본문 바로 가기

로고

국내 최대 기계 및 로봇 연구정보
통합검색 화살표
  • 시편절단기 EVO 500
  • 신진연구자 인터뷰

    신진연구자 인터뷰는 기계공학과 건설공학 분야의 젊은 연구자들의 연구성과를 알리고자 기획되었습니다.
    대상은 박사과정 이상 40세 미만의 연구자로 뚜렷한 연구성과가 있으면 언제든 참여 가능합니다.
    또한 주변에 추천할 만한 연구자가 있으면 추천을 부탁드립니다. (ariass@naver.com)

    • 배상준(Sangjune Bae)
      머신 러닝을 이용한 불확실성 및 신뢰성 해석에 관한 연구
      배상준(Sangjune Bae)(삼성전자)
      이메일:sjune.bae at ufl.edu
      849 0 0
    1. 본인의 연구에 대해서 소개를 부탁 드립니다.

    최근 몇 년 간 이슈가 되고 있는 Machine learning은 크게 Supervised learning, unsupervised learning, reinforcement learning으로 나눌 수 있습니다. 그 중에서도 데이터의 종류 (label)를 알고 있는 경우의 supervised learning은 데이터를 이용해서 원하는 대상의 거동을 예측하는데 사용하는데요, 대표적으로는 Neural network, Bayesian network, 그리고 제가 연구한 Gaussian process (GP) 등이 있습니다. 사실 저희 분야에서는 꽤 오래 전부터 Supervised learning을 surrogate model (대리모델) 이란 이름으로 사용하고 있었습니다. Machine learning이 컴퓨터공학 분야에서 체계화되면서 분류가 생겼고, 대리 모델도 그 중 하나의 가지에 속하게 되었습니다.

    간단하게 말하면 대리 모델이란 데이터를 얻기에 많은 비용이 들거나 원하는 결과를 얻을 수 없는 경우, 한정된 데이터를 바탕으로 모델의 거동을 예측 하는 것입니다. 우리가 흔히 알고 있는 회귀분석 (regression)이나 보간(interpolation), 외삽(extrapolation) 등이 여기에 해당합니다. 제 연구 분야에서는 그 중 GP를 사용했는데, 이는 베이지안 접근법을 이용하여 데이터의 상관 관계를 거리에 따른 가중 평균으로 나타내는 방법입니다 [1,2]. 예를 들어 ‘a라는 점에서의 함수 값이 f(a)라고 한다면, a 주변의 함수 값도 f(a)와 비슷하지만, a라는 점에서 멀어질수록 f(a)와는 관계가 없어질 것’ 이죠.

    기계 설계 분야에서는 대리 모델의 이용이 필수적입니다. 특히 설계 분야는 값 비싼 실험이나 시뮬레이션을 요구하는 경우가 많기 때문에 한정된 리소스를 바탕으로 모델의 예측 가능성을 높이는 것이 중요합니다.
    이와 관련한 제 연구 주제는 GP를 이용한 예측의 불확실성 정량화 및 감소 방안입니다. 정확한 예측을 위해서는 데이터의 신뢰성, 모델의 추세, 모델의 오차, 모델 파라미터 등을 정확하게 파악하는 것이 중요합니다. 따라서 제 연구는 GP를 사용할 때 발생하는 여러 에러와 불확실성의 원인을 분석하여 모델을 용도에 맞게 조정하는데 초점을 맞췄습니다. 가장 최근 연구 주제로는 GP를 신뢰성 평가에 사용할 때 발생하는 불확실성에 관한 연구인데요, 신뢰성 평가란 설계의 안전성을 수치화 한 것으로서, 입력 변수들의 불확실성을 고려하여 설계의 실패 확률을 구하는 방법입니다. 이 때 실패 확률을 구하기 위한 임계 함수 (limit state function)의 거동을 알아야 하는데, 샘플이 한정될 경우 샘플의 위치가 GP의 예측 불확실성에 큰 영향을 미치기 때문에, 신뢰성 평가를 위한 샘플의 최적 배치 법에 대한 연구를 진행하였습니다 [3,4].





