시점 – 사물이나 현상을 바라보는 눈 (4)   지난 호에서는 ‘관찰의 시점과 관점’이라는 주제로 사물을 바라볼 때 바라보는 위치, 방향, 각도에 따라서 우리 눈에 비치는 사물의 모습이 어떻게 달라지는지를 시점(視點)과 시각(視角)의 차이로 설명해 보았다. 보이는 것 자체는 아무런 의미나 의도가 없지만 보는 이의 관점(觀點)의 차이에서 다양한 해석이 나타날 뿐임을 이야기하였다. 이번 호에서는 ‘정적 이미지와 동적 이미지’의 차이를 살펴볼 예정이다. 정적 이미지와 동적 이미지에서 이미지 센서의 입장에서 바라본 ‘관찰의 시점과 관점’에 관한 몇 가지 사례를 들어가며 구체적으로 생각해 보도록 한다.   ■ 연재순서 제1회 호기심 제2회 암중모색 제3회 관찰의 시점과 관점 제4회 정적 이미지와 동적 이미지 제5회 변화와 흐름의 관찰 제6회 개별 관찰 제7회 집단 관찰 제8회 확률과 통계 제9회 작용, 반작용, 상호작용 제10회 무엇을 볼 것인가? 제11회 무엇을 믿을 것인가? 제12회 가설, 모델, 이론의 설득력의 시대성   ■ 유우식 웨이퍼마스터스의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산 설비 분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재 분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 상임연구위원, 문화유산회복재단 학술위원, 국제문화재전략센터 전문위원이다. 홈페이지 | www.wafermasters.com   정적 이미지와 동적 이미지 시간이 지나더라도 변화하지 않는다면 정물이다. 시간의 흐름에 따라서 모양이 변화하는 것은 정물이 아니다. 촬영된 이미지는 모두 촬영된 순간의 촬영 조건에서 기록된 정적 이미지이다. 시간에 따라서 변화하는 어떤 사물의 이미지를 촬영하면 언제 어떤 모습을 하고 있을 때 촬영했는지가 중요하다. 빠르게 변화하는 사물을 변화에 비해서 느린 속도로 촬영하게 되면 변화 전과 변화 후의 모습이 중첩되어 보인다. 사물이 변화하더라도 그 변화 속도가 촬영 시간 내에서 거의 변화가 없다면 정물처럼 촬영될 것이다. 촬영 대상의 성질을 고려해서 촬영 조건을 선택해야 한다. 여기에서 말하는 변화는 사물 자체의 변화에 한정되지 않는다. 사물과 촬영 기기의 상대적인 위치, 각도, 조명 조건, 촬영 조건의 변화를 포함한다.   그림 1. 고드름이 생기는 속도는 늦고 녹는 속도는 빠르게 느껴진다.   변화의 속도가 느린 것 지난 겨울은 유난히 눈도 많이 내렸고 강추위도 여러 번 찾아왔다. 눈 내린 지붕에서 햇볕으로 녹은 눈이 물방울이 되어 처마로 떨어지며 차가운 공기로 얼음이 되어 고드름이 형성된다. 고드름 또한 기온이 올라가면 조금씩 녹으면서 고드름 끝에서 물방울이 떨어진다.(그림 1) 고드름의 형성과 소멸 과정은 비교적 천천히 진행된다. 물론 기온이 많이 올라가면 눈이 녹더라도 고드름은 형성되지 않는다. 이미 고드름이 만들어진 경우에도 기온이 올라가면 고드름이 녹는 속도도 빨라져, 고드름 끝에서 떨어지는 물방울의 숫자도 속도도 늘어난다. 그 결과 눈과 고드름은 사라진다. 물이 고체–액체–기체로 변화하면서 물의 순환이 이루어지는 것이다. 고드름은 겨울철에나 볼 수 있는 현상이지만 불과 몇 달 만에 반복되는 과정이다. 이것에 비해서 석회암 동굴에서 볼 수 있는 종유석, 석순, 석주는 석회암이 지하수에 녹아 조금씩 동굴에 스며들어 동굴 천장에서 떨어지면서 생겨나는 매우 속도가 느린 반응이다. 종유석은 동굴의 천장부터 아래 방향으로 자라는 것이고, 석순은 위에서 떨어지는 물방울에 포함된 석회 성분이 석출되어 동굴 바닥에서 위로 자라는 것이다. 종유석과 석순은 서로 마주 보고 자란다. 종유석과 석순이 서로 닿게 되면 석주가 만들어진다.(그림 2)   그림 2. 석회암 동굴에서 오랜 시간에 걸쳐 생성되는 종유석, 석순, 석주   종유석, 석순, 석주는 지하수에 녹아있던 석회 성분이 고체 상태로 석출되면서 수백 년, 수천 년 이상의 오랜 기간에 걸쳐 형성되는 것이다. 이렇게 서서히 일어나는 변화라면 거의 정적 이미지라고 보아도 무방하다. 오늘 촬영하거나 내일 촬영하거나 그 모양이 크게 변화하지 않기 때문이다. 다만 고드름 끝에 달린 물방울처럼 종유석 끝에 달린 석회 성분을 포함한 당장이라도 떨어질 듯한 지하수 방울을 촬영하는 경우라면 다른 이야기가 될 수도 있다.   변화의 속도가 빠른 것 이번에는 변화의 속도가 고드름이나 종유석보다 조금 빠른 것을 살펴보자. 잔잔한 수면에 작은 물방울이 떨어지는 경우를 관찰해보자. 물방울이 떨어지는 속도는 눈 깜짝할 사이에 일어나는 일이어서, 어떤 현상이 생기는지 육안으로는 자세하게 관찰할 수 없다. 고속으로 사진을 촬영할 수 있는 장비의 힘을 빌어야 비로소 어떤 현상이 일어났는지를 알 수 있다. 작은 물방울이 잔잔한 수면에 떨어진 후에 나타나는 물방울과 수면의 변화를 시계열로 정리하면 <그림 3>과 같다.    그림 3. 고속 촬영으로 포착한 ‘물방울과 수면의 힘겨루기’     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BPMN을 활용하여 제품 개발의 소통과 협업 극대화하기 (2)   지난 호에서 비즈니스 프로세스 모델링(Business Process Modeling)이 필요한 이유에 대해 살펴보았다. 이는 최근의 제품 개발이 복잡한 절차와 다양한 참여자, 그리고 광범위한 자원의 투입으로 시장의 변화에 빠르고 능동적으로 대응해야 하는 상황이기 때문이다. 이는 결국 주요 참여자들이 정보를 빠르게 추적하고 효율적인 의사결정을 수행하는 환경을 요구하고 있는데, 그동안 익숙하고 편하게 사용해온 오피스(문서) 기반, 특히 엑셀을 활용한 WBS 관리 및 간트(Gantt) 차트 작성으로는 이러한 대응에 한계가 있다는 점을 정리해 보았다. 이번 호부터는 BPMN(Business Process Modeling Notation)에 대해 알아보고, 어떠한 특징과 장점이 있는지 파악해 보고자 한다. 