AI-aided Engineering: 산업 혁신을 위한 공학인공지능 기술 연구
이수영(Sooyoung Lee)(중앙대학교 기계공학부 조교수)/lees at cau.ac.kr/
2024.03.28
1. 본인의 연구에 대해서 대략적인 소개를 부탁드립니다. 저는 다양한 산업 분야에서의 AI 융복합 혁신과 차세대 스마트 제조 지능화를 위한 인공지능 기술을 연구하는 중앙대학교 산업 인공지능 연구실(Industrial AI Laboratory, IAI Lab)의 연구책임자 이수영 교수입니다. 특히, 공학, 물리학, 컴퓨터 과학 등 다학제적 배경 지식에 기반한 ‘공학기반 인공지능’이라는 분야를 개척해온 1세대 전공자로써, 이를 바탕으로 엔지니어링 프로세스를 재정의하여 더 똑똑하고 지속가능한 기술로 만들고자 노력하고 있습니다. 저희 연구실의 주요 연구주제로는 물리기반 인공지능과 디지털 트윈 기술 연구, 공학적 생성형 인공지능 기술 연구, 인지·계측·모니터링을 아우르는 시스템 인텔리전스(System intelligence) 기술 연구 등이 있습니다. 2.“물리기반 인공지능(Physics-guided AI)과 디지털 트윈 기술” 연구를 진행하신 걸로 압니다. 해당 연구에 대한 소개를 부탁드립니다. 우리 연구팀은 복잡한 기계 및 엔지니어링 시스템을 미리 이해하고 실시간으로 상호작용 할 수 있는 물리기반 인공지능 융합의 디지털 트윈 기술 연구를 수행하고 있습니다. 해당 기술은 실제 시스템이 존재하지 않거나 가동하지 않더라도 현상을 사전에 탐색할 수 있게 함으로써, 설계부터 제조에 이르기까지 산업 과정 전반에서의 비용을 대폭 줄일 수 있는 잠재력을 가지고 있습니다. 그러나, 실제 세계를 정확히 모델링하기에는 한계가 있어 연구 초기에는 데이터 기반 방법론들이 많이 시도되어 왔지만, 우리 연구팀은 그간 다양한 산업 인공지능 연구를 통해 단순 데이터 기반의 AI 기술만을 활용하여 만족할 만한 성능을 얻는 데 많은 제약이 있음을 확인했습니다. 이러한 한계를 극복하기 위해 시스템을 지배하는 현상에 대한 물리적 지식을 AI 모델의 학습 과정에 주입하여 예측의 물리적 정합성과 신뢰도를 획기적으로 높인 기술을 개발하고 있습니다. 가령, 저희가 개발한 물리지식 기반 음향 디지털 트윈 기술은 AI 신경망에 소리가 퍼지고 반사되는 물리적 이론을 주입하여, 어떠한 환경적 돌발상황이나 변수가 생기더라도 매우 정확한 분석 및 예측을 수행할 수 있습니다. 경험적 지식에 의존하는 통상적인 데이터 기반 방법론에서 나아가, 파동이 물리적으로 만족해야 하는 규제를 함께 학습하였기 때문에 사전에 본 적 없는 외삽(Extrapolation)의 경우에도 정확한 성능을 얻을 수 있음을 확인하였습니다. 이를 활용하여 자동차·가전기기에서부터 건물·다리 등의 구조물에 이르기까지 다양한 시스템의 설계, 상태 모니터링 및 유지/보수를 위한 실시간 가상해석에 응용될 것으로 기대되고 있으며, 실제 LG전자 등 산업체의 기술 자문을 수행한 바 있습니다. 3. 메커니즘 모방 인공신경망(Mechanism-inspired neural networks)” 연구를 진행하신 걸로 아는데, 해당 연구에 대한 소개 및 활용 가능성에 대해 말씀 부탁드립니다. 우리 연구팀은 공학·역학적 메커니즘을 모방한 새로운 심층신경망 구조를 통해 시스템의 특성을 정확하게 해석하기 새로운 방법론을 제시하였습니다. 특히, 자연계에 존재하지 않는 메타물질의 특성을 실시간으로 해석하기 위한 방법을 개발한 바 있습니다. 