알테어가 3월 31일부터 4월 4일까지 독일 하노버에서 개최되는 산업 기술 전시회 ‘하노버 메세 2025’에 참가해 AI, 시뮬레이션, 고성능 컴퓨팅(HPC) 기술을 결합한 혁신 설루션을 공개한다고 밝혔다. 이번 전시에서 알테어는 AI 패브릭, AI 에이전트, AI 기반 엔지니어링, 디지털 트윈 등 최신 기술을 활용해 기업의 디지털 혁신을 지원하는 방안을 발표한다. 특히 AI와 시뮬레이션을 결합해 제품 개발을 높이고 운영 효율을 극대화하는 방안을 집중적으로 소개한다. 알테어는 하노버 메세 현장에서 다양한 산업 전문가들과 함께 AI 및 자동화 기술을 주제로 네 개의 강연을 진행한다. 강연에서는 ▲‘AI 에이전트가 스마트 공장을 어떻게 변화시키는가?’ ▲‘AI 기반 엔지니어링 효율성 극대화’ ▲‘소재 혁신과 넷제로(탄소중립) 달성을 위한 전략’ ▲‘산업 환경에서의 AI 기반 이상 탐지’ 등을 주제로 최신 기술 트렌드와 실제 적용 사례를 공유한다.     이외에 글로벌 농기계 전문 기업 CNH 인더스트리얼과의 협업 사례도 공개한다. CNH 인더스트리얼의 주세페 굴로 설계 해석 엔지니어는 “알테어의 AI 기반 시뮬레이션 기술로 디지털 트윈을 구축해 제품 개발 시간을 단축하고, 검증 프로세스를 간소화하며 계산 비용을 절감했다”고 말했다. 알테어의 라비 쿤주 최고 제품 및 전략 책임자(CPSO)는 “AI와 머신러닝은 기업이 추구하는 속도, 성능, 품질, 비용 효율성을 실현하는 핵심 요소”라며, “알테어는 AI 패브릭과 AI 에이전트를 포함한 AI 기반 엔지니어링 설루션으로 스마트한 설계와 기업의 디지털 전환 가속화를 돕는다. 이를 통해 지속 가능한 미래 실현에도 기여할 것”이라고 말했다.

최적화 문제를 통찰하기 위한 심센터 히즈 (1)   이번 호부터 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 과정에 심센터 히즈(Simcenter HEEDS)를 활용하는 방법을 살펴보고자 한다. AI 모델을 학습시키기 위해서는 AI 모델이 정확한 패턴을 학습할 수 있도록 고품질의 데이터를 사용해야 한다. 이번 호에서는 심센터 히즈의 어댑티브 샘플링(Adaptive Sampling)과 SHERPA를 활용하여 양질의 데이터를 효율적으로 생성하는 과정을 살펴본다.   ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ 제7회 프로세스 자동화 Ⅱ 제8회 프로세스 자동화 Ⅲ 제9회 프로세스 자동화 Ⅳ 제10회 프로세스 자동화 Ⅴ   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR   설계 업무에서 AI를 활용하는 이유 AI는 다양한 영역에서 업무를 보조할 수 있다. 이번 연재에서는 많은 양의 데이터를 분석하여 설계 변수와 제품 성능 간의 관계에서 패턴과 트렌드를 식별하고, 데이터 기반 의사 결정을 지원하는 AI 모델을 학습시키는 것과 관련되어 있다. 잘 학습된 AI는 설계의 품질과 성능을 높이는 데 기여한다. 문제에 따라서는 기존 설계 패러다임에 도전하는 비정형적인 설계 설루션을 발견할 수 있다. 전반적으로는 설계 업무의 디지털 전환을 촉진하고, 전통적인 설계 방법의 한계를 극복하는 데 기여한다. 이는 설계의 효율성을 높이고, 혁신적인 설루션을 개발하는 데 도움을 준다.   AI 모델의 학습을 위한 데이터 AI 학습을 위해 필요한 데이터의 품질은 AI 모델의 성능과 정확성에 직접 영향을 미친다. 고품질의 데이터는 AI 모델이 정확한 패턴을 학습하고 신뢰할 수 있는 결정을 내릴 수 있도록 돕는다. 반대로, 저품질의 데이터는 모델의 성능을 떨어뜨리고 편향된 결과를 초래할 수 있다. 고품질의 데이터는 이러한 편향성을 줄이고 공정한 결과를 도출하는 데 기여한다. 데이터의 품질이 높을 수록 모델의 훈련 효율이 높아진다. 데이터가 일관성 있고 정확하면 모델이 더 빠르게 학습할 수 있다. 따라서 정확하고 일관성 있는 데이터는 모델이 올바른 결정을 내리는 데 필수이다.   시뮬레이션 데이터 생성의 자동화   그림 1   히즈는 제품 개발 프로세스에서 사용되는 다양한 설루션의 연결과 데이터 처리를 쉽게 진행할 수 있도록 자동화된 워크플로 구성환경을 제공한다. 상용 CAD 및 CAE 도구에 대한 광범위한 인터페이스를 사용하므로, 스크립트 개발이나 수동 조작 없이 많은 기술을 빠르고 쉽게 통합한다. 자동화된 워크플로에서는 서로 다른 모델링 및 시뮬레이션 간에 데이터를 자동으로 공유할 수 있다. 사용자는 프로세스의 자동화를 통해서 설계 공간 탐색을 보다 쉽고 효율적으로 수행할 수 있다. 사용자는 반복적인 업무를 벗어나 설계를 더 깊이 이해하고 성능 개선과 생산 품질 향상에 가장 적합한 조건을 선택하는 더 중요한 업무에 더욱 집중할 수 있다.    AI 학습 데이터 생성을 위한 예제 외팔보의 처짐 문제를 사용하여 데이터를 생성하고 AI 모델을 학습시키는 예제를 통해 기능을 비교해 보겠다. 외팔보의 체적을 최소화하는 최적화 문제를 다음과 같이 정의하였다. 빠른 계산을 위해 파이썬(Python)으로 계산한다.   그림 2    목적함수 외팔보 H빔의 체적을 최소화 제약 조건 최대 굽힘 응력(σ) ≤ 200 MPa • 최대 끝단 처짐(δ) ≤ 2 mm  설계 변수 Length : 5000 mm  Load P : 6500 N  E : 200 MPa  H : 50 mm ≤ H ≤ 100 mm  h1 : 5 mm ≤ h1 ≤ 30 mm  b1 : 50 mm ≤ b1 ≤ 100 mm  b2 : 5 mm ≤ b2 ≤ 50 mm  외팔보의 체적, 응력, 처짐량은 다음의 관계식으로 계산한다.  