이를 통해 우리에게 요구되는 최근의 제품 개발 환경에 어떻게 적용해 나갈 수 있는지 차근차근 파악해 보도록 하자.   ■ 연재순서 제1회 비즈니스 프로세스 모델링이 필요한 이유 제2회 BPMN은 무엇일까? 제3회 비즈니스 프로세스 모델링을 배워보자 제4회 간단한 제품 개발 프로세스를 디자인해보기 제5회 클라우드 서버 환경에서 BPMN을 연결하는 설루션 탐구   ■ 윤경렬 현대자동차 연구개발본부 책임연구원   ■ 가브리엘 데그라시 이탈리아 Esteco사의 프로젝트 매니저   BPMN은 비영리 컴퓨터 산업 표준을 연구하고 제정하는 OMG(Obejct Management Group)에서 개발하여 오픈소스로 배포하는 개방형 정보 표준 체계이다. BPMN 1.0은 2006년에 릴리스되었으며 지속적인 업그레이드를 통해 2011년에는 BPMN 2.0이 발표되었다. 현재 활용되고 있는 중요한 기능들의 모습이 이때부터 갖추어지게 되었는데, ISO(International Standard Organization) 및 IEC(International Electotechnical Commisson)는 BPMN 2.0을 2013년 ISO/IEC 19510:2013로 명시하여 국제 표준으로 지정하게 되었다. 이제부터는 BPMN이 무엇인지 하나씩 살펴보도록 하자.    BPMN의 구성 요소   그림 1. BPMN의 기본 구성 요소 1   그림 2. BPMN의 기본 구성 요소 2   우선 BPMN의 구성 요소를 살펴보면 participants(참여자 또는 행위대상의 구별), sub-process(하부 프로세스), task(수행업무), gateways(논리적 선택), data(데이터 객체 및 스토리지), events(이벤트) 등 종류도 많고 다양한데 활용하는 방법 또한 무궁무진하다.  우리는 BPMN의 구성 요소를 하나하나 상세하게 분석하는 것이 목표가 아니므로, BPMN의 간단한 작성 예제를 통해 주요 기능과 특징을 개괄적으로 파악해 보고자 한다.   엔지니어링 프로세스의 BPMN 모델링 간단한 엔지니어링 프로세스(요구사항 – CAD 입수 – 해석 모델링 – 베이스 해석 – 민감도 해석 – 최적화 해석)에 대한 BPMN 모델링을 <그림 3~4>와 같이 구성하였다.    그림 3. 엔지니어링 프로세스의 모델링 1   그림 4. 엔지니어링 프로세스의 모델링 2   이 프로세스는 사용자가 요구사항 태스크(enter requirement)를 처리한 이후 도면 준비 태스크(prepare CAD design)를 수행하고, 해석 모델링 태스크(prepare FEA design)와 비용 계산 모델 태스크(prepare cost model)를 병행 게이트웨이(parallel gateway)로 처리한다. 다음에는 베이스 해석 태스크(run baseline design)를 수행하게 되는데, 이는 시스템 또는 자동화가 수행할 수 있는 서비스 태스크로 정의할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

제품 개발 프로세스의 변화를 이끄는 MBD   MBD(모델 기반 개발)는 자동차 업계에서 화제가 되고 있는 가상 시뮬레이션이다. 기존의 방식보다 비용 절감과 개발 공정의 단축을 실현할 수 있다. MBD는 자동차 업계를 중심으로 제조 현장에서 주목을 받고 있는 개발 방법이다. 이번 호에서는 MBD의 정의, MBD의 중요성 및 CAE와의 차이, MBD의 장점과 단점을 설명한다.    ■ 오재응 LG전자 기술고문, 한양대학교 명예교수   MBD는 ‘모델 기반 개발’ MBD(Model Based Development)는 컴퓨터에 현실과 동일한 모델을 만들고 개발 및 검증하는 방법이다. 가상 시뮬레이션에 의해 개발의 효율화를 실현할 수 있다. 종래의 개발이나 검증에서는 종이의 사양서를 확인하면서 설계하고 완성 후에 사양서를 보면서 검증하는 사이클이었지만, MBD는 매트랩(MATLAB), 시뮬링크(Simulink) 등의 소프트웨어를 사용해 컴퓨터 상에 ‘움직이는 사양서’라고 불리는 모델을 만들고 개발과 검증을 동시에 진행한다. 매트랩과 시뮬링크의 차이점은 다음과 같다. 매트랩 : 수치 계산이나 데이터 해석 등에 적합 시뮬링크 : 시뮬레이션이나 테스트 환경 구축 등에 적합 MBD에서 제어 장치 및 제어 대상을 모델화하여 그 모델에 기반한 개발을 수행하는 기법으로, 매트랩/시뮬링크를 이용한 모델을 작성하고 검증하는 프로세스를 <그림 1>에 나타낸다.   그림 1. 매트랩/시뮬링크를 이용해 모델을 작성하고 검증하는 프로세스   따라서 지금까지의 개발 방법과 달리 제품을 만들지 않고 검증할 수 있게 되므로, 테스트나 분석을 여러 번 반복하여 품질 향상으로 연결된다. 또한 검증에 소요되는 비용과 비용을 줄일 수 있다는 것도 큰 장점이다.(그림 2)   그림 2. 모델 기반 개발 프로세스   MBD는 주로 자동차 업계 등에서 중요시되고 있는 개발 방법 실제로 자동차를 만들어 검증을 반복하면 막대한 비용이 들기 때문에, MBD로 업무를 진행하고 있는 케이스는 적지 않다. 또한 자동차 업계뿐만 아니라 항공 업계와 우주 산업, 의료 기기, 산업용 로봇 등에서도 도입되고 있다. 요즘에는 자율 운전이나 환경에 대한 배려 등 니즈의 변화나 다양화가 진행되고, 자동차의 제조도 복잡해지고 있다. 경쟁사보다 뒤떨어지지 않도록 개발 사이클을 가속화하는 것도 드물지 않다. 배기가스 규제 등을 클리어할 필요도 있다. 이러한 배경으로 비용 절감과 개발 프로세스의 단축화를 실현할 수 있는 MBD는 주목을 받고 있다. 한편, MBD가 맞지 않는 분야도 있다. 예를 들어, 스마트폰의 앱이나 오피스 워크에서 이용하는 소프트웨어 등 제어를 수반하지 않는 소프트웨어 개발에는 적합하지 않다. MBD는 실제 기계의 품질 향상과 시스템 안전을 위해 효과적이지만, 이러한 소프트웨어는 실제 기계가 필요하지 않기 때문이다.   CAE와의 차이 MBD는 컴퓨터에서 검증을 수행하는 CAE(Computer Aided Engineering)와 유사한 기술이지만, 각각의 사용 목적이 다르다. CAE의 경우 온도나 진동 등에 변화를 더해 시뮬레이션하는 방법이지만, MBD는 모델을 활용해 제품의 타당성을 검증한다. 