라고 한다.


5. 써로게이트 모델 (대리 모델, Surrogate Model)

써로게이트 모델은 메타 모델, 반응 표면 모델(Response surface model)과 함께 근사 모델을 부르는 한 방법이다. 메타 모델에서 설명한 것과 마찬가지로 근사 모델은 원래 모델(Original model)을 한 번 더 모델링 한 것이다.

써로게이트 모델은 데이터를 기반(Data driven)으로 상향식 접근(bottom-up) 방식을 사용하여 구성한다. 시뮬레이션 내부 로직이 어떻게 되어 있는지를 조사하는 것에는 관심이 없고 입력과 출력 결과에만 주목한다. 설계 변수에 대한 결과를 사용해서 모델을 구성한다. 이런 특성 때문에 행동 모델링(Behavioral modeling) 또는 블랙 박스 모델링(Black-box modeling)이라고도 한다. 이 때, 설계 변수가 하나만 있는 경우를 커브 피팅이라고 한다.

메타 모델과 써로게이트 모델은 개념적으로 동일한 의미를 갖는다. 동일한 의미의 용어지만 메타 모델은 최적화에서 많이 사용하고, 써로게이트 모델은 최적화보다 더 넓은 의미의 공학(Engineering) 분야에서 사용한다. 그래서 최적화 이외의 분야에서는 써로게이트 모델이라는 용어가 더 많이 알려져 있다.


6. 딥러닝(Deep learning)

미국 인디애나대학교(IU)의 조태호 교수가 쓴 『모두의 딥러닝』에서는 인공지능, 머신러닝, 딥러닝에 대해서 다음과 같이 설명하고 있다.


딥러닝은 사람을 닮은 인공지능을 만들기 위해 수십 년간 지속해 온 노력의 결실입니다. 사람이 할 수 있는 것과 유사한 판단을 컴퓨터가 해 낼 수 있게끔 인공지능을 연구하던 중, 기존의 데이터를 이용해 앞으로의 일을 예측하는 머신러닝 기법이 효과적임을 발견했습니다. 이 머신러닝 안에는 여러 알고리즘이 있는데, 이 중 가장 좋은 효과를 내는 것이 바로 딥러닝입니다. 따라서 인공지능, 머신러닝, 딥러닝의 관계를 그림과 같이 표현할 수 있습니다. 인공지능의 큰 범주 안에 머신러닝이 속하고, 머신러닝의 일부분이 딥러닝인 것이지요.


흔히 인공지능, 머신러닝, 딥러닝이라는 용어가 혼용되어 있는데, 개념적으로는 아래 그림과 같다고 보면 좋을 것 같다.

인공지능, 머신러닝, 딥러닝의 관계

< 인공지능, 머신러닝, 딥러닝의 관계 >

7. 머신러닝(Machine learning)

머신러닝은 인공지능의 한 분야로 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 말한다. 가령 머신러닝을 통해 사용자가 수신한 이메일이 스팸인지 여부를 구분할 수 있도록 훈련할 수 있으며, 다수의 시뮬레이션 결과를 학습시켜, 불량 여부를 판별하는 알고리즘을 개발할 수 있다.

머신러닝과 데이터 마이닝(Data Mining)은 같은 방법을 사용한다. 컴퓨터 과학에서는 머신러닝이라고 하고, 통계학에서는 데이터 마이닝이라고 한다. 머신러닝과 데이터 마이닝을 굳이 구별하자면 데이터 마이닝은 가지고 있는 데이터에서 형상 및 특성을 발견하는 것이 목적인 반면, 머신러닝은 기존 데이터를 통해 학습을 시킨 후 새로운 데이터에 대한 예측값을 알아내는 데 목적이 있다고 할 수 있다. (출처: 위키북스, 김의중 저 '인공지능, 머신러닝, 딥러닝 입문')


8. 인공 지능(Artificial Intelligence, AI)

인공지능은 전문가들의 관점에 따라 여러 가지로 정의된다. 스튜어트 러셀(Stuart Russel)과 피터 노빅(Peter Norvig)은 저서 『인공지능: 현대적 접근법(Artificial Intelligence: A Modern Approach』에서 인공지능을 다음과 같이 4가지로 정의했다.

1) 인간처럼 생각하는 시스템

2) 인간처럼 행동하는 시스템

3) 이성적으로 생각하는 시스템

4) 이성적으로 행동하는 시스템

이 중에서 현재까지 가장 활발하게 연구되고 있는 인공지능 분야는 ‘인간처럼 행동하는 시스템’이다. 예를 들면, 자연어 처리, 이미지 인식, 음성 인식, 기계 번역, 컴퓨터 비전, 로보틱스 등이 있다.

인공지능은 이미 생각보다 우리 가까이에 있다. 스마트 폰으로 꽃을 사진으로 찍으면 꽃의 이름을 알려주는 기능에서부터 아이폰의 시리(Siri)와 같은 자연어 처리 음성 비서 시스템 들이 모두 인공지능을 사용한 솔루션이다.