Volume = [2*h1*b1 + (H – 2*h1)*b2]*L  Stress = P*L*H/(2*I)  Deflection = P*L3/(3*E*I)  where : I = 1/12*b2*(H-2*h1)^3 + 2*[1/12*b1*h13 + b1*h1*(H-h1) 2/4]   히즈 기본 설정 파이썬 포털(Python portal)을 사용하여 예제의 입력(input)/출력(output) 파일을 등록하였다.    그림 4   전통적인 실험계획법에 의한 데이터 생성 방법 <그림 6>과 같이 4개의 설계변수를 기반으로 전통적인 실험계획법으로 데이터를 생성해보겠다. 여기서는 3 Level의 Full factorial을 사용하여 81개의 데이터가 생성된다.   그림 6   ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (19)   터보 기계는 흐르는 유체와 회전하는 요소 사이에서 에너지 전달이 일어나는 기계에 초점을 맞춘 기계공학의 한 분야이다. 이러한 장치는 많은 산업 분야에서 중추적인 역할을 한다. 이번 호에서는 터보 기계의 시뮬레이션을 위한 솔버의 선택과 설정, 후처리 및 분석, 최적화 등의 과정을 살펴본다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   로터-스테이터 인터페이스 성능을 결정하고 잠재적인 문제를 식별하는 데 필수인 터보 기계의 회전 및 고정 구성 요소 간의 상호 작용을 모델링하는 방법에는 여러 가지가 있다. 다음에 설명된 방법은 동적 영역과 정적 영역 간의 정확한 흐름 전달을 보장하기 위해 로터-회전자 인터페이스를 올바르게 모델링하는 데에 사용된다.  혼합 평면 접근법 : 이 방법은 인터페이스 전반의 유동 특성을 평균화하여 회전 영역과 고정 영역 사이의 인터페이스를 모델링하는 데 사용되는 계산적으로 효율적인 정상 상태 근사치이다. 이 방법은 이들 영역 사이의 흐름을 효과적으로 ‘혼합’하여 안정된 인터페이스 조건을 제공하므로, 로터 블레이드가 고정자 베인을 통과할 때 발생하는 실제 불안정한 현상을 해결하지 않아 시뮬레이션을 단순화한다. 도메인 스케일링 방법 : 이 불안정 기법은 도메인의 물리적 치수를 스케일링하여 로터와 고정자 사이의 상대적인 움직임을 시뮬레이션하는 것이다. 다양한 회전 속도의 효과를 모델링하거나 전체 지오메트리를 명시적으로 모델링하지 않고 정수가 아닌 블레이드 수 비율을 맞추기 위해 자주 사용된다. 이 방법은 로터/스테이터 인터페이스 전체에 동일한 메시 주기성을 적용하여 양쪽에서 일관된 흐름 특성을 보장한다. 위상 지연 방법 : 이 방법은 주기성을 가정하고 도메인의 여러 세그먼트 간에 위상 변이를 적용하여 불안정한 회전자-회전자 상호 작용을 시뮬레이션할 수 있다. 이 방법을 사용하면 전체 도메인의 불안정한 동작을 표현하면서 지오메트리의 일부를 시뮬레이션할 수 있으므로 계산 비용을 줄일 수 있다. 위상 지연 방식은 반복 패턴이나 주기적 대칭이 있는 경우에 특히 유용하다. 회전 기준 프레임(RRF) : RRF 방법은 로터와 함께 회전하는 기준 프레임에서 유동 방정식을 푸는 방식이다. 이 방법은 로터 동작의 물리적 시뮬레이션 없이도 구성 요소 회전으로 인한 흐름 효과를 시뮬레이션한다. 이 방법은 정상 및 비정상 시뮬레이션 모두에 사용할 수 있다. 정상 시뮬레이션에 사용할 경우 회전하는 부품과 정지된 부품 간의 통신을 위한 인터페이스 처리가 필요한 경우가 많으며, 이때 혼합 평면 접근법을 적용할 수 있다. 슬라이딩 메시 방법 : 이 기법은 과도 시뮬레이션에 사용되며 로터와 고정자 사이의 시간에 따라 변화하는 상호작용을 캡처할 수 있다. 로터 도메인의 메시가 고정자 도메인의 고정 메시와 관련하여 움직이거나 미끄러지므로 실제 회전 및 관련 불안정 유동 현상을 시뮬레이션할 수 있다. 다중 참조 프레임(MRF) : MRF는 회전하는 영역의 흐름을 평균화하는 정상 상태 접근 방식이다. 그러나 이 방법을 사용하면 시뮬레이션 도메인의 여러 영역이 서로 다른 기준 프레임에 있을 수 있다. 따라서 회전자 도메인은 회전하는 기준 프레임에 설정하고 고정자 도메인은 고정된 상태로 유지할 수 있다. 고정 회전자 접근법 : 로터와 스테이터 위치가 서로에 대해 고정되어 있는 정상 상태 근사치로, 시간의 스냅샷을 시뮬레이션한다. 슬라이딩 메시 방식보다 계산 비용이 저렴하지만 실제 과도 효과를 포착할 수 없다.   그림 1. 특정 경우와 일반적인 경우의 로터-스테이터 처리 순서도   <그림 1>의 순서도는 특정 유동 특성에 따라 정상 상태 계산에서 로터-스테이터 인터페이스 처리를 선택하기 위한 의사 결정 프로세스를 제공한다. 시뮬레이션에 회전하는 임펠러와 고정된 볼류트 케이스 사이의 상호작용이 포함된 경우, 상세한 국소 유동 변화를 포착하고 계면 전체의 질량, 운동량 및 에너지 보존을 국소적으로 보장하기 위해 국소 보수적 결합을 권장한다. 다음으로, 계면 근처에 충격파가 존재하여 유동장에 강한 영향을 미칠 수 있는 고구배 유동 특성인 경우 1D 또는 2D 비반사 경계 조건이 제안된다. 이러한 조건은 시뮬레이션 결과를 손상시킬 수 있는 경계에서 충격파의 인위적인 반사를 최소화하도록 설계되었다. 마지막으로, 인터페이스 근처에 충격파가 없는 경우 전체 비일치 혼합 평면 또는 보수적 결합 방법을 사용하는 것이 좋다. 완전 비일치 혼합면 방법은 계면 전체의 유동 특성을 평균화하므로 회전자-회전자 상호 작용의 상세한 시간 정확도 캡처가 중요하지 않은 경우에 적합하다. 보수적 결합 접근법은 메시 적합성 없이 인터페이스 전체에서 질량, 운동량 및 에너지를 보존해야 하는 시나리오에 이상적이며, 따라서 회전자 메시와 고정자 메시 간의 어느 정도의 정렬 불일치 또는 비적합성을 수용할 수 있다. <표 1>에는 안정된 시뮬레이션에 사용할 수 있는 다양한 로터-스테이터 인터페이스 처리 방법이 요약되어 있다.   표 1. 회전자-고정자 인터페이스 처리 방법     ■ 자세한 기사 내용은 PDF로 제공됩니다.