엄밀히 말하면 개발 시점에서 CAE를 적용하고 품질 향상과 개발 기간을 단축하는 것이 MBD이다. CAE는 시뮬레이션하고 설계에 피드백하기 때문에 설계의 업스트림에 위치하지 않는다.   MBD에는 다양한 이점이 있음 MBD의 주요한 이점은 개발 단계에서 시뮬레이션을 할 수 있고 개발 기간을 줄일 수 있다는 것이다. 여기에서는 MBD의 장점을 자세히 살펴본다.   즉시 시뮬레이션 가능 MBD의 장점은 기존 개발 프로세스보다 조기에 시뮬레이션을 할 수 있다는 것이다. MBD는 종이의 사양서가 아니고, 움직이는 사양서가 되는 모델을 만들어 개발도 검증도 곧바로 행할 수 있다. 모델을 작성함으로써 기존의 방식으로 필요했던 시뮬레이션에 걸리는 공수가 줄어들어 횟수를 늘려 품질 향상으로 이어질 것이다. 또한, 시뮬레이션에 관여하는 인건비를 줄일 수 있는 메리트도 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

최적화 문제를 통찰하기 위한 심센터 히즈 (2)   연재를 통해 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 과정에서 심센터 히즈(Simcenter HEEDS)를 활용하는 방법에 대해 살펴보고자 한다. 이번 호에서는 최적화 기법 중에서 근사모델 기반 최적화와 직접 검색 기반 최적화에 대해 짚어보고, 심센터 히즈를 사용하여 근사 및 직접 최적화를 진행하는 과정을 소개한다.   ■ 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 – 구조 설계 최적화 및 사례 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 및 사례 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 및 사례 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 및 사례 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화 및 사례   ■ 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   최적화 기법의 중요성 최적화는 다양한 산업 분야에서 설계의 성능을 개선하고 자원을 효율적으로 활용하는 데 있어 필수 과정이다. 특히, 복잡한 공학 문제나 다목적 설계에서 최적화는 품질 향상과 비용 절감을 동시에 달성하는 핵심 도구로 활용된다. 현대 산업에서는 제품 개발 주기의 단축과 고성능 요구가 증가함에 따라, 신뢰성 있는 최적화 기법의 선택이 더욱 중요해지고 있다. 근사모델 기반 최적화와 직접 검색 기반 최적화는 이러한 요구를 충족하기 위해 자주 사용되며, 각 접근법은 문제의 특성과 목표에 따라 상이한 성능을 보인다.   근사모델 기반 최적화와 직접 검색 기반 최적화의 개요 근사모델 기반 최적화는 복잡한 시뮬레이션이나 계산 비용이 큰 문제에서 실험 데이터를 바탕으로 근사함수를 생성한 후, 해당 함수를 활용해 최적해를 탐색하는 방법이다. 근사함수를 생성하기 위해서는 주로 반응표면법(RSM), 머신러닝 모델 등이 사용되며, 계산 자원을 절감하고 빠른 최적해 도출이 가능하다는 장점이 있다. 반면, 모델 정확도에 따라 해의 품질이 좌우되고, 고차원 문제에서 모델링이 어려울 수 있다. 직접 검색 기반 최적화는 목적 함수의 수학적 형태를 몰라도 입력과 출력 간 관계를 직접 탐색하며 최적해를 구하는 방법이다. 비선형성이나 불연속성이 있는 문제에도 적용할 수 있는 장점이 있지만, 계산 비용이 크고 수렴 속도가 느릴 수 있어서 고비용 시뮬레이션 환경에서는 활용에 한계가 있을 수 있다.   최적화를 위한 예제 지난 호에서 사용한 외팔보의 처짐 문제를 사용하겠다. 외팔보의 체적을 최소화하는 최적화 문제를 다음과 같이 정의하였다. 빠른 계산을 위해 파이썬(Python)으로 계산한다.   그림 1   목적함수 외팔보 H빔의 체적을 최소화 제약 조건 최대 굽힘 응력(σ) ≤ 200 Mpa 최대 끝단 처짐(δ) ≤ 2 mm 설계 변수 Length : 5,000 mm Load P : 6,500 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 Input/Output file을 등록하였다.    그림 3     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   다양한 산업에서 제품 설계 및 안정성 평가를 위한 실험에 많은 비용과 노력이 소요됨에 따라, 가상의 공간에서 사용자가 원하는 실험 환경을 구성하여 결과를 도출하는 방식이 증가하고 있다. 또한, 해석을 많이 활용하지 않던 산업군에서도 시뮬레이션을 도입하는 단계에 있다. 그 중 바이오 산업에서는 환자의 CT 정보를 기반으로 한 혈류 해석과 임플란트 해석에 대한 수요가 증가하고 있다. 해석 결과를 바탕으로 안정성과 구조적 성능을 평가하고, 이를 임상 결과 데이터로 보완하는 과정이 이루어지고 있다. 이번 호에서는 3D 슬라이서(3D Slicer)와 앤시스 플루언트(Ansys Fluent)를 활용하여 혈관 모델링부터 혈류 해석까지의 워크플로를 소개하고자 한다.   ■ 김지원 태성에스엔이 FBU-F1팀의 매니저로, 열 유동 해석 기술 지원 및 교육, 용역 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   현재 대부분의 기업이 시뮬레이션을 적극 적용하고 있으며, 특히 바이오 산업에서는 환자의 CT 정보를 기반으로 한 혈류 분석에 대한 수요가 증가하고 있다. 이러한 분석은 혈관 협착증 및 인조혈관의 안정성과 구조적 성능을 평가하는 새로운 방법으로 중요한 역할을 한다. CT와 MRI 기술의 발달로 체내 모습을 3D 영상으로 시각화할 수 있게 되면서, 유체역학과 의학 간 융합 연구의 발전이 기대되고 있다. 특히 혈관 질환의 발생 원인을 규명하기 위해 혈류 해석을 기반으로 혈류 역학적 특성을 분석하는 추세다. 