MERRIC인
조회수 4357 좋아요 5 댓글 0
인공지능 기반 적층성형 공정 및 설계 기법 개발
김남중 교수(가천대학교 기계공학과)/namjungk at gachon.ac.kr/

최근 빠르게 발전하고 있는 인공지능 기술은 자동차, 로봇, 그리고 전통적인 기계 시스템의 설계까지 다양한 분야에 큰 영향을 끼치고 있습니다.

이번 서면 인터뷰에서 만나 보실 김남중 교수(가천대학교 기계공학전공)는 기계적 메타물질의 장점을 극대화할 수 있는 인공지능 기반 설계법에 관한 연구를 진행하고 있습니다. 또한, 인공지능 기술을 활용한 전통적 수치해석 기법의 효율화, 자연모사 구조체를 활용한 기계적 메타물질 설계법, 불확실성 정량화를 통한 시뮬레이션 기술의 고도화에 대하여 자세한 이야기해보도록 하겠습니다.


1. 현재 교수님께서 하고 계시는 주요 연구에 대한 간단한 소개 부탁드립니다.

저희 인공지능 기반 적층성형 공정 및 설계 연구실은 크게 세 가지 연구 주제를 가지고 있습니다. 시뮬레이션 기반 적층성형 부품 및 공정의 최적화, 인공지능 기술을 통한 설계 및 시뮬레이션 효율화, 제조 공정 및 재료 특성의 내재적 불확실성의 이해입니다.

적층성형 기술의 빠른 발전은 설계 측면에서 무한에 가까운 자유를 주었습니다. 즉 부품 설계 단계에서 특정 제조 방식의 한계로 인한 제약은 없다고도 볼 수 있습니다. 하지만 기존의 경험에 기반한 설계 방식은 이러한 적층성형의 장점을 제대로 활용하지 못하는 한계가 존재합니다. 신뢰성 있는 수치해석 기법과 최근 빠르게 발전하고 있는 인공지능 기술은 적층성형을 통하여 얻어낼 수 있는 부품 및 시스템의 특성을 폭넓게 탐색할 수 있고, 이를 통하여 기존의 설계 방식으로 얻어낼 수 없었던 새로운 특성을 가진 구조체를 설계를 도울 수 있습니다. 저희 연구실은 수치해석과 인공지능 기술에 기반한 체계적 설계 기법을 개발하고, 이를 통하여 기존의 설계 방식으로 얻어낼 수 없었던 특성을 현실화할 수 있는 구조체를 설계 및 제작하고자 합니다.





위에 기술된 설계를 위한 인공지능 기술은 모델의 복잡도가 증가함에 따라서 더 많은 수의 데이터를 요구하고 있습니다. 하지만, 실험을 통한 데이터의 확보는 그 시간과 자원의 한계로 인한 제약이 크고, 시뮬레이션의 통한 데이터의 확보도 비선형, 불연속적인 특성을 갖는 시스템의 경우 데이터의 취득에 많은 자원이 요구되는 상황입니다. 따라서 저희 연구실은 과학기계학습 기술을 통하여 기존의 유한요소해석에 기반한 특성 예측 시뮬레이션의 효율화 연구를 수행하고 있습니다. 해당 과학기계학습 방법은 기존 인공지능 기술의 데이터 의존성을 줄이고, 보다 빠르게 자연현상 및 구조체 특성 예측이 가능하도록 합니다. 이를 통하여 신뢰성 있는 데이터베이스를 구축하고, 인공지능 기술의 데이터 의존성을 줄이고자 합니다.

마지막으로 시뮬레이션을 통하여 데이터베이스를 구축하였을 경우 실험값과의 차이를 피할 수 없을 것입니다. 저희 연구실에서 연구 중인 불확실성 정량화 기법은 이러한 시뮬레이션과 실험값과의 차이를 불확실성이라 정의하고, 이를 정량적으로 파악하고, 최적·최소화하기 위한 연구를 진행 중입니다. 해당 연구는 실험에서의 불확실성의 예측 및 전파, 최소 실험을 통한 최대 성능 향상을 위한 방법론 개발, 불균일 실험 데이터의 추가로 인한 예측 모델의 성능 향상 등을 포함합니다. 이러한 요소 기술들의 결합을 통하여 저희 연구실은 적층성형을 통한 부품 및 시스템 구현 가능성을 최대한 끌어올리고자 합니다.