    2. 신뢰성 기반 최적설계(RBDO: Reliability-Based Design Optimization)를 바탕으로 한 연구를 하고 계신 걸로 압니다. RBDO에 대해서 자세한 설명과 실제 현장에서의 어떻게 적용 되는지 궁금합니다.

    - 최적설계 (DDO: deterministic design optimization)란 제약 조건 하에서 목적함수를 최소(최대)화 하는 최적 설계 점을 찾는 방법을 말합니다. 그러나 기존 최적설계는 최적 설계 점을 찾는다 하더라도, 입력 변수 (재료의 물성치, 제작 공차 등)나 제약 조건(필요 성능 등) 의 불확실성으로 인해 원하는 조건을 만족하지 못하는 경우가 발생합니다. 따라서 불확실성을 고려할 필요가 생겼고, 이에 기존 최적설계 방법을 발전시킨 것이 신뢰성 기반 최적설계 (RBDO)입니다. RBDO는 산업 현장에서 기존에 사용하던 안전 계수를 대체하기 위해 발전되었습니다. 안전 계수는 최적 점을 이용한 설계를 좀 더 안전하게 만들기 위해 최적설계의 결과에 일정 상수를 곱하여 설계하는 것을 말합니다. 이 경우 불확실성이 얼마인지 모르기 때문에 안전 계수가 작으면 기계적인 고장이 발생하게 되고, 반대로 안전 계수가 너무 크면 효율적이지 못한 설계가 됩니다.

    RBDO는 불확실성을 고려하여 기존 최적설계의 제약 조건을 결정론적(deterministic) 조건에서 확률론적(probabilistic) 조건으로 변경시켰습니다. 아래 그림 2가 DDO와 RBDO의 차이를 잘 보여주고 있습니다 [5]. 알고리즘 특성상 RBDO는 매 iteration 마다 제약 조건을 위반할 확률을 구해야 하므로 최적화 문제와 신뢰성 평가 문제를 동시에 푸는 double-loop 방법이 일반적입니다. 하지만 신뢰성 평가는 해석해(analytical solution)이 없는 다중 적분 문제로 계산 용량이 무척 커서 이를 줄일 수 있는 대안에 대한 연구가 계속 되었으며, 그 결과 가장 제약조건을 위반할 확률이 높은 점 (MPP: Most probable point)에서 제약 조건을 선형으로 가정하여 해석적으로 신뢰성을 평가하는 FORM (First Order Reliability Method)을 이용한 방법에서부터 다양한 이론적인 방법들이 개발되었습니다. 또한 MPP를 찾는 방법 자체가 또 다른 최적화 설계 문제로, 이에 대한 연구도 많이 진행되었습니다. 대표적으로는 RIA (Reliability Index Approach)와 PMA (Performance Measure Approach)가 있습니다.



    실제 현장에서는 기계 설계를 요소(component)부터 체계(system)까지 고려한 설계를 필요로 하고 있고, 따라서 RBDO 내에서 각 요소간의 상호 작용(interaction)이나 다 학제(multi-disciplinary) 혹은 멀티스케일(multi-scale) 해석을 고려하기 위해서는 고성능 컴퓨팅이 필수적입니다.


    3. 작년12월에 Florida 대학을 졸업하고, 삼성전자에 들어오신 걸로 알고 있습니다. 대학시절과 대기업에서 일하면서 여러가지 차이가 있을 거 같습니다. 어떠신지.. 그리고 일하시는 곳의 분위기를 알려주신다면?