또한, 비침습적 방법을 활용하여 환자의 혈관을 진단하고 평가하는 기술이 주목받고 있다. 이번 호에서는 혈류 해석을 수행하기 위해 주요 혈관 모델링 툴을 활용한 혈관 추출 방법, 혈액의 물성치 설정, 그리고 경계 조건 설정 과정에 대해 다루고자 한다.   전처리(Pre-Processing) 대동맥 혈관의 3차원 영상 및 모델링 앤시스의 모델링 툴에는 환자의 3D CT 영상을 STL 파일로 직접 추출하는 기능이 존재하지 않는다. 따라서 이번 호에서는 상용 프로그램인 3D 슬라이서를 사용한다. 3D 슬라이서는 의료 이미징 데이터를 시각화하고 분석하는 오픈소스 소프트웨어 플랫폼으로 영상 분석, 3D 모델링, 디자인 등을 통해 종합적인 의료 영상 처리를 수행하는 전문 소프트웨어다. 이를 통해 DICOM 파일을 기반으로 3D 형상을 추출할 수 있다.    그림 1. 3D 슬라이서에서 혈관 추출   <그림 1>은 3D 슬라이서를 이용하여 혈관을 추출한 과정이다. CT 촬영 시 혈관 조직을 명확하게 구분하기 위해 조영제를 주입하면, HU(Hounsfield Units) 수치로 표현되어 특정 HU 값 범위에서 혈관을 쉽게 추출할 수 있도록 구성된다. 또한, 유동 해석을 위해 격자를 생성하는 과정에서 모델링 단계에서 패싯(facet)을 스무딩(smoothing)하는 옵션을 적용하여 형상을 정리한다. 혈관 모델링이 완료된 후, DICOM 파일을 STL 파일로 변환한다.    대동맥 혈관의 3차원 영상 및 모델링 앤시스 스페이스클레임(Ansys SpaceClaim)에서 변환한 STL 파일을 가져오면 패싯을 확인할 수 있으며, 이를 볼륨(volume) 형태로 변환하는 과정을 진행한다. 볼륨 형태로 변환하기 위해 모델을 확인하면, <그림 2>와 같이 돌출되거나 뚫린 패싯 등 변환이 어려운 영역이 존재한다.   그림 2. Faulty facet areas   그림 3. Converting from facet to volume   솔브(Solve) 혈액 물성치 이번 호에서는 혈류 해석을 수행하기 위해 플루언트를 사용하며, 혈액의 거동을 수치적으로 해석하기 위해 혈액의 밀도와 점성 계수를 입력한다. 혈액은 전단 응력에 따라 점도가 변하는 비뉴턴 유체이며, 이러한 특성을 반영하기 위해 Carreau 모델을 적용한다. Carreau 모델은 비뉴턴 유체의 점성 거동을 정의하는 구성 방정식이며, 이는 <그림 4>의 수식과 같이 계산된다.   그림 4. Carreau 모델 수식     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (20)   터보 기계 설계 및 해석 분야에서 실제 적용 사례는 CFD 모델의 효율성과 적응성을 입증하는 증거이다. 이러한 애플리케이션은 고급 시뮬레이션 도구가 복잡한 엔지니어링 문제를 해결하는 데 얼마나 중요한 역할을 하는지 보여준다. 이러한 실제 시나리오를 살펴봄으로써 CFD 기술이 산업 발전에 미치는 직접적인 영향에 대한 귀중한 인사이트를 얻을 수 있다.    ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   그림 1. 터보차저 컴프레서가 장착된 토요타 GT86 CS-R3 랠리카(왼쪽 상단)   토요타 모터스포츠의 터보차저 컴프레서 최적화 독일 쾰른에 위치한 고성능 엔진 및 섀시 설계 전문 기업으로 유명한 토요타 모터스포츠는 케이던스(Cadence)의 피델리티(Fidelity) 소프트웨어를 사용하여 터보차저 컴프레서의 효율성을 개선하는 야심찬 프로젝트를 수행했다.(그림 1) 이 작업은 터보차저 부품의 설계가 이미 고도화되어 있었기 때문에 쉽지 않은 과제였다. 실제 프로토타입을 제작하는 기존 방식은 소요 시간이 길어 부적절했기 때문에, 팀은 보다 혁신적인 접근 방식인 수치 최적화를 선택했다. 문제는 이미 재료의 구조적 한계에 근접해 작동하는 컴프레서 임펠러를 최적화해야 한다는 것이었다. 이를 위해서는 다분야 최적화 프로세스를 위해 CFD와 전산 구조 역학(CSM)을 통합하는 미묘한 접근 방식이 필요했다. 이 팀은 폰 미제스 응력을 안전 한도 내에서 유지하면서 등방성 효율, 총 압력 비율 및 작동 범위를 개선하기 시작했다. 토요타 모터스포츠는 임펠러의 다양한 측면을 정의하는 154개의 파라미터를 포함하는 최적화 프로젝트에 착수하여 케이던스의 피델리티 소프트웨어를 활용했다. 기본 설계에서 특정 파라미터를 유지하는 데 신중을 기하여 궁극적으로 33개의 주요 설계 변수에 집중했다. 여러 설계 반복에 걸쳐 메시 품질과 일관성을 보장하기 위해 피델리티 오토메시(Fidelity Automesh)를 사용하여 강력한 메시 전략을 구현했다. 이 최적화를 통해 <그림 2>에 자세히 설명된 대로 성능이 크게 향상되었다. 생성된 디자인 중 두 가지 디자인이 모든 공기역학적 및 구조적 목표를 충족하는 것으로 나타났다. 설계 D1은 압력비가 8.0% 증가하고 효율이 1.4% 증가했으며 스톨 마진이 확장되었다. 이러한 개선은 구조적 무결성을 보장하고 초크 질량 유량 요건을 유지하면서 달성되었다.   그림 2. 원래 지오메트리와 선택된 디자인(D1 및 D2)의 비교. 설계 D1은 압력 비율이 8.0% 증가하고 효율이 1.4% 증가했으며 스톨 마진이 확장되었다.   이 사례 연구는 터보차저 압축기 효율의 한계를 뛰어넘는 데 있어 다분야 CFD-CSM 최적화가 얼마나 효과적인지 보여준다. 토요타 모터스포츠의 접근 방식은 첨단 기술 개발에서 수치 최적화의 이점을 강조하여, 기존 방법으로는 실현 불가능한 설계 대안을 신속하게 탐색하고 평가할 수 있게 해준다. 이 프로젝트의 성공은 까다로운 모터스포츠 및 자동차 엔지니어링 영역에서 터보 기계 설계를 개선할 수 있는 통합 계산 방법의 잠재력을 반영한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