2. 인공지능에 기반한 기계적 메타물질 설계 및 분석과정에 대한 설명 부탁드립니다.

본 연구는 인공지능 기술을 활용하여 기계적 메타물질의 설계법을 개발하고자 합니다. 기존의 인공지능 기술을 활용한 기계적 메타물질 설계법은 설계 공간의 축소를 위한 잠재변수를 정의하고, 이를 통하여 설계 정확도나 효율성의 향상을 노렸습니다. 하지만 잠재변수 공간의 연속성이라는 가정이 성립하지 않는 경우, 유효한 설계안을 얻지 못하는 단점이 존재하였습니다. 본 연구는 픽셀이나 복셀을 기반으로 한 기계적 메타물질이 불연속적이라는 점에 착안하여 불연속적 설계 공간을 새롭게 제안하였고, 이를 기반으로 한 설계변수의 추가 축소를 유도하였습니다. 이렇게 정의된 불연속적인 설계변수 공간은 적은 데이터를 활용하여 학습할 수 있다는 점을 밝혔고, 데이터베이스에 존재하지 않은 새로운 기계적 메타물질의 설계에 효과적임을 보였습니다. 추가로, 해당 알고리즘은 원하는 기계적 특성을 갖는 기계적 메타물질의 역설계에도 우수함을 보였습니다.





본 연구의 후속 연구에서는 인공지능 기술을 활용하여 삼차원 그래프 기반 기계적 메타물질의 설계 알고리즘을 제안하였습니다. 해당 알고리즘은 잠재변수 공간의 특성을 이용하여 손쉽게 기계적 메타물질을 생성할 수 있었고, 데이터베이스 내·외부 데이터를 예측하는 내·외삽 설계 문제에 대해서도 좋은 결과를 보여주었습니다.


3. 과학기계학습을 활용한 유한요소해석 시뮬레이션의 효율화 방법이 무엇인지 궁금합니다.

 

최근 전통적인 수치해석 방법을 인공지능 기술로 대체하려는 연구가 활발히 진행되고 있습니다. 예를 들어, Physics-Informed Neural Network (PINN) 방법은 편미분 방정식의 지식을 손실함수에 포함시켜 인공지능 기술의 데이터 의존성을 낮추었고, 연산자 학습 방법은 입출력 데이터 간의 관계 학습을 통하여 여러 인스턴스에 대한 예측을 가능하게 하였습니다. 이에 본 연구에서는 고해상도 수치해석이 가능한 Spectral Methods 기반 연산자 알고리즘을 개발하였습니다.





해당 알고리즘은 수치해석 기법의 이론적 바탕 위에 인공지능 기술을 더함으로써 시뮬레이션의 효율화를 이룰 수 있었습니다. 이를 통하여 구현한 알고리즘을 Burger’s equation, Convection-Diffusion equation을 포함한 기본적인 미분방정식 데이터와 이차원 시계열 데이터인 Kuramoto-Sivashinsky equation과 Navier-Stokes equation에 적용하여 유효성을 검증하였습니다. 추가로, 경계면에서의 급격한 변화를 포함하는 경계층 문제에서도 정확한 예측이 가능하다는 것을 입증하였습니다. 저희는 본 연구를 기계적 메타물질 변형 거동을 포함한 다양한 공학적·자연과학적 문제 해결에 적용하고자 합니다.


4. 자연모사 기법을 활용한 격자구조 제작 방법론 도출 과정에서 제올라이트의 분자적 특성을 활용한 연구를 수행하셨는데 자세한 설명 부탁드립니다.

여러 가지 기계적 메타물질 설계 방법론 중 자연모사 방법을 빼놓을 수 없습니다. 자연모사 설계법은 자연계에 존재하는 구조에서 영감을 얻어 공학적 문제를 해결하는 방법입니다. 본 연구는 자연계에 존재하는 제올라이트라는 소재의 결정 형상을 격자구조로 활용하는 방법론을 개발하고자 합니다. 제올라이트는 Si와 O로 이루어진 다공성 구조체로서, 이론적으로 알려진 제올라이트 구조는 약 59만 종이지만 실제 합성에 성공하여 사용 중인 제올라이트는 약 230종으로 파악됩니다. 본 연구는 제올라이트의 다공성이라는 특성이 격자구조의 다공성 특성과 유사하다는 점에 착안하여 제올라이트를 기계적 메타물질로 활용하고자 합니다. 실제 활용되고 있는 제올라이트의 구조가 극히 제한적이라는 측면도 큰 매력으로 생각되었습니다. 하지만 분자수준에서의 제올라이트의 기계적 특성이 적층성형을 통하여 격자구조로 만들어졌을 때 동일한 특성을 가지고 있는가에 대한 추가적인 연구가 필요하였고, 지속된 연구를 통하여 제올라이트의 기계적 특성이 스케일에 관계없이 유사하다라는 결과를 얻어내었습니다.