개발 및 공급 : 헥사곤 매뉴팩처링 인텔리전스 주요 특징 : ADAS 및 자율주행 검증을 위한 클라우드 기반 설루션, 가상 프로토타이핑으로 ADAS 테스트 효율 향상, ADAS 알고리즘 테스트 자동화 지원, SaaS 및 프라이빗 클라우드로 직관적 웹 인터페이스 제공 등   헥사곤 매뉴팩처링 인텔리전스가 ADAS(첨단 운전 보조 시스템) 및 자율주행 차량 시스템 검증을 위한 클라우드 기반 설루션 ‘버추얼 테스트 드라이브(Virtual Test Drive X, VTDx)'를 출시했다. VTDx는 클라우드 컴퓨팅 기술을 통해 실제 도로 이벤트 상황을 기반으로 ADAS와 자율주행(AD) 소프트웨어의 품질과 기능을 효율적으로 검증하며, 안전하고 혁신적인 모빌리티 기술의 시장 출시 시간을 단축시킨다.     SDV, 고도화된 기술 통합으로 개발·테스트 과정이 관건 최근 화두인 SDV(소프트웨어 중심 차량)는 센서, 다양한 칩, 고도화된 AI 알고리즘 등 복잡한 기술이 통합되면서 개발 및 테스트 과정이 주요 병목으로 작용하고 있다. 특히 ADAS 소프트웨어의 경우 생산 이후 결함 수정 비용이 개발 단계의 15배에 이르기 때문에, 출시 전 품질과 안전성 확보가 핵심 과제로 떠오르고 있다.   가상 프로토타이핑으로 ADAS 테스트 효율성 높여 헥사곤이 선보인 VTDx는 가상 프로토타이핑을 통해 물리적 테스트의 한계를 극복하는 사용량 기반 서비스다. 디지털 리얼리티 플랫폼인 ‘넥서스(Nexus)’의 클라우드 컴퓨팅과 자동화 기능을 활용해 ADAS와 자율주행 시스템의 지속적인 테스트 및 통합 검증이 가능하다. VTDx는 전장 아키텍처(E/E 아키텍처)의 중앙집중화와 강화되는 규제에 대응하며, 현대적인 소프트웨어 개발 방식에 맞춘 SDV 테스트 전략을 제공한다. 특히 차량 소프트웨어의 ADAS 부문에 특화된 물리적 안전 테스트를 포함한 점이 특징이다. 마이크로소프트 애저(Microsoft Azure) 팀과의 협력으로 개발된 VTDx는 해외 자동차 OEM 및 1차 부품 공급업체에서 쓰이고 있으며, 직관적인 UX, 자동화된 코드 테스트 시뮬레이션, 사용량 기반 과금 등을 특징으로 내세운다. 언리얼 엔진(Unreal Engine)으로 사실적인 시각화를 구현했으며, ASAM의 오픈시나리오(OpenSCENARIO)와 오픈드라이브(OpenDRIVE) 표준을 지원한다.   직관적 웹 인터페이스 및 ADAS 알고리즘 테스트 자동화 ADAS 및 AD 엔지니어는 VTDx의 웹 인터페이스를 통해 테스트 대상 시스템(SUT)을 손쉽게 구성할 수 있다. 헥사곤의 15년 노하우가 집약된 주행 환경 시뮬레이션 엔진은 고정밀 물리 기반 시뮬레이션으로 SUT의 정합성 및 다양한 센서 시뮬레이션 검증을 지원한다. VTDx는 오픈드라이브와 오픈 시나리오 표준을 준수하는 소프트웨어-인-더-루프(SIL) 테스트 프로그램을 구동하며, 수천 개의 시나리오를 자동으로 실행해 SIL 테스트 프로그램의 설정 및 계산 시간을 단축할 수 있다.     SaaS 및 프라이빗 클라우드로 제공 VTDx는 자동차 제조사가 SIL 환경에서 ADAS와 자율주행 시스템을 철저히 테스트하고 검증해 안전성과 성능을 보장할 수 있도록 한다. 넥서스 플랫폼에서 사용량 기반 요금제의 공용 서비스형 소프트웨어(SaaS)로 이용할 수 있으며, 요구 시 프라이빗 클라우드 배포가 가능하다. 헥사곤 매뉴팩처링 인텔리전스의 마헤시 카일라삼(Mahesh Kailasam) 디자인 & 엔지니어링 사업부 글로벌 총괄 사장 겸 수석 부사장은 “자동차 업계 고객들이 직면한 소프트웨어 개발 과제를 해결하기 위해 CI/CT 프로세스를 기반으로 클라우드 기반 ADAS 시뮬레이션 소프트웨어를 새롭게 개발했다”면서, “테스트 범위 확대, 테스트 주기 단축, 작업 자동화 등 어떤 목표를 가진 고객이라도 VTDx를 통해 큰 혜택을 얻을 수 있다”고 말했다.     ■ 기사 내용은 PDF로도 제공됩니다.

개발 및 공급 : 앤시스코리아 주요 특징 : 사용자 학습 데이터 기반의 AI로 후처리 과정에서 심층 인사이트 제공, 시스템 아키텍처 모델러에 SysML v2 지원 추가해 협업 촉진 및 제품 설계 최적화 가속, HPC 라이선스 없이 엔터프라이즈급 CFD 기능 제공하는 앤시스 CFD HPC 얼티메이트 출시 등   앤시스가 디지털 엔지니어링 혁신을 지원하는 AI 기반 엔지니어링 시뮬레이션 설루션인 ‘앤시스 2025 R1(Ansys 2025 R1)’을 발표했다. 앤시스 2025 R1은 정교한 디지털 엔지니어링 기술을 통해 기존 인프라와 원활하게 연계될 뿐 아니라, 업무 중단을 최소화하면서 보다 혁신적인 제품 개발을 위한 협업을 지원한다. AI, 클라우드 컴퓨팅, GPU 및 HPC의 강력한 성능을 기반으로 한 이번 업데이트는 더욱 신속하고 협력적인 의사 결정을 가능케 하며, 설계 탐색 범위를 확장하고 제품 설계 기간 단축에 기여할 전망이다. 앤시스의 셰인 엠스윌러(Shane Emswiler) 제품 총괄 수석 부사장은 “앤시스 2025 R1은 더욱 강력한 통합 기능을 제공해, 제품 전체 수명 주기에 걸쳐 디지털 프로세스를 구축하고 개발 전후 데이터를 효율적으로 관리할 수 있는 다양한 도구와 설루션을 제공할 것”이라면서, “하나의 데이터 기반의 환경에서 서로 단절된 팀도 원활하게 협업할 수 있도록 지원하며, 이를 통해 비용 절감과 제품 출시 기간을 단축시켜 고객의 경쟁력 강화에 기여할 것”이라고 밝혔다. 제품이 점차 통합되고 복잡해짐에 따라 R&D 프로세스 또한 급변하는 시장 요구에 맞춰 지속적으로 발전해야 한다. 앤시스는 고객의 디지털 전환 과정을 원활하게 지원하며, 변화하는 시장 환경에 대응할 수 있도록 다양한 도구와 설루션을 제공할 예정이다.   ▲ 이미지 출처 : 앤시스 웹사이트 캡처   향상된 물리 솔버 제품 성능을 보장하려면 구성 요소부터 시스템 전반에 이르는 멀티피직스(multi-physics)를 이해하는 것이 필수이다. 앤시스 2025 R1은 신속하고 정밀한 물리 기반 시뮬레이션 결과를 제공하는 신제품뿐만 아니라, 기존 제품의 강화된 기능을 통해 엔지니어링 팀이 설계 초기 단계에서 보다 신뢰성 높은 의사 결정을 내릴 수 있도록 지원할 전망이다. 앤시스 디스커버리(Ansys Discovery) 3D 시뮬레이션 소프트웨어는 전열(electrothermal) 분석, 오소트로픽(orthotropic) 전도, 내부 팬(fans) 기능을 추가해 써멀 모델링 역량을 확장했으며 속도 및 사용 편의성을 개선했다. 구조 해석 설루션은 소음·진동·마찰(NVH)에 대한 통합 설루션을 제공하며, 주파수 응답 함수(FRF) 계산 속도가 10배 향상됐다. 또한 진동음향(vibro-acoustics) 매핑, 최적화된 메싱, 모드 기여도 분석 기능 등을 탑재했다. 