트렌드에서 얻은 것 No. 22    AI 시대, 우리는 어떤 미래를 만들어갈 것인가?” – 젠슨 황   AI의 거대한 파도, 엔비디아가 만드는 미래 엔비디아는 2024년과 2025년 GTC(GPU Technology Conference)에서 AI 기술을 통해 산업 전반에 걸친 변화를 이끌어가고 있다. 젠슨 황은 기조연설에서 기술 혁신이 사회적, 경제적 구조를 재편하는 ‘변화의 파도’라고 강조하며, 엔비디아가 그 중심에서 미래를 설계하고 있음을 확신시켰다.  엔비디아는 두 해 동안 AI 혁신을 가속화하며 다양한 제품과 플랫폼을 선보였다. 2024년에는 GB200 AI 플랫폼과 블랙웰(Blackwell) DGX B200 GPU를 통해 성능 향상에 초점을 맞췄다면, 2025년에는 블랙웰 울트라(Blackwell Ultra) 기반의 NVL72 등 차세대 하드웨어와 지속 가능성을 강조하며 더 큰 비전을 제시했다.   표 1. 2024년과 2025년 엔비디아의 주요 발표 비교   인공지능 혁명의 변곡점에서 인류는 늘 기술의 발전과 함께 새로운 시대를 맞이해 왔다. 산업혁명이 증기기관과 전기를 통해 생산 방식을 혁신했던 것처럼, 디지털 혁명은 인터넷과 스마트폰을 통해 세상을 연결했다. 그리고 지금, 우리는 또 하나의 거대한 변곡점에 서 있다. 바로 AI 혁명이다. 2025년 3월, 엔비디아의 GTC에서 젠슨 황 CEO는 기조연설을 통해 AI가 변화의 중요한 시점에 도달했음을 선언했다. 그는 AI가 단순한 도구를 넘어 ‘스스로 사고하고 결정하는 존재’로 발전하고 있으며, 이 거대한 변화가 기업, 산업, 그리고 인간의 삶 전반에 걸쳐 영향을 미칠 것이라고 강조했다. 이번 GTC 2025에서 가장 주목받은 키워드는 에이전틱 AI(agentic AI)와 추론 AI(reasoning AI)였다. 기존의 AI가 데이터를 분석하고 패턴을 찾는 데 주력했다면, 이제 AI는 자율적으로 목표를 설정하고 스스로 문제를 해결하는 방향으로 나아가고 있다. 이러한 변화는 단순한 업그레이드가 아니라, AI 산업 전반의 패러다임을 뒤흔드는 파도와 같다. 이러한 흐름 속에서 엔비디아는 블랙웰 GPU라는 차세대 칩을 공개하며, 인공지능 모델의 효율성을 비약적으로 향상시키는 새로운 하드웨어 시대를 열었다. 또한 옴니버스 클라우드 API(Omniverse Cloud API), AI 팩토리(AI Factories) 등의 개념을 통해 AI가 단순한 연구 도구가 아니라, 실제 산업을 자동화하고 혁신하는 핵심 인프라로 자리 잡아가고 있음을 보여주었다. 그렇다면 우리는 이러한 변화의 바람 속에서 어떤 선택을 해야 할까? AI 혁명의 파도를 넘는 기업과 뒤처지는 기업의 차이는 무엇일까? 엔비디아의 발표를 중심으로 AI 산업이 어디로 흘러가고 있는지, 그리고 그 변화 속에서 우리는 무엇을 준비해야 하는지를 하나씩 짚어보자. “AI가 단순한 연구 프로젝트에서 벗어나, 본격적인 산업 혁신의 중심으로 자리 잡는 것” – 젠슨 황   블랙웰, AI의 새로운 엔진 기술 혁신의 역사는 더 빠르고 더 강력하며 더 효율적인 도구를 만들려는 인간의 끝 없는 도전과 함께 발전해 왔다. AI 산업도 예외가 아니다. 과거에는 단순한 이미지 분석과 음성 인식이 AI의 주요 활용 분야였다면, 이제는 스스로 학습하고 결정을 내리며 복잡한 문제를 해결하는 AI가 요구되고 있다. 하지만 이런 고도화된 AI 모델을 운용하려면 엄청난 연산 능력이 필요하며, 이를 뒷받침할 강력한 하드웨어가 필수이다. GTC 2025에서 젠슨 황이 가장 먼저 소개한 것은 블랙웰 GPU였다. 그는 “AI의 미래를 가속하는 가장 강력한 엔진”이라며, 블랙웰이 기존 호퍼(Hopper) 아키텍처를 넘어선 새로운 시대의 핵심 기술이라고 강조했다. 그렇다면 블랙웰 GPU는 무엇이 다를까? 블랙웰 GPU는 기존 호퍼 아키텍처 대비 연산 성능이 2배 이상 향상되었으며, 특히 대규모 AI 모델을 실행할 때의 전력 효율이 4배 증가했다. 이는 곧 더 적은 에너지로 더 강력한 AI 모델을 훈련하고 실행할 수 있다는 의미다. 젠슨 황은 연설에서 “블랙웰은 단순한 속도 개선이 아니라, AI 연구자들이 더 크고 복잡한 모델을 현실적으로 활용할 수 있도록 지원하는 플랫폼”이라고 설명했다. 이제 AI 연구자는 엄청난 비용을 감수하지 않고도 보다 정교한 생성형 AI, 실시간 데이터 처리, 고도화된 시뮬레이션 등을 구현할 수 있게 되었다. 엔비디아는 블랙웰 GPU와 함께 옴니버스 클라우드 API를 발표했다. 이는 단순한 클라우드 컴퓨팅 설루션이 아니라, AI 모델 개발 및 실행을 위한 강력한 협업 플랫폼이다. 옴니버스 클라우드 API는 데이터센터, AI 연구소, 기업의 IT 인프라를 하나의 거대한 AI 네트워크로 연결하여, 개발자들이 실시간으로 협업하고 AI 모델을 학습할 수 있도록 지원한다. 이는 특히 자율주행, 산업 자동화, 로보틱스 같은 분야에서 AI의 혁신 속도를 극적으로 끌어올릴 것으로 기대된다. 젠슨 황은 “AI 개발은 더 이상 한 기업이나 연구소만의 일이 아니다. 옴니버스 클라우드 API를 통해 전 세계의 AI 개발자가 하나로 연결될 것”이라며, AI 연구의 새로운 생태계를 제시했다. 또 한 가지 주목할 점은 AI 팩토리(인공지능 공장) 개념이다. 젠슨 황은 AI를 ‘새로운 산업 혁명의 동력’으로 표현하며, AI 팩토리가 데이터를 가공하고 AI 모델을 대량으로 생산하는 핵심 인프라가 될 것이라고 설명했다. 이 개념을 이해하려면 기존 제조업과 비교해보면 쉽다. 과거에는 자동차나 전자제품을 생산하는 공장이 경제의 중심이었지만, 미래에는 AI를 학습하고, 최적화하고, 배포하는 ‘AI 공장’이 가장 중요한 인프라가 될 것이다. 젠슨 황은 AI 팩토리가 AI 기반 자율주행, 로봇, 데이터 분석, 금융 모델링 등 다양한 산업에서 필수 역할을 하게 될 것이라고 강조했다. 블랙웰 GPU, 옴니버스 클라우드 API, AI 팩토리는 단순한 기술 발전이 아니다. 이들은 AI가 단순한 연구 프로젝트에서 벗어나 본격적인 산업 혁신의 중심으로 자리 잡는 것을 의미한다. 과거에도 GPU의 성능 향상이 AI 산업에 변화를 가져온 적이 있다. 2012년 알렉스넷(AlexNet)이 GPU 가속을 이용해 딥러닝의 가능성을 처음 보여줬고, 2017년 트랜스포머(transformer) 모델이 등장하며 자연어 처리 AI가 급격히 발전했다. 