    - 아무래도 학교보다 사람들과의 교류가 훨씬 많다 보니 활동적입니다. 일의 템포가 매우 빠르고, 덩달아 시간도 굉장히 빨리 지나갑니다. 학교와 회사가 가장 다른 점이라고 한다면, 회사에서는 내가 궁금한 것 보다 상대방이 궁금해 하는 것을 먼저 생각해야 한다는 겁니다. 학교에서는 내가 정한 연구 주제를 궁금한 방향으로 풀어가면서 심도 있는 연구를 진행하지만, 회사에서는 연구원 입장에서 고객 (다른 부서)에게 언제나 먼저 답을 제공하는 것이 우선되어야 합니다. 다행히 저는 운이 좋아 훌륭한 팀원들을 만났고, 회의 때 마다 발전적인 피드백을 주고 받으면서 일을 배우고 있습니다. 학교와 달리 어떤 사안에 대해 직접 결론까지 내고 의사 결정이 제품에 적용되는 것을 보고 있으면 굉장히 뿌듯합니다. 저도 진로 고민을 무척 많이 했습니다만, 회사에서 3년 정도 근무를 하고 박사를 마친 후 다시 회사로 돌아온 입장에서 아직 후회는 없습니다.



    4. 이 분야의 최근 연구동향에 대해서 소개를 부탁드립니다. (연구의 방향이나 해결해야 하는 문제점, 국내외 연구의 차이 등등)

    - 불확실성 연구의 가장 큰 문제점은 불확실한 것이 무엇인지 모른다는 것입니다 (unknown unknowns). 가령 자동차를 만들 때, 엔진의 진동에 의한 구조적 데미지를 방지하기 위해 Chassis를 두껍게 만들어도 실제 자동차에서는 그 이외의 가진원들이 더 많이 작용하게 되어 엔진의 진동을 고려하여 설계한 Chassis의 두께가 충분치 않을 수 있습니다. 불확실성 연구가 기존의 안전 계수를 좀 더 정량적으로 평가하기 위해 나왔지만, 이런 문제점으로 인해 산업 현장에서는 아직 안전 계수가 많이 사용되고 있는 실정입니다.

    - 이와 별개로 Gaussian process를 이용한 연구는 여전히 활발합니다. 실험과 시뮬레이션을 동시에 고려한 모델 (multi-fidelity surrogate)을 이용하여 불확실성 요인에 대해 평가하는 연구도 많이 발표되고 있고, RBDO의 개선안에 대한 연구도 활발하게 이루어지고 있습니다. 최근에는 GP를 시간 domain으로 옮겨 초기 상태의 불확실성이 시간에 따라 어떻게 변하는가에 대한 연구도 진행되고 있습니다.


    5. 여러 연구자와 연구를 같이 진행하셨는데 공동연구자들에 대해 소개 부탁 드립니다.

    - 저는 박사 과정과 post-doc 기간 동안 University of Florida에서 지도교수이신 김남호 교수님 외에도 Dr. Haftka, Dr. Balachandar, 그리고 Dr. Jackson과 같은 분들과 연구 혹은 프로젝트를 진행했습니다. 김남호 교수님의 연구 분야는 design under uncertainty, structural health monitoring을 포함하여 매우 다양합니다. 1:1로 진행하는 weekly meeting 때마다 날카로운 review를 주셔서 박사 과정 동안 제 연구 방향을 잡아주셨습니다. Dr. Haftka는 제 연구실 공동 지도교수님으로, 작년에 은퇴를 하셨지만 Structural Multidisciplinary Optimization 저널의 chief editor로 아직 활동 중이시며 40년 이상 design optimization 분야에 대한 연구를 진행하셨습니다. Dr. Balachandar는 CCMT (Center for compressible multiphase turbulence) 센터 장이며, 유체역학 분야의 전문가입니다. Dr. Jackson 또한 CCMT 소속으로, Dr. Bala와 함께 공동연구를 하고 있습니다.



    6. 본인이 영향을 받은 다른 연구자나 논문이 있다면?