앤시스 일렉트로닉스(Ansys Electronics)는 앤시스 소프트웨어 제품 간 연결성을 강화해 3D 집적 회로에 중요한 메싱을 개선하며 자동화된 워크플로우 기능, 향상된 시뮬레이션 성능 등을 제공한다. 새로운 폴리머 FEM(Polymer FEM) 제품은 높은 정확도의 모델을 적용해 실제 재료의 거동을 정밀하게 포착하며, 고객의 고급 재료 시뮬레이션 요구 사항을 충족한다.   클라우드/HPC/GPU 클라우드 컴퓨팅, 고성능 컴퓨팅(HPC) 및 GPU의 강력한 성능은 최신 제품의 엔지니어링 속도를 혁신적으로 변화시키고 있다. 이 과정에서 접근성, 상호 운용성, 확장성은 핵심 요소로 작용하며, 고객이 데스크톱 애플리케이션의 한계를 넘어서서 보다 혁신적인 제품을 협업하여 설계할 수 있도록 지원한다. 앤시스 2025 R1은 GPU 솔버의 성능을 한층 강화했으며, 다양한 애플리케이션에 웹 기반 온디맨드(on-demand) 기능을 추가 제공한다. 앤시스 플루언트(Ansys Fluent)  멀티 GPU(multi-GPU) 유체 시뮬레이션 솔버는 자동차 외부 공기 역학과 같은 대규모 메시 셀(mesh cell)을 포함한 고해상도 해석을 지원한다. 또한, 전체 시뮬레이션 속도 저하 없이 매개변수 추가 및 정확도 개선을 설계자에게 제공한다. 앤시스 CFD HPC 얼티메이트(Ansys CFD HPC Ultimate)는 추가 HPC 라이선스 없이 단일 작업에서 여러 CPU 코어 또는 GPU를 활용할 수 있는 엔터프라이즈급 전산유체역학(CFD) 기능을 제공한다. 앤시스 루메리컬 FDTD(Ansys Lumerical FDTD)의 새로운 GPU 가속 3D 전자기 시뮬레이션은 기존 CPU 솔버 대비 메모리 사용량을 50% 절감하며 메싱 시간을 20% 줄인다. 앤시스 메커니컬(Ansys Mechanical)의 GPU 직접 가속 구조 유한 요소 해석(FEA) 솔버는 기존 설루션 대비 최대 6배 빠른 성능을 제공하며, 반복 솔버(iterative solver)는 CPU 전용 솔버 대비 6배 빠른 속도를 구현한다. 앤시스 디스커버리(Ansys Discovery)의 클라우드 버스트 컴퓨팅(Cloud Burst Compute) 기능을 활용하면 1000개의 설계 변형을 10분 만에 해결할 수 있다. 엔비디아 GPU를 활용한 디스커버리의 매개변수 연구(parametric study) 속도는 100배 이상 향상된다. 앤시스 클라우드 버스트 컴퓨팅(Ansys Cloud Burst Compute) 기능은 앤시스 메카니컬 (Ansys Mechanical), 앤시스 플루언트(Ansys Fluent) 및 앤시스 HFSS(Ansys HFSS) 고주파 전자기 시뮬레이션 소프트웨어를 위한 유연하고 확장 가능한 온디맨드(on-demand) HPC 성능을 제공한다.   인공지능 앤시스는 인공지능(AI) 기반 기술을 통해 포트폴리오를 지속적으로 확장하며, 컴퓨터 지원 엔지니어링(CAE) 산업에 혁신적인 속도와 접근성을 제공한다. 앤시스 AI는 신규 및 기존 데이터를 활용해 빠르게 설계를 분석하고 AI 모델을 신속하게 학습시켜 제품 출시 기간을 단축시키는 한편 비용 절감 효과를 극대화한다. 직관적인 인터페이스를 갖춘 데이터 처리 도구 지원을 통해 SimAI 모델링을 위한 데이터 준비 과정을 간소화한다. 앤시스 SimAI는 사용자가 모델 학습 데이터를 확장해 후처리 과정에서 더욱 정교한 분석을 수행할 수 있도록 지원한다. 앤시스 일렉트로닉스 AI+(Ansys Electronics AI+)는 AI 기반 기술을 활용해 앤시스 멕스웰(Ansys Maxwell) 전기기장(electromagnetic field) 해석 솔버, 앤시스 아이스팩(Ansys Icepak), 전자기 냉각 시뮬레이션 소프트웨어, HFSS 등에서 수행되는 전자기 시뮬레이션의 필요 리소스 실행 시간을 정밀하게 예측한다. 앤시스 RF 채널 모델러(Ansys RF Channel Modeler)의 고급 합성 레이더 시뮬레이션 기능은 지상에서 AI를 활용한 표적 식별을 위해 폭넓은 학습 및 검증 데이터 세트를 제공하여, 디지털 미션 엔지니어링 분야를 지원한다.   ▲ 이미지 출처 : 앤시스 웹사이트 캡처   연결된 에코시스템 최첨단 연구개발(R&D) 환경에서는 모델 기반 시스템 엔지니어링(MBSE) 및 자동화 설계를 도입하여 연구개발 워크플로를 원활하고 효율적으로 유지하는 것이 중요하다. 앤시스 엔지니어링 설루션은 기존 인프라에도 새로운 기술을 쉽게 통합할 수 있도록 높은 호환성과 확장성을 갖춰 제품 설계의 혼선을 방지할 수 있다. 앤시스 2025 R1은 디지털 전환을 더욱 원활하게 지원할 수 있도록 MBSE 기능과 데이터 관리 기능이 강화되었다. 앤시스 모델센터(ModelCenter) MBSE 소프트웨어와 앤시스 시스템 아키텍처 모델러(System Architecture Modeler : SAM)는 SysML v2 지원을 강화해 엔지니어링 조직 전반에서 제품 요구 사항의 접근성과 확장성을 높이고, 팀 간 협업을 더욱 긴밀하게 연결하여 개발 시간 단축에 기여한다. 앤시스 모델센터(ModelCenter)는 MBSE 연결성이 향상되어 호환성을 높였고, 카펠라(Capella) 커넥터 기능이 강화되었으며, 앤시스 적으로 제공한다. SAM과의 더욱 긴밀한 통합을 통해 검색, 저장 및 수정 기능을 보다 직관적으로 제공한다. 앤시스 미네르바(Ansys Minerva) 시뮬레이션 프로세스 및 데이터 관리 소프트웨어인 미네르바는 일반 커넥터 개선을 통해 외부 데이터 연동을 표준화하며, 업로드 전 문제점 검증을 가능케 하여 제품 생산 시간 및 비용 절감에 기여한다. 커넥터는 새로운 비동기 작업 실행 기능이 추가돼 엔지니어의 생산성을 개선한다.   기타 앤시스 2025 R1의 주요 특징 앤시스 옵티슬랭(Ansys optiSLang) 프로세스 통합 및 설계 최적화 소프트웨어로 인터페이스, 분산 컴퓨팅, 고급 알고리즘 등 전반적인 개선으로 설계 워크플로의 유연성과 성능을 강화한다. 앤시스 그란타 MI(Ansys Granta Materials Intelligence) 제품군은 컴퓨터 이용 공학(CAE), 컴퓨터 지원 설계(CAD), 제품 수명주기 관리(PLM) 등의 소프트웨어와 공통 사용환경을 제공하여, 그란타(Granta) 최종 사용자 인터페이스와 통합 인터페이스 간 일관된 사용자 경험을 제공한다. 앤시스 플루언트(Ansys Fluent)의 내결함성 메싱(FaultTolerant Meshing : FTM)과 수밀 메싱(watertight meshing)에 적용된 작업 기반 성능을 개선해 메싱 속도를 가속화한다.  