그리고 2025년에는 블랙웰이 AI의 자율성과 창의성을 한 단계 끌어올리는 전환점이 될 것이다. 젠슨 황이 기조연설에서 블랙웰을 소개하며 한 말이 특히 인상적이었다. “AI는 이제 단순한 도구가 아니라 스스로 사고하고 결정하는 존재로 나아가고 있다.” 이 말은 곧, 우리가 맞이할 AI의 미래가 이전과는 전혀 다른 차원이라는 것을 시사한다. 그리고 그 변화를 가속하는 엔진이 바로 블랙웰이다. “이제 AI는 단순한 계산기가 아니라, 실제로 ‘생각하고 판단하는 존재’가 되어야 한다.” – 젠슨 황   엔비디아가 던진 화두, 에이전틱 AI와 추론 AI AI 기술의 발전은 단순히 연산 능력을 향상시키는 것에 그치지 않는다. 더 중요한 것은 AI의 ‘사고 방식’이 바뀌고 있다는 점이다. 지금까지의 AI는 데이터를 학습하고 패턴을 인식하는 역할을 해왔다. 하지만 이제 AI는 스스로 목표를 설정하고, 상황에 맞게 판단하며, 능동적으로 문제를 해결하는 방향으로 진화하고 있다. GTC 2025에서 젠슨 황이 강조한 에이전틱 AI와 추론 AI는 바로 이러한 변화의 핵심 개념이다. 그는 이 두 가지 개념이 AI를 단순한 도구에서 ‘자율적 지능’으로 변화시키는 결정적 요소라고 설명했다. 그렇다면 에이전틱 AI와 추론 AI는 무엇이며, 어떤 변화를 가져올까? 에이전틱 AI의 핵심은 AI가 인간의 지시 없이도 능동적으로 목표를 설정하고, 실행할 수 있도록 만드는 것이다. 기존의 AI는 주어진 데이터와 명령에 따라 최적의 결과를 도출하는 ‘수동적’ 존재였다. 하지만 에이전틱 AI는 스스로 목표를 설정하고, 문제를 해결하는 ‘능동적’ 존재로 변하고 있다. 젠슨 황은 에이전틱 AI를 활용하면 인간이 직접 개입하지 않아도 AI가 알아서 문제를 해결하는 시대가 열린다고 강조했다. 추론 AI는 한 단계 더 나아가, AI가 단순한 패턴 인식을 넘어 논리적 사고를 수행할 수 있도록 만드는 기술이다. 기존 AI 모델은 데이터를 학습하고 특정 패턴을 기반으로 예측을 수행했지만, 그 과정에서 왜 이런 결론이 나왔는지 설명하지 못하는 경우가 많았다. 그러나 추론 AI는 AI가 논리적인 판단을 수행하고, 의사결정의 과정을 설명할 수 있도록 하는 것을 목표로 한다. 젠슨 황은 “이제 AI는 단순한 계산기가 아니라, 실제로 ‘생각하고 판단하는 존재’가 되어야 한다”며, 추론 AI가 향후 AI 발전의 핵심이 될 것이라고 강조했다. 젠슨 황이 강조한 에이전틱 AI와 추론 AI는 개별적인 개념이 아니라, 서로 결합될 때 가장 강력한 시너지를 발휘한다. 에이전틱 AI는 AI가 스스로 목표를 설정하고, 문제를 해결할 수 있도록 한다. 추론 AI는 AI가 단순한 계산이 아니라, 논리적 사고를 통해 최적의 결정을 내릴 수 있도록 한다. 이 두 가지가 결합되면, AI는 단순한 보조 도구를 넘어서 ‘진정한 지능(Artificial General Intelligence : AGI)’에 가까워질 것이다. 이러한 AI의 발전은 산업 전반에 걸쳐 거대한 변화의 파도를 일으킬 것이며, 기업들은 단순한 AI 도입을 넘어서 AI를 기업 전략의 중심으로 삼아야 하는 시점에 이르렀다. “AI 팩토리를 구축하여 AI 자체를 ‘생산하는 능력’을 가져야 한다.” – 젠슨 황   AI 팩토리, AI 혁명을 생산하는 공장 이제 AI는 단순한 소프트웨어가 아니라 하나의 ‘산업’으로 성장하고 있다. GTC 2025에서 젠슨 황이 강조한 개념 중 하나가 바로 AI 팩토리(인공지능 공장)이다. 그는 AI 팩토리를 가리켜 ‘미래 산업의 심장’이라고 표현했다. 그렇다면 AI 팩토리란 무엇이며, 왜 중요할까? 이 개념이 가져올 변화는 무엇일까? 기존의 데이터센터는 단순한 컴퓨팅 인프라였다. 하지만 AI 팩토리는 데이터를 학습하고, AI 모델을 훈련하며, 새로운 AI 설루션을 ‘생산’하는 역할을 한다. 즉, AI가 AI를 만들어내는 공장이다. 젠슨 황은 AI 팩토리를 자동차 산업에 비유하며 설명했다. “과거에는 사람이 손으로 자동차를 조립했지만, 지금은 로봇이 자동차를 생산한다. AI도 마찬가지다. 미래에는 사람이 AI를 개발하는 것이 아니라, AI 팩토리에서 AI가 스스로 AI를 만들어내게 될 것이다.” 즉, AI 팩토리는 단순한 데이터 센터가 아니라 AI 혁명을 대량 생산하는 공장이 된다. 젠슨 황은 GTC 2025에서 "AI 팩토리를 구동하는 핵심 연산 장치는 블랙웰 GPU가 될 것"이라고 강조했다. AI 팩토리에서 생산되는 것은 반도체나 기계가 아니라 AI 자체다. 이 공장에서 에이전틱 AI, 추론 AI, 자율주행 AI, 생성형 AI 등이 대량으로 생산된다. 즉, AI 팩토리는 단순한 데이터 센터를 넘어 새로운 AI 산업의 허브가 된다. AI 팩토리가 등장하면 기업과 산업이 근본적으로 변화한다. 특히, 데이터를 기반으로 하는 모든 산업이 AI 팩토리를 도입할 가능56 · 성이 높다. 결국 AI 팩토리는 단순한 연구소가 아니라, 실제 AI 모델을 ‘대량 생산’하여 산업에 공급하는 핵심 인프라가 된다. 젠슨 황은 AI 팩토리의 등장이 단순한 기술 발전이 아니라 경제 패러다임의 변화라고 강조했다. 이제 기업은 단순히 AI를 도입하는 것을 넘어, AI 팩토리를 구축하여 AI 자체를 ‘생산하는 능력’을 가져야 한다. “AI를 도입하지 않는 기업은 도태될 것이다.” – 젠슨 황   AI의 도입, AI가 기업을 재설계한다 AI 혁명은 더 이상 선택이 아니다. GTC 2025에서 젠슨 황이 강조한 메시지는 명확했다. "AI를 도입하지 않는 기업은 도태될 것이다." 이제 AI는 기업 운영의 한 요소가 아니라 기업의 핵심 전략, 구조, 성장 엔진 자체로 변화하고 있다. 기업은 어떻게 AI를 도입하고 있으며, AI 도입이 비즈니스에 미치는 영향은 무엇일까? 과거 AI 도입은 단순한 자동화 도구 활용이었다. 