    - 개인적으로는 제 석사 지도교수이신 Dr. Choi의 영향을 많이 받았습니다. 교수님을 통해서 처음 이 연구분야를 알게 되었고, 교수님 lab에서 출판된 논문을 많이 읽으면서 연구 방향을 잡았습니다. 이외에도 연구실 선배이신 KAIST 이익진 교수님, 목포대학교 조현규 교수님과 Caterpillar 박찬영 연구원님에게서도 많은 조언과 도움을 받았습니다.



    7. 앞으로 진행할 연구 방향이나 목표가 있으시다면?

    - 저는 사기업으로 방향을 잡았으니 저희 기업에서 필요로 하는 반도체 생산과 관련된 연구 분야를 좀 더 들여다 볼 계획입니다. 대기업이라 워낙 연구분야가 다양하고, 제 전공과 관련해서도 엮어볼 주제들이 꽤 있습니다. 학교를 떠났으니 최근 연구 트렌드에 뒤쳐질까 걱정이 있었는데, 다행히 지도교수님의 배려로 SMO 저널의 reviewer로 활동하게 되어 최근 연구에 대한 소식들도 접하고 있습니다.


    8. 다른 하시고 싶은 이야기들.

    - 이렇게 제 연구에 대해 소개할 기회를 주신 MERIC에 감사 드립니다. 앞으로 연구를 통해 우리나라 산업 발전에 기여할 수 있도록 하겠습니다.


    Reference
    [1] Mackay, D., 1998, “Introduction to Gaussian Processes,” Neural Networks Mach. Learn.
    [2] Kennedy, M. C., and O’Hagan, A., 2001, “Bayesian Calibration of Computer Models,” J. R. Stat. Soc. Ser. B (Statistical Methodol., 63(3), pp. 425?464.
    [3] Bae, S., and Kim, N. H., 2018, “An Adaptive Sampling Strategy to Minimize Uncertainty in Reliability Analysis Using Kriging Surrogate Model,” 2018 AIAA Non-Deterministic Approaches Conference.
    [4] Bae, S., and Kim, N. H., 2019, “Estimation of Uncertainty Change of Reliability in Adaptive Sampling under Prediction Uncertainty of Gaussian Process,” Proceedings of the ASME Design Engineering Technical Conference.
    [5] Choi, K. K., Gaul, N. J., Song, H., Cho, H., Lamb, D., and Gorsich, D., 2014, “Iowa Developed Reliability-Based Design Optimization (I-RBDO) -Technology Transfer,” 2014 NDIA Ground Vehicle Systems Engineering and Technology Symposium Modeling & Simulation, Testing and Validation (MSTV) Technical Session.



    * 배상준 박사의 최근(대표) 논문
    - Bae, S., Park, C., & Kim, N. H. (2019). Uncertainty quantification of reliability in Gaussian process and application to adaptive sampling. Journal of Mechanical Design (under review).
    - Bae, S., Kim, N. H., & Jang, S. G. (2019). System Reliability-Based Design Optimization Under Tradeoff Between Reduction of Sampling Uncertainty and Design Shift. Journal of Mechanical Design, 141(4), 041403.
    - Bae, S., Kim, N. H., & Jang, S. G. (2018). Reliability-based design optimization under sampling uncertainty: shifting design versus shaping uncertainty. Structural and Multidisciplinary Optimization, 57(5), 1845-1855.
    - Bae, S., Kim, N. H., Park, C., & Kim, Z. (2017). Confidence Interval of Bayesian Network and Global Sensitivity Analysis. AIAA Journal, 1-9.
    - Cho, H., Bae, S., Choi, K. K., Lamb, D., & Yang, R. J. (2014). An efficient variable screening method for effective surrogate models for reliability-based design optimization. Structural and Multidisciplinary Optimization, 50(5), 717-738.

     
    • 페이스북아이콘
    • 트위터 아이콘

    전체댓글 0

    [로그인]

    댓글 입력란
    프로필 이미지
    0/500자

    서브 사이드

    서브 우측상단1