전력 필드 효과 트랜지스터(FET) 및 전력 관리 집적회로(PMIC)의 분석, 시뮬레이션, 최적화를 위한 신규 도구로 앤시스 파워X(Ansys PowerX)를 제공한다.    ▲ 이미지 출처 : 앤시스 웹사이트 캡처     ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   챗GPT(ChatGPT)의 광풍으로 시작된 생성형 AI(generative AI)의 열풍이 벌써 3년이 지나가고, 최근에는 중국의 인공지능 제품인 딥시크(DeepSeek)의 돌풍으로 잠시나마 미국 엔비디아의 주식이 폭락하는 사태가 있었다. 딥시크의 희망은 엄청난 투자 없이도 인공지능 사업이 가능한 것처럼 보였다. 한편, 최근 일론 머스크는 그록 3(Grok 3)라는 설명 가능 인공지능 XAI(explainable AI)를 발표했다. 그록 3는 엔비디아 GPU 칩을 20 만 개 사용해서 훈련을 했다고 한다. 엔비디아 H100 15만개 + H200 5만개라고 발표했는데, 아직은 엄청난 투자가 필요한 부분임을 알 수 있었다.   그림 1.  챗봇 전성시대   여러가지 호불호 사건에도 불구하고, 이제 인공지능 챗봇의 시대는 거역할 수 없는 대세가 되고 있다. 필자 역시 대부분의 시간을 인공지능을 공부하는 데 사용하고 있다. 지난 2년 동안은 오픈AI의 챗GPT와 구글의 제미나이(Gemini)를 사용하고 최근에는 딥시크, 며칠 전부터는 그록 3를 모두 사용하고 있다. 그리고 장기적으로는 개인 인공지능(personal AI) 환경에도 관심이 많다. 최근에 더 많은 지식과 복잡한 대답을 손 쉽게 얻을 수 있었지만, 이런 의문점이 생겼다. 이러한 인공지능 시대에 ‘우리의 지식의 정의와 관점이 어떻게 되어야 할 것인가?’라는 생각이다. 수백 년 전 16세기 프랑스의 철학자인 몽테뉴(Michel de Montaigne)는 이런 인간 지식의 한계에 대해서 “나는 무엇을 아는가?”라고 짚었다. 이는 몽테뉴의 ‘수상록’에 담긴 철학적 질문이자, 회의주의적 태도를 상징하는 문구이다. 몽테뉴는 이 질문을 통해 인간 지식의 한계와 불확실성(uncertainty)을 강조하며, 겸손하고 열린 마음으로 세상을 바라볼 것을 권했다. 최근 인공지능의 발전과 결과는 이런 질문을 너무 간단한 것으로 느껴게 한다. ‘나는 무엇을 아는가?’라는 물음의 의미에 대해 몽테뉴는 인간이 자신의 감각, 이성, 경험에 의존하여 지식을 얻지만, 이러한 것조차 불완전하고 주관적일 수 있다고 보았다. 그는 인간의 인식이 상황에 따라 달라지고 오류를 범하기 쉽다는 점을 지적하며, 절대적인 진리나 확실한 지식은 존재하지 않을 수 있다는 회의적인 입장을 표명했다.   그림 2. Que sais-je?(나는 무엇을 아는가?) – 몽테뉴   과연 이런의 인간의 지식을 학습한 현재의 AI는 괜찮을 것일까 하는 회의가 생긴다. ‘나는 무엇을 아는가?’라는 질문은 이러한 몽테뉴의 회의주의적 인식을 담고 있다. 그는 이 질문을 통해 인간 지식의 한계를 인정하고, 자신의 무지를 자각하는 것이 진정한 지혜의 시작이라고 보았다. 인공지능(AI)의 발전은 지식의 개념과 분류에 대한 새로운 논의를 불러일으키고 있다. 2025년 현재, 우리는 AI가 단순한 데이터 처리를 넘어 인간의 인지 능력을 모방하고 창의적인 결과물을 생성하는 시대에 살고 있다. 이러한 시대적 배경 속에서 지식은 다음과 같이 재정의되고 분류될 수 있다. 첫 번째, 인공지능 시대에 지식의 새로운 기준이 필요하다. 이전의 지식과는 다른 차원의 기준과 사용법과 습득 전략이 필요하다고 생각한다. 인공지능은 방대한 데이터를 처리하고 분석하여 인간의 능력을 뛰어넘는 지식을 생산한다. 이러한 인공지능의 등장은 기존의 지식 체계에 대한 근본적인 질문을 던진다. 우리는 인공지능이 제공하는 정보를 어떻게 받아들여야 할까? 인공지능이 제시하는 지식이 절대적인 진리일까? 인공지능 시대에 지식의 의미와 기준을 다시 생각하게 한다. 두 번째, 인간 지능의 가치가 무엇일까? 인공지능이 발전할 수록 인간 지능의 가치는 더욱 중요해진다고 생각하지만, 설명이 아직 빈약하다. 인공지능은 데이터 분석과 계산에 뛰어나지만 창의적인 사고, 비판적 판단, 윤리적 책임과 같은 인간 고유의 능력은 따라올 수 없다고 한다. 우리는 그렇게 믿고 싶어 한다. 몽테뉴의 사상은 인간 지능의 한계를 인정하면서도 동시에 그 중요성을 강조했다. 인공지능 시대에 우리는 인간 지능의 가치를 다시 한번 되새기고, 이를 발전시키기 위해 노력해야 한다. 세 번째, 인공지능 시대에는 겸손과 성찰의 자세가 더욱 중요하다고 한다. 우리는 인공지능이 제공하는 정보를 맹목적으로 받아들이기보다는 비판적으로 검토하고, 자신의 지식과 판단에 대해 끊임 없이 질문해야 한다. 몽테뉴는 자신의 무지를 자각하고 겸손한 태도를 갖는 것이 진정한 지혜의 시작이라고 말했다. 인공지능 시대에 우리는 몽테뉴의 가르침을 되새기며, 겸손하고 성찰하는 자세를 유지해야 한다. 인공지능이 인간처럼 철학 책을 읽고 겸손과 성찰을 할 수 있을까 하는 생각도 든다. 아직은 가능하지 않은 것 같다. 네 번째, 인간과 인공지능의 공존이다. 어쩔 수 없이 인공지능 시대는 인간과 인공지능이 공존하는 시대이다. 우리는 인공지능을 활용하여 삶의 질을 높이고 새로운 지식을 창출할 수 있다. 하지만, 동시에 인공지능의 위험성을 경계하고 인간의 존엄성을 지키기 위해 노력해야 한다. 몽테뉴의 생각은 인공지능 시대를 사는 현대인에게 인간의 한계와 가능성을 동시에 보여주었다. 인공지능 시대에 우리는 몽테뉴의 정신을 바탕으로 인간과 인공지능의 조화로운 공존을 추구해야 한다. 결론적으로 몽테뉴의 생각은 인공지능 시대에 인간 지식의 의미와 가치, 겸손과 성찰의 자세, 인간과 인공지능의 공존에 대한 중요한 질문을 던진다. 몽테뉴은 질문이 시작에 불과하며, 우리는 이런 인공지능 시대에 필요한 지혜를 찾아야 한다. 그렇지 않으면 우리의 문명이 이번 세기에서 인간 지식의 위기를 맞을 수 있다. “Que sais-je?(나는 무엇을 아는가?)”– 몽테뉴   ■ 조형식 항공 유체해석(CFD) 엔지니어로 출발하여 프로젝트 관리자 및 컨설턴트를 걸쳐서 디지털 지식 전문가로 활동하고 있다. 현재 디지털지식연구소 대표와 인더스트리 4.0, MES 강의, 캐드앤그래픽스 CNG 지식교육 방송 사회자 및 컬럼니스트로 활동하고 있다. 보잉, 삼성항공우주연구소, 한국항공(KAI), 지멘스에서 근무했다. 저서로는 ‘PLM 지식’, ‘서비스공학’, ‘스마트 엔지니어링’, ‘MES’, ‘인더스트리 4.0’ 등이 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