해당 연구에서는 흡음을 위한 메타포러스(Metaporous) 물질에 집중하였는데, 간단히 말씀드리면 이는 균질적 레이어에 특정 구조들이 삽입되어 Local resonance 및 Global resonance 같은 다양한 공명 현상을 바탕으로 흡음 성능이 획기적으로 개선될 수 있는 물질을 의미합니다. 이러한 물질에 내재된 복합적 물리 현상을 분석하기 쉽지 않기 때문에 데이터 기반 접근법을 채택하는 한편, 물질의 공명 현상들을 모방하여 모델의 성능을 높이는 새로운 아키텍처를 제안하였습니다. 그림2에 보시는 바와 같이, Local resonance-aware layer는 메타포러스 내부 구조에서 발생하는 공명의 기능적 특성과 의미론적 특성을 추출하기 위한 Attention aggregation 기반 모듈이며, Global resonance-aware layer는 파동 전파되는 방향과 주기 구조들이 배치되는 방향에 대한 상호작용 특성을 추출하는 역할을 담당합니다. 제안한 모델은 일반적인 이미지 인식 분야의 SOTA(State-of-the-art) 모델과 비교해도 월등한 결과를 보여주었으며, 이는 공학적 메커니즘을 모방한 신경망 설계의 우수성과 차별성을 입증한다고 볼 수 있습니다. 우리 연구팀은 더 나아가 메커니즘 모방 심층신경망의 해석가능성(Interpretability)에서도 잠재성을 확인하였습니다. 제안한 심층신경망 구조는 메타물질의 복잡한 공명 현상에서 유도되었기 때문에, 이를 잘 반영하였다면 모델의 예측 결과가 물리적 현상과 Align 되어있을 수 있다고 생각하였습니다. 이에 네트워크 내부 학습된 파라미터의 가중치 기반 영향도 분석을 위한 설명가능 인공지능(Explainable AI) 방법을 제안하였고, 해당 결과를 통해 모델이 메타물질 특성 예측을 위해 중요하게 보는 영향도가 물리적 정합성을 갖추고 있음을 확인했습니다. 이는 물리적 정합성과 설명가능 인공지능을 결합한 세계 최초의 연구로, 실제로 시뮬레이션을 수행하지 않아도 시스템의 특정 응답이 어떤 이유에서 기인했는지 가상으로 설명할 수 있는 해석 가능성을 제시할 수 있음을 의미합니다. 해당 연구를 확장하여 새로운 공학시스템 개발 가속화를 위한 생성형 AI 기반 설계 추천 기술 연구를 수행하고 있습니다. 최근 많은 주목을 받고 있는 생성형 AI 기술은 자연어 처리 및 이미지 생성에 있어 많은 발전을 이루고 있으나, 공학적/역학적 성능이 직접적으로 결합된 생성형 AI 기술은 앞으로 많은 연구개발이 필요한 실정입니다. 우리 연구팀은 개발한 물리기반 인공지능 및 메커니즘 모방 신경망 모델을 생성형 모델에 결합하여 ‘공학적 생성형 AI’라는 프레임워크 구축을 수행하고 있으며, 이를 바탕으로 AI 모델이 생성한 결과물에 대한 공학적 신뢰도(Fidelity)를 획기적으로 개선하여 결과물의 유효성 측면에서 불확실성을 해소할 수 있을 것으로 기대하고 있습니다. 4. AI기반 공학시스템의 인지 및 모니터링 실현 연구를 진행하신걸로 압니다. 해당 연구에 대한 소개와 다양한 분야에서 어떻게 적용되고 있는지 설명 부탁드립니다. AI기반 공학시스템의 인지 및 모니터링 실현 연구는 시스템의 설계, 운영 및 유지관리 등 다양한 측면에서 아주 중요한 분야라고 생각합니다. 우리 연구팀은 AI 기술을 바탕으로 실제 산업에서 활용될 수 있는 AI기반 초해상도 센서 시스템 연구를 중점적으로 수행해왔습니다. 먼저 공정 설비의 가스 누출 등 시스템의 이상 위치 탐지를 위한 AI기반 초해상도 위치 시각화 기술을 개발하였습니다. 이는 단순히 말하면 ‘들리는’ 소리의 위치를 ‘볼 수 있는’ 시각 정보로 변환해주는 기술을 말하는데, 소리에는 많은 정보가 담겨있지만 계측을 통해 위치를 탐지할 때에 많은 물리적 한계가 존재합니다. 