그러나 이제 AI 도입(AI adoption)은 기업의 핵심 역량을 AI 중심으로 전환하는 과정이다. AI 도입은 이제 단순한 기술의 도입이 아니라, 기업의 전략과 문화 자체를 AI 중심으로 변화시키는 과정이다. AI 도입이 빠르게 진행될 수록, 기업들은 직접 AI를 개발하는 것이 아니라 필요한 AI 서비스를 구독하는 방식으로 활용하는 시대가 열리고 있다. AI 도입이 가속화되면서 기업들은 완전히 새로운 방식으로 운영되고 있다. 특히, 의사결정 구조, 업무 방식, 조직 문화가 AI 중심으로 변화하고 있다. 이제 AI는 단순한 도구가 아니다. AI 도입이 진행될 수록, 기업의 핵심 전략과 비즈니스 모델 자체가 AI 중심으로 변화하고 있다. 결국, AI 도입을 성공적으로 수행하는 기업만이 미래 시장에서 생존하고 성장할 수 있을 것이다.    표 2. 기존 기업 vs. AI 중심 기업의 차이점   AI는 혼자 발전할 수 없다. 모두가 함께 연결되어야 한다.” – 젠슨 황   네트워킹, AI 시대의 연결과 협업 AI가 기업의 핵심 전략이 되고 산업 전체가 AI 기반으로 재편되는 과정에서, 네트워킹(networking)의 중요성이 더욱 강조되고 있다. 과거 기업은 독립적으로 성장하는 전략을 취했지만, 이제 AI 시대에서는 기업 간 협력, 데이터 공유, AI 연구 협업이 필수이다. GTC 2025에서 젠슨 황은 이렇게 말했다. “AI는 혼자 발전할 수 없다. 모두가 함께 연결되어야 한다.” 그렇다면 AI 시대의 네트워킹은 어떻게 이루어지고 있으며, 어떤 기업이 AI 협업을 통해 새로운 가치를 창출하고 있을까? AI 네트워킹의 의미는 ‘AI는 연결을 필요로 한다’로 해석된다. AI 혁명이 가속화될 수록 기업들은 서로 연결될 필요가 있다.  즉, AI 네트워킹이란 기업들이 AI를 더 빠르고, 더 효율적으로, 더 윤리적으로 활용하기 위해 서로 협력하는 과정을 의미한다. AI 네트워킹을 실현하는 방식은 다양하지만, 현재 가장 중요한 세 가지 협력 모델을 살펴보자. AI 팜(AI farms)을 통해 개별 기업이 AI 인프라를 구축하는 부담을 줄이고, 더 빠르게 AI를 도입할 수 있다. AI 얼라이언스(AI alliance)를 통해 기업들은 경쟁이 아닌 협력을 기반으로 AI 혁신을 가속화하고 있다. 즉, AI 데이터 공유는 이제 개인정보 보호를 유지하면서도 기업들이 협력할 수 있는 새로운 방식으로 발전하고 있다. AI 네트워킹이 활성화됨에 따라, 기업들은 완전히 새로운 방식으로 연결되고 협력하고 있다. AI 시대에는 한 산업 내에서 경쟁하는 것이 아니라, 다양한 산업과 연결되는 것이 핵심 전략이 된다. 결과적으로, AI 네트워킹을 활용하는 기업들은 새로운 기회를 창출하고, 더 빠르게 AI 중심으로 전환하고 있다. “AI 혁명은 이제 되돌릴 수 없는 변곡점에 도달했다. 우리는 AI와 함께 새로운 미래를 설계해야 한다.” – 젠슨 황   AI 시대의 미래, 우리는 어디로 가는가 AI 혁명은 이제 단순한 기술 발전을 넘어 산업, 사회, 인간의 삶 자체를 근본적으로 변화시키고 있다. GTC 2025에서 젠슨 황은 말했다. “AI 혁명은 이제 되돌릴 수 없는 변곡점에 도달했다. 우리는 AI와 함께 새로운 미래를 설계해야 한다. ”그렇다면 AI의 미래는 어디로 향하고 있으며, 우리는 AI와 함께 어떤 세상을 만들어가야 할까? 에이전틱 AI와 추론 AI의 발전이다. 즉, AI가 단순한 ‘도구’가 아니라, 인간과 협력하는 ‘실제적인 파트너’가 되는 시대가 다가오고 있다. 기존의 AI는 패턴을 학습하는 방식이었다. 그러나 추론 AI는 스스로 논리적으로 사고하고 추론하는 능력을 갖춘다. 즉, AI가 더 이상 단순한 자동화 도구가 아니라, 지능적인 사고를 할 수 있는 존재로 변화하고 있다. AI가 점점 더 지능적으로 발전하면서, 우리는 ‘AI와의 관계를 어떻게 설정할 것인가’라는 근본적인 질문을 마주하게 되었다. 이제 AI는 단순한 도구를 넘어, 인간과 협력하여 새로운 가치를 창출하는 존재로 변화하고 있다. AI가 고도화될 수록 우리는 AI의 윤리적 문제와 사회적 책임에 대한 고민을 깊게 해야 한다. 결과적으로, 각국이 AI 규제와 발전 전략을 다르게 설정하면서 AI 패권 경쟁이 더욱 치열해지고 있다. AI는 단순한 기술이 아니라, 인류가 새로운 방식으로 사고하고 일하고 살아가는 방식을 바꾸는 거대한 전환점이 되고 있다. “AI는 이제 단순한 도구가 아니라, 스스로 사고하고 결정하는 존재로 나아가고 있다.” – 젠슨 황   변화의 바람을 넘어, AI와 함께 새로운 항해를 시작하다 AI 혁명은 거대한 바람이 아니라, 이제는 우리가 타고 항해해야 할 파도다. 과거에는 변화가 두려운 것이었다. 그러나, AI와 함께라면 우리는 변화 속에서도 새로운 기회를 창출할 수 있다. 엔비디아 GTC 2025에서 젠슨 황이 던진 질문을 기억하자. “AI 시대, 우리는 어떤 미래를 만들어갈 것인가?” 이제 우리는 AI와 함께 새로운 항해를 시작할 준비를 해야 한다.   그림 1. 엔비디아 기업 성장 맵(GTC 2024, 2025, Map by 류용효) (클릭하면 큰 이미지로 볼 수 있습니다.)   ■ 류용효 디원의 상무이며 페이스북 그룹 ‘컨셉맵연구소’의 리더로 활동하고 있다. 현업의 관점으로 컨설팅, 디자인 싱킹으로 기업 프로세스를 정리하는데 도움을 주며, 1장의 빅 사이즈로 콘셉트 맵을 만드는데 관심이 많다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   지난 2월호 칼럼에서 필자는 현재 인공지능의 약점으로 현실의 물리적 특성에 대한 이해도가 떨어진다고 짚었다. 그래서 물리적 AI(physical AI)가 필요하다고 이야기한 적이 있다. 물리적 AI란 현실의 물리적 현상을 이해하는 인공지능을 의미한다. 최근의 발전된 대규모 언어 모델(LLM)과 지속적으로 발전하고 있는 인공지능 멀티모달이 우리를 놀라게 하고 있다. 그러나 인공지능 기술(AI technology)과 디지털 트윈 기술(digital twin technology)이 넘어야 할 큰 산이 있다. 인간들은 현실의 물리적 현상에 대해서 경험치가 풍부하다. 하지만 이 두 기술은 현실 세계에 대한 물리적 경험치가 많이 부족하다. 