이 결과를 바탕으로 분자 수준의 제올라이트의 기계적 특성을 지배하는 화학적, 물리적, 형상적 특성 변수가 제올라이트 기반 기계적 메타물질의 설계변수로 활용될 수 있을 것으로 생각됩낟. 나아가 제올라이트가 아닌 다른 물질의 분자구조도 기계적 메타물질의 구조로 활용될 수 있을 것이란 기대를 가지고 있습니다.


5. 연구 진행 중 어려운 점이 있었다면 어떤 점이었으며, 어떻게 해결해 오셨는지 알려주세요.

인공지능 알고리즘의 학습 후 얻어지는 결과에 대한 물리적 해석 부분이 쉽지 않습니다. 인공지능 기술을 활용하여 일상생활에 활용되는 부품이나 시스템을 설계하고, 제조하려면 결과에 대한 확신을 얻어야 하는데, 이러한 확신을 얻기 위해서는 설계 과정에 대한 이해가 필요합니다. 하지만 대다수의 인공지능 알고리즘은 학습 과정에 대한 이해가 힘들기 때문에 현재 결과 혹은 예측값에 대한 신뢰도도 낮을 수 밖에 없습니다. 이를 극복하기 위해서는 인공지능 기술의 물리적인 의미를 이해하는 과정이 필수적인데, 이에 대한 고민이 큽니다. 물리적으로 해석 가능한 단순한 경우에 대한 기초 연구를 수행하여 인공지능 알고리즘의 이해를 높이고, 이를 고도화하는 방법으로 분석을 진행하고 있습니다.


6. 이런 연구에 힘입어 앞으로 연구 계획 중인 연구나 또 다른 목표가 있으신지 궁금합니다.

지금까지의 연구 결과를 바탕으로 저는 인공지능 기술의 예측 불확실성을 정량적으로 분석할 방법을 고민하고 있습니다. 또한, 시뮬레이션 데이터와 실험데이터 두 가지가 공존하고 있을 때 인공지능 기술의 신뢰성 최대화, 실시간 데이터의 활용, 극한 상황에 대한 예측 기술 고도화 등을 연구를 진행하고 있습니다. 이를 통하여 저는 실험 및 시뮬레이션 결과 모두를 활용하여 인공지능 기반 설계 및 특성 예측 결과의 불확실성을 파악하고, 신뢰성을 극대화하고자 하는 연구 목표를 가지고 있습니다.


7. 앞으로 관련 분야를 공부하는 후학(대학원생들)에게 이 분야의 연구에 대한 비전을 제시해 주신다면.

지금까지의 설계 기술은 전통적 생산 기법을 고려하여 설계자의 경험에 의존하여 진행되어왔습니다. 하지만 적층성형 기술의 발전으로 지금까지의 부품과는 전혀 다른 형태와 소재의 부품을 설계할 가능성이 열렸습니다. 이러한 가능성을 극대화하려면 경험에 기반한 설계 기술이 아닌 체계화된 설계 기술이 필요하리라 생각합니다, 또한, 지금까지의 반복을 통한 설계 최적화 과정은 발전된 특성 예측 시뮬레이션 기술과 인공지능 기술의 결합으로 빠르게 변화되리라 생각합니다. 이러한 혁신적인 설계 및 생산과정의 변화를 위해서는 신뢰성 있는 수치해석 기법의 발전과 생성형 인공지능 기술 발전이 선행되어야 하고, 아직 이와 관련된 많은 추가 연구가 필요하다고 생각합니다.








  • mechanical metamaterials
  • design for additive manufacturing
  • artificial intelligence
  • uncertainty quantification
  • scientific machine learning
인쇄 Facebook Twitter 스크랩

  전체댓글 0

[로그인]

댓글 입력란
사용자 프로필 이미지
0/500자