가령, 센서 시스템의 크기가 파장 만큼 크지 않다면 해상도 한계로 인해 정밀한 위치 탐지가 불가능한 반면, 센서 간 간격은 1/2 파장보다 짧아야 왜곡된 결과를 초래하지 않습니다. 우리 연구팀은 이러한 시스템의 하드웨어 적인 제약을 극복하기 위한 AI기반 초해상도 센서 시스템을 개발하였고, 이는 계측 시스템이 지닌 물리적 한계 극복과 동시에 적은 비용으로도 성능을 획기적으로 개선할 수 있어 시스템의 초소형화 잠재성을 보유하고 있습니다. 해당 연구를 바탕으로 스마트팩토리, 보안, 국방, 바이오, AR/VR 등 다수의 후속 연구 분야를 창출하였으며, 그 예로 실시간 및 고정밀의 AI 기반 비침습 3차원 단층 이미징 기술을 개발한 바 있습니다. Bruel & Kjær, LG AI Research, 한국표준과학연구원, 소방청 등 국내/외 기업체 및 연구소와의 유관 협업을 지속해오고 있으며, 해당 연구의 우수성을 바탕으로 감사하게도 ‘대한민국 올해의 10대 기계기술 선정’ 및 관련 특허의 기술 이전을 체결하는 성과를 얻게 되었습니다. 5. 현재 가장 관심을 가지고 계시거나 새롭게 진행 중인 연구들에 대해 소개해주십시오. 현재 제가 관심을 가지고 새롭게 진행하고 있는 연구 분야는 보다 복잡하고 일반화된 공학 및 기계 시스템의 가상 해석을 가속화하기 위한 AI 기반 ‘거대 물리 모델(Large physics model)’ 구축 연구입니다. 현재는 공학 도메인의 특정 문제마다의 단편화 된 모델을 구축하는 방식이기에 확장성 및 일반화성이 제약이 있어 다목적 뉴럴엔진(Versatile neural engine) 구축을 위한 연구가 필요한 실정입니다. SK하이닉스 미래기술연구원에서 체득한 관련 분야의 연구경험 및 기술적 도전과제에 대한 이해를 바탕으로 첨단 제조 공정 설계의 지능화 및 자율화를 위한 다중 물리-AI 융합 방법론 연구를 수행하고 있습니다. 물리정보신경망 기반 대규모 AI 디지털 트윈 구축과 더불어 원하는 타겟 스펙에 맞는 공정 시퀀스 및 조건 추천을 위한 공학적 생성형 AI 프레임워크를 구축하고 있으며, 이를 실제 평가에 기반한 기술 고도화 연구를 지속해서 수행할 계획입니다. 6. 현재 운영 중인 중앙대학교 IAI Lab에 대한 소개를 부탁드립니다. 중앙대학교 기계공학부 산업 인공지능 연구실(Industrial AI Laboratory, IAI Lab)은 “Engineering Meets AI, Towards Seamless Industrial AI” 라는 목표 아래 공학과 인공지능의 융복합 원천 기술과 산업적 응용 고도화 기술 연구를 수행하는 연구실입니다. 첨단 공정의 최적화에서부터 새로운 구조/물질 설계 및 시스템 자동화까지 AI를 활용하여 산업의 효율성을 극대화하고 지속 가능한 발전을 추구하는 것을 목표로 하고 있습니다. 올해 3월에 시작한 신생 연구실로, 앞으로의 가능성이 기대되는 연구실이라고 할 수 있습니다. 현재 우리 연구실에서 관련 연구 분야 핵심 연구자로 성장하고자 하는 꿈을 가진 석박사과정 학생들을 모집하고 있으며, 총 34명의 학부생과 ‘공학인공지능 연구회(AI4Eng Academic Club)’를 통해 공학인공지능 분야의 잠재력과 가능성에 대한 기회를 창출해나가고 있습니다. 7. 많은 분들과 같이 연구를 진행해 오셨는데, 그 동안 영향을 받은 연구자가 많으실 것 같습니다. 어떤 연구자 분들의 어떤 영향을 받으셨는지 궁금합니다. 가장 많은 영향을 받은 연구자는 제 지도교수님이신 한국과학기술원 이승철 교수님입니다. 