그러나 무엇보다도 인공 지능이 사람들에게 더 많이 알려진 계기는 미국 구글사의 인공 지능인 알파고와 인간의 바둑 대결 때문이다. 이 대결에서 인공 지능이 인간을 이김으로써 사람들에게 일종의 위기감을 불러 일으켰고 사회가 위기감에 반응한 것이다.


9. 건전성 예측 및 관리(Prognostics and Health Management, PHM)

PHM 기술은 기계, 설비, 항공, 발전소 등의 상태 정보를 수집하여 시스템의 이상상황을 감지하고 분석 및 예지진단을 통해 고장시점을 사전에 예측함으로써 설비관리를 최적화하는 기술이다.(출처, 한국 PHM 학회 홈페이지)

PHM은 기계 상태를 실시간으로 감시해서 진동과 마모 등 이상을 미리 감지하고 앞으로 발생할 수 있는 고장을 예측한다. 고장을 미리 예측하면 적절한 조치를 미리 취할 수 있기 때문에 불필요한 유지보수 비용을 줄일 수 있고 신뢰성을 높일 수 있다.

실시간 감시를 하기 위해 디지털 트윈과 사이버 물리 시스템과 마찬가지로 PHM에서도 센서와 IoT가 중요하다. 그리고 인공 지능 그 중에서도 특히 머신러닝이 예측에 사용될 수 있다.

PHM은 1980년도 영국 민간항공국(CAA)에서 항공기 보다 30배 높았던 헬리콥터의 사고율을 줄이는 것을 목표로 연구가 시작되었다. CAA는 헬리콥터의 건전성을 관찰하는 HUMS (Health & Usage Monitoring System)을 개발하여 이를 실제 헬리콥터에 적용한 결과, 사고율이 50% 줄어드는 성과를 내었다.

이상으로 9가지 용어의 정의를 살펴보았으며, 조사한 내용을 아래에 그림과 설명으로 서술하였다.

< CAE와 인공 지능>


  • 시뮬레이션은 실제 세계에 있는 대상을 가상 세계로 가지고 와서 모의 실험을 하는 것이다.
  • 실제 세계의 대상을 가상 세계로 가지고 오는 방법은 모델을 만드는 것이다.
  • 따라서 실제 세계와 가상 세계를 나누는 기준은 모델이다.  CAE 관점에서 본 가상 세계가 디지털 트윈이다.
  • 디지털 트윈에는 3단계가 있다.
  • 현재의 CAE는 대부분 입력을 오프라인으로 받고 있으므로 1 단계로 볼 수 있다.
  • 2 단계는 1단계와 같이 계산 집약적인 CAE 모델을 사용하지만, IoT를 통해 입력을 온라인으로 받는 단계다.
  • 3 단계는 모델 결과로부터 예측을 하는 단계다.
  • 예측은 머신러닝을 사용하여 이루어 진다. 머신러닝은 인공 지능의 한 분야다.
  • 머신러닝은 써로게이트 모델과 마찬가지로 주어진 입력과 출력 데이터의 상관 관계를 분석하여 예측한다.  머신러닝을 계속해서 학습시키려면 새로운 데이터가 제공되어야 한다.
  • CAE는 머신러닝을 학습시키는 데이터 셋(set)을 제공하는 데 활용될 수 있다.
  • 사이버 물리 시스템(CPS)은 디지털 트윈이 예측한 결과를 실제 세계에 적용하는 역할을 한다.
  • 예를 들어 기계나 플랜트의 이상 상황을 감지하고 고장을 예측하는 것(PHM)은 디지털 트윈이 담당하고, 예측된 내용을 기반으로 문제가 발생하지 않기 위해 속도를 줄이거나 정지시키는 일은 사이버 물리 시스템이 담당한다.

지금까지 살펴본 내용으로 볼 때 앞으로 CAE는 사고와 고장을 예방하고 사용자와 기계의 안전을 보장하는 역할을 담당하는데 중요성이 커질 것이다. 미래의 CAE는 인공 지능의 한 부분에 포함될 것이다. 인공 지능을 통한 예측의 실행 단계에서는 빠른 반응 속도가 필요하기 때문에 모델의 모델 즉, 써로게이트 모델을 사용하게 될 가능성이 높다. 이 때, 예측의 정확도를 높이려면 머신러닝을 지속적인 학습을 통해 모델을 성장시켜야 한다. 이를 위해서는 정확도가 높은 CAE를 이용하여 신뢰할 수 있는 데이터가 제공되어야 한다.

다시 한번 강조하지만, CAE는 결국 인공 지능 속으로 들어갈 것이다. 하지만, CAE는 데이터 제공자로서 인공 지능을 성장시키는 중요한 역할을 맡아 인공 지능 속에 계속해서 살아 있을 것이다.


작성: 펑션베이 중국사업본부 차태로 본부장