아마존웹서비스(AWS)는 오늘 캘리포니아공과대학의 AWS 양자 컴퓨팅 센터 팀이 개발한 새로운 양자 컴퓨팅 칩 오셀롯(Ocelot)을 발표했다. AWS는 이 칩이 기존 접근 방식 대비 양자 오류 정정 구현 비용을 최대 90%까지 줄일 수 있으며, 현존 컴퓨터로는 풀 수 없는 상업적·과학적으로 중요한 문제 해결을 위한 내결함성(fault-tolerant) 양자 컴퓨터 개발에 큰 진전을 이룰 것으로 기대하고 있다. 양자 컴퓨터의 오류 정정은 실용화를 위한 핵심 과제이다. 양자 컴퓨터는 외부 환경의 작은 변화에도 민감해 진동, 열, 전자 기기의 신호 등으로 인해 오류가 발생할 수 있다. 이를 방지하려면 여러 큐비트에 걸쳐 양자 오류를 정정하는 기술이 필요하지만, 기존 방식은 큐비트를 대량으로 요구해 비용이 매우 높았다. 오셀롯은 기존 방식의 한계를 넘어, 오류 정정에 필요한 자원을 크게 줄이는 방법을 제시한다.      AWS는 오셀롯 아키텍처의 설계 단계서부터 오류 정정 기능을 내장하고 ‘고양이 큐비트(cat qubit)’를 활용하는 새로운 방식을 채택했다. ‘슈뢰딩거의 고양이’ 사고 실험에서 이름을 따 온 고양이 큐비트는 비트 반전 오류(bit-flip error)를 자체적으로 억제해 오류 정정을 위한 자원을 크게 절감한다. AWS 연구원들은 오셀롯을 활용해 고양이 큐비트 기술과 추가 양자 오류 정정 구성 요소를 최초로 마이크로칩에 결합했다. 이 마이크로칩은 반도체 산업에서 차용한 제조 공정을 사용하여 확장 가능한 방식으로 제조할 수 있다.   양자 컴퓨팅의 발전에서도 하드웨어 기술이 핵심적인 역할을 한다. 과거에도 대형 전자 장치가 반도체 기반 시스템으로 전환되며 컴퓨팅 성능이 비약적으로 향상됐듯이, 오셀롯은 실용적이고 안정적인 양자 컴퓨터를 위한 기반을 마련할 것으로 기대된다.  AWS의 오스카 페인터(Oskar Painter) 퀀텀 하드웨어 디렉터는 “최근 양자 연구의 발전을 통해 오류에 강하고 실용적인 양자 컴퓨터의 등장은 이제 가능성의 문제가 아닌 시간의 문제다. 이러한 과정에서 오셀롯의 등장은 중요한 이정표가 될 것”이라며, “오셀롯 아키텍처로 만들어진 양자 칩은 오류 정정에 필요한 자원이 큰 폭으로 줄어 비용이 기존 방식의 1/5 수준으로 줄어들 수 있다. 이는 실용적인 양자 컴퓨터의 등장을 최대 5년 앞당길 것으로 예상한다”고 말했다.  오셀롯은 두 개의 실리콘 마이크로칩으로 구성되어 있으며, 각 칩은 약 1㎠ 크기다. 이 칩들은 전기적으로 연결된 칩 스택 형태로 결합돼 있으며, 실리콘 표면에는 양자 회로 요소를 형성하는 얇은 층의 초전도 물질이 배치되어 있다. 오셀롯 칩은 14개의 핵심 구성 요소로 구성되어 있으며, 이 요소들에는 5개의 데이터 큐비트(고양이 큐비트)와 이를 안정화하기 위한 5개의 '버퍼 회로, 그리고 오류를 감지하기 위한 4개의 추가 큐비트가 포함된다.  AWS 연구팀의 실험 결과에 따르면, 오셀롯은 비트 반전 시간(bit-flip times)이 1초에 근접하는 성능을 보여주었는데, 이는 기존 초전도 큐비트보다 약 1000배 더 긴 수명을 의미한다. 또한 위상 반전 시간(phase-flip times)은 20마이크로초를 기록했으며, 이는 양자 오류 정정에 충분한 수준이다. 고양이 큐비트는 오실레이터를 통해 계산에 사용되는 양자 상태를 저장하며, 오셀롯의 고품질 오실레이터는 탄탈륨(Tantalum) 초전도 물질의 얇은 필름으로 제작되었다. AWS 재료 과학자들은 실리콘 칩에 탄탈륨을 처리하는 특정 방법을 개발하여 오실레이터 성능을 향상시켰다. 

지멘스 디지털 인더스트리 소프트웨어, 지멘스 EDA 사업부는 일본의 국가 연구 개발 기관인 이화학연구소(RIKEN)이 차세대 AI 디바이스 연구를 강화하기 위해 지멘스의 반도체 설계 검증 설루션인 벨로체 스트라토 CS 에뮬레이션(Veloce Strato CS emulation) 및 캐터펄트(Catapult) 상위 수준 합성(HLS) 플랫폼을 채택하여 AI 가속기(AI accelerator) 디바이스의 아키텍처 및 설계 공간 탐색을 수행한다고 발표했다. 지멘스의 하드웨어 기반 설루션인 벨로체 스트라토 CS 에뮬레이션 및 캐터펄트 HLS 플랫폼의 결합은 대규모 주문형 집적 회로(ASICs)의 빠른 합성 및 에뮬레이션을 가능하게 하는 기술을 RIKEN에 제공한다. 이러한 지멘스의 설루션은 RIKEN이 최적화된 AI 컴퓨팅 회로 및 이를 포함하는 시스템온칩(SoCs)의 성능을 평가하는 데 중요한 역할을 담당하고 있다. 지멘스는 이러한 검증 작업을 거쳐 개발된 AI 가속기가 2030년까지 운영될 예정인 후가쿠(Fugaku) 이후 차세대 슈퍼컴퓨터에 도입될 가능성이 있는 후보 중 하나가 될 것으로 보고 있다.     RIKEN 계산과학센터 프로세서 연구팀의 팀장인 사노 겐타로(Kentaro Sano) 박사는 “RIKEN이 지멘스의 에뮬레이션 및 HLS 기능을 도입함으로써 ‘과학을 위한 AI(AI for Science)’ 연구를 위한 차세대 AI 디바이스 탐색을 수행할 수 있게 되었다. 이를 통해 세계에서 가장 강력한 슈퍼컴퓨터를 개발하고 있는 자사의 입지를 강화할 수 있다”라고 말하며, “자사의 목표는 과학적 발견을 위한 생성형 AI 모델을 구축하는 데 필수인 컴퓨팅 인프라를 구축, 관리 및 지속적으로 강화하는 것이다. 지멘스의 설루션은 이러한 연구에서 중요한 역할을 한다”라고 말했다. RIKEN 계산과학센터는 일본에서 가장 큰 계산과학 연구 기관이자 다양한 과학 분야에서 세계적인 리더로 자리 잡고 있으며, K 컴퓨터(K computer) 및 후가쿠(Fugaku)와 같은 슈퍼컴퓨터를 개발한 것으로 알려져 있다. RIKEN은 일본 사이타마현 와코시에 본부를 둔 자연과학종합연구소로 일본 문부과학성 산하의 연구 기관이며, 일본 내에선 최고로 평가되고 있는 것은 물론 그리고 세계적으로도 상당한 연구 실적을 남긴 곳이다. 지멘스 디지털 인더스트리 소프트웨어의 장 마리 브루네(Jean Marie Brunet) 하드웨어 지원 검증 부문 부사장은 “RIKEN의 혁신적인 AI 디바이스 연구를 지원할 수 있어 기쁘다. 최신 벨로체 스트라토 CS 에뮬레이션 및 캐터펄트 HLS 플랫폼은 RIKEN이 연구 목표를 달성하고 AI 분야에서 혁신을 주도할 수 있도록 포괄적인 설루션을 제공한다”고 말했다. 지멘스 디지털 인더스트리 소프트웨어의 쓰치다 유키오(Yukio Tsuchida) 일본 전자설계자동화(Electronic Design Automation) 부문 부사장은 “지멘스는 RIKEN에서 진행되는 최첨단 연구 개발을 지원하게 되어 매우 자랑스럽게 생각한다. 우리는 AI의 강력한 성능을 대규모 과학 연구에 적용하는 가능성을 탐색하는 RIKEN의 목표 달성을 지속적으로 지원할 것”이라고 말했다.