제 학문적 여정에 있어 항상 저를 믿어주시고, 연구에 대한 아낌없는 지도와 지원을 해주신 덕에 연구의 깊이와 넓이 모두에서 큰 성장을 이룰 수 있었다고 생각합니다. 이승철 교수님의 연구실 초창기 멤버로서 함께 새로운 연구에 도전하고 많은 성과들을 이뤄내며 독립적인 연구자가 되기 위한 값진 경험을 많이 얻을 수 있었습니다. 이를 바탕으로 저 또한 새로운 기술 발전과 공유에 기여하며 후배 연구자들에게 지도와 영감을 줄 수 있는 멘토로 성장하고 싶습니다. 8. 이 분야로 진학(사업)하려는 후배들에게 조언해 주신다면? - 이 분야에 관심을 가지는 후배들에게 조언한다면, 먼저 시대의 흐름을 이해하고 그 안에서 자신의 강점을 찾아야한다고 말하고 싶습니다. 과거에는 각 학문 영역이 비교적 명확하게 구분되었으나, 현재는 다양한 분야의 지식과 기술이 서로 얽히면서 새로운 가치를 창출하고 있습니다. 이러한 변화는 특히 인공지능 분야에서 두드러지게 나타나고 있는데, 공학과 인공지능의 융복합이 산학연을 막론하고 큰 이점이 될 수 있음을 말씀드리고 싶습니다. 이를 위해 단순히 한 분야의 지식에 국한되지 말고, 다양한 분야에 대해 폭넓은 지식을 습득하기를 권하고 싶습니다. 또한, 이론적 지식 뿐만 아니라 프로젝트 경험을 통해 실제적 문제에 대한 깊은 고찰을 해보시는 것을 추천합니다. *이수영 교수님의 최근(대표) 논문을 적어 주세요.(5개 이하) - Lee S., Park C. -S., Park K., Lee H. J., Lee S., A Physics-informed and data-driven deep learning approach for wave propagation and its scattering characteristics, Engineering with Computers 39(4), 2609-2625, 2023 - Lee S., Lee J., Lee J. S., Lee S., Deep learning-based prediction and interpretability of physical phenomena for metaporous materials, Materials Today Physics 30, 100946, 2023 - *Choi S., *Yang J., *Lee S., Kim J., Lee J. Kim W. J., Lee S., Kim C., Deep learning enhances multiparametric dynamic volumetric photoacoustic computed tomography in vivo (DL?PACT), Advanced Science 10(1), 2202089, 2023 - Lee S., Chang J., Lee S., Deep learning-based method for multiple sound source localization with high resolution and accuracy, Mechanical Systems and Signal Processing 161, 107959, 2021 - Lee S., Byeon S., Kim H. S., Jin H., Lee S., Deep learning-based phase prediction of high-entropy alloys: Optimization, generation, and explanation, Materials & Design 197, 109260, 2021 |
- AI-aided Engineering
- Physics-guided AI
- Engineering-AI Integration
- Smart Design and Manufacturing
- Industrial AI
전체댓글 0