엔비디아가 더 강력하고 지능적인 AI 구축을 지원하는 ‘스케일링 법칙’을 소개했다. 엔비디아는 이 법칙이 훈련 데이터, 모델 파라미터 또는 컴퓨팅 리소스 크기가 증가함에 따라 AI 시스템 성능이 향상되는 방식을 설명한다고 밝혔다. AI 분야에서 오랫동안 정의된 아이디어 중 하나는 컴퓨팅, 훈련 데이터, 파라미터가 더 많을수록 더 나은 AI 모델이 만들어진다는 것이다. 하지만 이후 AI에는 컴퓨팅 리소스를 다양한 방식으로 적용하는 것이 모델 성능에 어떻게 영향을 미치는지 설명하는 세 가지 법칙이 대두됐다. 이는 사전 훈련 스케일링(pretraining scaling), 사후 훈련 스케일링(post-training scaling), 긴 사고(long thinking)라고도 불리는 테스트 타임 스케일링(test-time scaling)이다. 이들 법칙은 점점 더 복잡해지는 다양한 AI 사용 사례에서 추가 컴퓨팅을 사용하는 기술을 통해 AI 분야가 어떻게 발전해왔는지를 보여준다. 최근 추론 시 더 많은 컴퓨팅을 적용해 정확도를 향상시키는 테스트 타임 스케일링이 부상하면서 AI 추론 모델의 발전을 가능하게 했다. 이 모델은 작업을 해결하는 데 필요한 단계를 설명하면서 복잡한 문제를 해결하기 위해 여러 추론 패스를 수행하는 새로운 종류의 대규모 언어 모델(LLM)이다. 테스트 타임 스케일링은 AI 추론을 지원하기 위해 많은 양의 컴퓨팅 리소스를 필요로 하며, 이는 가속 컴퓨팅에 대한 수요를 더욱 증가시킬 것이다.     사전 훈련 스케일링은 AI 개발의 기본 법칙이다. 이는 훈련 데이터 세트 크기, 모델 파라미터 수, 컴퓨팅 리소스를 늘림으로써 개발자가 모델 지능과 정확도의 예측 가능한 향상을 기대할 수 있음을 입증했다. 한 연구 논문에서 설명한 사전 훈련 스케일링 법칙에 따르면, 규모가 큰 모델에 더 많은 데이터가 공급되면 모델의 전반적인 성능이 향상된다. 이를 실현하려면 개발자는 컴퓨팅을 확장해야 하며, 이 거대한 훈련 워크로드를 실행하기 위해서는 강력한 가속 컴퓨팅 리소스가 필요하다. 사후 훈련 기법은 조직이 원하는 사용 사례에 맞춰 모델의 특이성과 관련성을 더욱 향상시킬 수 있다. 사전 훈련이 AI 모델을 학교에 보내 파운데이션 기술을 배우게 하는 것이라면, 사후 훈련은 목표한 업무에 적용할 수 있는 기술을 갖추도록 모델을 향상시키는 과정이다. 예를 들어, LLM은 감정 분석이나 번역과 같은 작업을 수행하거나 의료, 법률과 같은 특정 분야의 전문 용어를 이해하도록 사후 훈련될 수 있다. 긴 사고라고도 하는 테스트 타임 스케일링은 추론 중에 발생한다. 사용자 프롬프트에 대한 단답형 답변을 빠르게 생성하는 기존 AI 모델과 달리, 이 기술을 사용하는 모델은 추론 중에 추가적인 계산 작업을 할당한다. 이를 통해 여러 가지 잠재적 답변을 추론한 후 최적의 답변에 도달할 수 있도록 한다. 테스트 타임 컴퓨팅의 부상으로 AI는 복잡한 개방형 사용자 쿼리에 대해 합리적이고 유용하며 보다 정확한 답변을 제공하는 능력을 갖추게 됐다. 이러한 기능은 자율 에이전틱 AI와 피지컬 AI(Physical AI) 애플리케이션에서 기대되는 세밀하고 다단계의 추론 작업에 매우 중요하다. 또한, 산업 전반에서 사용자에게 업무 속도를 높일 수 있는 고성능 비서를 제공해 효율성과 생산성을 향상시킬 수 있다. 의료 분야에서는 모델이 테스트 타임 스케일링을 사용해 방대한 양의 데이터를 분석하고 질병이 어떻게 진행될지 추론할 수 있다. 뿐만 아니라, 약물 분자의 화학 구조를 기반으로 새로운 치료법이 불러올 수 있는 잠재적인 합병증을 예측할 수 있다. 소매와 공급망 물류 분야에서는 긴 사고가 단기적인 운영 과제와 장기적인 전략 목표를 해결하는 데 필요한 복잡한 의사 결정을 도와줄 수 있다. 추론 기법은 여러 시나리오를 동시에 예측하고 평가해 기업이 위험을 줄이고 확장성 문제를 해결하는 데 도움이 된다. 이를 통해 보다 정확한 수요 예측, 간소화된 공급망 이동 경로, 조직의 지속 가능성 이니셔티브에 부합하는 소싱 결정을 가능하게 한다. 나아가 글로벌 기업에서는 이 기술을 세부적인 사업 계획 작성, 소프트웨어 디버깅을 위한 복잡한 코드 생성, 배송 트럭과 창고 로봇, 로보택시의 이동 경로 최적화 등에 적용할 수 있다. AI 추론 모델은 빠르게 진화하고 있다. 최근 몇 주 동안 OpenAI(오픈AI) o1-미니(o1-mini)와 o3-미니(o3-mini), 딥시크(DeepSeek) R1, 구글 딥마인드(Google DeepMind) 제미나이 2.0 플래시 씽킹(Gemini 2.0 Flash Thinking)이 소개됐으며, 곧 새로운 모델이 추가로 출시될 예정이다. 이러한 모델은 추론 중에 사고하고, 복잡한 질문에 대한 정답을 생성하기 위해 훨씬 더 많은 컴퓨팅이 필요하다. 따라서 기업은 복잡한 문제 해결, 코딩, 다단계 계획을 지원할 수 있는 차세대 AI 추론 도구를 제공하기 위해 가속 컴퓨팅 리소스를 확장해야 한다.

앤시스가 디지털 엔지니어링 혁신을 위한 AI 기반 엔지니어링 시뮬레이션 설루션인 ‘앤시스 2025 R1(Ansys 2025 R1)’을 발표했다. 앤시스 2025 R1은 정교한 디지털 엔지니어링 기술을 통해 기존 인프라와 원활하게 연계될 뿐 아니라, 업무 중단을 최소화하면서 보다 혁신적인 제품 개발을 위한 협업을 지원한다. 앤시스는 “AI, 클라우드 컴퓨팅, GPU 및 HPC의 강력한 성능을 기반으로 한 이번 업데이트가 더욱 신속하고 협력적인 의사 결정을 가능케 하며, 설계 탐색 범위를 확장하고 제품 설계 기간 단축에 기여할 전망”이라고 전했다. 제품이 점차 통합되고 복잡해짐에 따라 R&D 프로세스 또한 급변하는 시장 요구에 맞춰 지속적으로 발전해야 한다. 앤시스는 고객의 디지털 전환으로의 과정을 원활하게 지원하며, 변화하는 시장 환경에 대응할 수 있도록 다양한 도구와 설루션을 제공할 예정이다.     제품 성능을 보장하려면 구성 요소부터 시스템 전반에 이르는 멀티피직스(Multi-Physics)를 이해하는 것이 필수이다. 앤시스 2025 R1은 신속하고 정밀한 물리 기반 시뮬레이션 결과를 제공하는 신제품뿐만 아니라, 기존 제품의 강화된 기능을 통해 엔지니어링 팀이 설계 초기 단계에서 보다 신뢰성 높은 의사 결정을 내릴 수 있도록 지원할 전망이다. 앤시스 디스커버리(Ansys Discovery) 3D 시뮬레이션 소프트웨어는 전열(electrothermal) 분석, 오소트로픽(orthotropic) 전도, 내부 팬(fans) 기능을 추가해 서멀 모델링 역량을 확장했으며 속도 및 사용 편의성을 개선했다. 구조 해석 설루션은 소음·진동·마찰(NVH)에 대한 통합 설루션을 제공하며, 주파수 응답 함수(FRF) 계산 속도의 10배 향상, 진동-음향(vibro-acoustics) 매핑, 최적화된 메싱, 모드 기여도 분석 기능 등을 탑재했다. 앤시스 일렉트로닉스(Ansys Electronics)는 앤시스 소프트웨어 제품 간 연결성을 강화해 3D 집적 회로에 중요한 메싱 개선, 자동화된 워크플로 기능, 향상된 시뮬레이션 성능을 제공하며, 새로운 폴리머 FEM(Polymer FEM) 제품은 높은 정확도의 모델을 적용해 실제 재료의 거동을 정밀하게 포착 및 고객의 고급 재료 시뮬레이션 요구 사항을 충족한다. 클라우드 컴퓨팅, HPC 및 GPU의 강력한 성능은 최신 제품의 엔지니어링 속도를 혁신적으로 변화시키고 있다. 이 과정에서 접근성, 상호 운용성, 확장성은 핵심 요소로 작용하며 고객이 데스크톱 애플리케이션의 한계를 넘어서서 보다 혁신적인 제품을 협업하여 설계할 수 있도록 지원한다. 앤시스 2025 R1은 GPU 솔버의 성능을 한층 강화했으며, 다양한 애플리케이션에 웹 기반 온디맨드(on-demand) 기능을 추가 제공한다. 앤시스 플루언트(Ansys Fluent)  멀티 GPU 유체 시뮬레이션 솔버는 자동차 외부 공기 역학과 같은 대규모 메시 셀(mesh cell)을 포함한 고해상도 해석을 지원. 전체 시뮬레이션 속도 저하 없이 매개변수 추가 및 정확도 개선을 설계자에게 제공한다. 앤시스 CFD HPC 얼티메이트(Ansys CFD HPC Ultimate)는 추가 HPC 라이선스 없이 단일 작업에서 여러 CPU 코어 또는 GPU를 활용할 수 있는 엔터프라이즈급 전산유체역학(CFD) 기능을 제공한다. 앤시스 루메리컬 FDTD(Ansys Lumerical FDTD)의 새로운 GPU 가속 3D 전자기 시뮬레이션은 기존 CPU 솔버 대비 메모리 사용량을 50% 절감 및 메싱 시간 20% 단축하며, 앤시스 메커니컬(Ansys Mechanical)의 GPU 직접 가속 구조 유한 요소 해석(finite element analysis, FEA) 솔버는 기존 설루션 대비 최대 6배 빠른 성능을 제공한다. 앤시스 디스커버리(Ansys Discovery)의 클라우드 버스트 컴퓨팅(Cloud Burst Compute) 기능을 활용하면 1000개의 설계 변형을 10분 만에 해결할 수 있으며, 엔비디아 GPU를 활용한 디스커버리의 매개변수 연구(parametric study) 속도는 100배 이상 향상된다. 앤시스 클라우드 버스트 컴퓨팅(Ansys Cloud Burst Compute) 기능은 앤시스 메커니컬(Ansys Mechanical), 앤시스 플루언트(Ansys Fluent) 및 앤시스 HFSS(Ansys HFSS) 고주파 전자기 시뮬레이션 소프트웨어를 위한 유연하고 확장 가능한 온디맨드(on-demand) HPC 성능을 제공한다. 또한, 앤시스는 AI 기반 기술을 통해 포트폴리오를 지속적으로 확장하며 컴퓨터 지원 엔지니어링(CAE) 산업에 혁신적인 속도와 접근성을 제공한다고 소개했다. 앤시스 AI는 신규 및 기존 데이터를 활용해 빠르게 설계를 분석하고 AI 모델을 신속하게 학습시켜 제품 출시 기간을 단축시키는 한편 비용 절감 효과를 극대화한다. 앤시스는 직관적인 인터페이스를 갖춘 데이터 처리 도구를 지원해 심AI(SimAI) 모델링을 위한 데이터 준비 과정을 간소화할 수 있도록 한다. 앤시스 심AI는 사용자가 모델 학습 데이터를 확장해 후처리 과정에서 더욱 정교한 분석을 수행할 수 있도록 지원한다. 앤시스 일렉트로닉스 AI+(Ansys Electronics AI+)는 AI 기반 기술을 활용해 앤시스 멕스웰(Ansys Maxwell) 전기기장(electromagnetic field) 해석 솔버, 앤시스 아이스팩(Ansys Icepak), 전자기 냉각 시뮬레이션 소프트웨어, HFSS 등에서 수행되는 전자기 시뮬레이션의 필요 리소스와 실행 시간을 정밀하게 예측할 수 있다. 앤시스 RF 채널 모델러(Ansys RF Channel Modeler)의 고급 합성 레이더 시뮬레이션 기능은 지상에서 AI를 활용한 표적 식별을 위해, 폭넓은 학습 및 검증 데이터 세트를 제공하여 디지털 미션 엔지니어링 분야를 지원한다. 한편, 앤시스는 자사의 엔지니어링 이루션이 기존 인프라에도 새로운 기술을 쉽게 통합할 수 있도록 높은 호환성과 확장성을 갖춤으로써 제품 설계의 혼선을 방지할 수 있다고 덧붙였다. 앤시스 2025 R1은 디지털 전환을 더욱 원활하게 지원할 수 있도록 MBSE 기능과 데이터 관리 기능이 강화되었다. 이외에도 앤시스 2025 R1에는 프로세스 통합 및 설계 최적화 소프트웨어인 앤시스 옵티슬랭(Ansys optiSLang), CAE/CAD/PLM 등 소프트웨어와 공통 사용환경을 제공하는 앤시스 그란타 MI(Ansys Granta Materials Intelligence) 제품군, 메싱 속도를 높인 앤시스 플루언트(Ansys Fluent), 전력 필드 효과 트랜지스터(FET) 및 전력 관리 집적회로(PMIC)의 분석, 시뮬레이션, 최적화를 위한 신규 도구인 앤시스 파워X(Ansys PowerX) 등이 제공된다. 앤시스의 셰인 엠스윌러(Shane Emswiler) 제품 총괄 수석 부사장은 “앤시스 2025 R1은 더욱 강력한 통합 기능을 제공해, 제품 전체 수명 주기에 걸쳐 디지털 프로세스를 구축하고 개발 전후 데이터를 효율적으로 관리할 수 있는 다양한 도구와 설루션을 제공할 것”이라며, “하나의 데이터 기반의 환경에서 서로 단절된 팀들도 원활하게 협업할 수 있도록 지원하며, 이를 통해 비용 절감과 제품 출시 기간을 단축시켜 고객의 경쟁력 강화에 기여할 것”이라고 밝혔다.