그래서 어떤 대답이나 결정이 현실 세계와 동떨어져서 사람들을 실망시키거나 놀라게 한다. 그래서 사전학습(pretraining)을 하기도 한다. 그러므로 물리적 AI와 물리적 디지털 트윈(physical digital twin)의 기술 결합이 필요하다. 최근에는 인공지능 분야에서 세계 기반 모델(world foundation model)에 관한 연구가 주목 받고 있다. 세계 기반 모델은 대규모 멀티모달 AI 모델로, 텍스트, 이미지, 음성, 영상, 코드 및 시뮬레이션 데이터를 학습한 모델로, 현실의 물리적인 특성은 물론 사회적과 경험적, 문화적 특성을 이해할 수 있는 인공지능 모델이라고 할 수 있다. 이 기반 모델(foundation model)은 인공지능 분야에서 최근 관심을 받고 있는 개념으로, 다양한 물리적 환경과 현실 세계의 데이터를 기반으로 학습하여 세계를 이해하고 예측하는 대규모 AI 모델을 의미한다. 이 모델은 현실 세계의 물리 법칙, 사회적 상호작용, 환경적 요소 등을 통합적으로 이해하고 시뮬레이션할 수 있도록 설계된다. 물리적 디지털 트윈은 디지털 트윈을 세계 기반 모델로 학습시킨 디지털 트윈이라고 할 수 있다. 현재 디지털 디지털 트윈의 의사결정이 빅데이터나 기계 학습 수준이라면 이것은 딥러닝이라고 할 수 있다. 딥러닝은 전이학습(transfer learning)이나 추론(reasoning)이 가능하다. 현재의 디지털 트윈 개발 환경은 몇 년 전의 챗GPT같은 인공지능 기반 모델이 나오기 전과 비슷하다. 산업 분야 별로 표준화도 없고, 각각의 필요에 따라서 매번 개발해야 하고, 다시 재사용하는 부분도 상대적으로 적어서 개발 비용이 사용자의 기대감에 비해서 매우 비싸고, 저렴한 것은 범용성이 거의 없는 편이다. 그리고 디지털 트윈 내부의 의사결정 법칙을 만들거나 인공지능에 필요한 빅 데이터와 학습 데이터 비용이 많이 필요하다.   그림 1. 물리적 인공지능과 물리적 디지털 트윈의 결합(출처 : 챗GPT로 생성)   제품 개발과 생산과 유지보수 분야에서 디지털 트윈과 AI의 결합은 많은 장점이 있다. 디지털 트윈과 AI를 결합하면 각 기술의 장점을 극대화할 수 있다. 향상된 예측 및 분석 : AI는 디지털 트윈이 수집한 데이터를 분석하여 더 정확한 예측을 제공할 수 있다. 예를 들어, AI는 장비의 장애를 예측하거나, 성능 저하를 조기에 감지하는 데 사용될 수 있다. 자동화된 의사결정 : AI는 디지털 트윈 데이터를 기반으로 더 효율적이고 자동화된 의사결정을 가능하게 한다. 이를 통해 프로세스를 최적화하고 운영 효율성을 향상시킬 수 있다. 연속적인 학습 및 개선 : 디지털 트윈은 지속적으로 데이터를 수집하고, AI는 이 데이터로부터 지속적으로 학습하며, 시스템의 성능을 개선한다. 사용자 맞춤형 경험 : AI는 디지털 트윈을 통해 수집된 사용자 데이터를 분석하여 맞춤형 사용자 경험을 제공할 수 있다. 만약에 이것이 가능하다면 제품 개발에 필요한 수많은 도면과 CAD 파일과 CAE 작업이 혁신적으로 줄 수 있을 것이다. 물리적 디지털 트윈과 물리적 AI의 추론과 시뮬레이션으로 대체할 수 있다. 그리고 다양한 시나리오가 적용된 결과물은 동영상으로 생성해서 볼 수 있다. 물리적 인공지능과 물리적 디지털 트윈의 기술 통합은 제조 산업 분야에 엄청난 게임 체인저가 될 수 있다. 요즘 각광을 받고 있는 딥시크(DeepSeek)처럼 일반 PC에서 사용할 수 있는 오픈소스의 AI에 물리적인 특성을 이해하는 디지털 멀티모달 AI 모델과 디지털 트윈이 중소기업과 개인 엔지니어가 사용할 수 있는 수준이 된다면, 진정한 인공지능 중심의 5차 산업혁명이 올 수 있다. 이것은 모든 엔지니어에게 새로운 경험이 될 수 있다.    ■ 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.

마이다스아이티는 4월 21일~22일 마이다스아이티 판교 본사에서 ‘CAE I/X DAY 2025’가 열린다고 밝혔다. 이번 행사는 CAE 핵심 이론과 실무 적용 사례를 공유하고, 실습을 통해 실무자들의 활용 능력을 높이기 위해 기획되었다.  행사 1일차인 4월 21일에는 CAE 분야의 현직 전문가들이 준비한 세션을 통해 최신 해석 기술을 소개하고 다양한 해석 사례를 공유할 예정이다. ▲CAE의 필요성 및 강성 평가 이해 ▲최적화 해석 개념과 사례 ▲열전달 개념과 방열 설계에 대한 이해 등 실무에서 자주 활용되는 핵심 이론과 사례가 집중적으로 다뤄져, 참석자들이 해석 기술의 기초를 다질 수 있도록 했다. 2일차인 4월 22일에는 마이다스아이티의 대표 CAE 제품을 활용한 실습 세션이 진행된다. ▲메시프리(MeshFree)를 활용한 구조 강성 평가 ▲NFX로 따라하는 혼합물 및 다상유동 해석 실습 등 실제 CAE 프로그램을 직접 다뤄보며 실무에서 활용할 수 있는 노하우를 습득할 수 있다.  마이다스아이티는 “이틀간의 프로그램을 통해 CAE 기술을 보다 효과적으로 활용하는 방법을 익힐 수 있다”면서, “현장 참석자에게는 200만 원 상당의 수강료가 전액 지원되며, 스페셜 디저트 및 고급 라운지 식사, 100% 당첨 현장 이벤트 기회가 제공될 예정”이라고 밝혔다. 이번 행사의 신청은 마이다스 MTS 홈페이지에서 접수할 수 있다.  

알테어가 자사의 클라우드 플랫폼인 ‘알테어원’에 엔비디아의 ‘옴니버스 블루프린트’를 통합했다고 밝혔다. 옴니버스 블루프린트는 엔비디아가 개발한 실시간 디지털 트윈 구축을 위한 참조 워크플로이다. 이번 통합으로 사용자는 복잡한 시뮬레이션과 디지털 트윈을 실시간으로 시각화하고 구축할 수 있으며, 별도의 설정 없이 다양한 사용자와 함께 협업할 수 있다.   이제 사용자는 알테어원 내에서 옴니버스 블루프린트를 즉시 활용할 수 있으며, 구축한 디지털 트윈은 클라우드와 온프레미스 환경 어디서든 손쉽게 배포할 수 있다. 알테어원은 모든 데이터를 메타데이터와 함께 체계적으로 관리해 설계 반복 시에도 유연하게 대응할 수 있도록 지원한다. 특히 알테어의 인공지능(AI) 기반 해석 설루션인 ‘알테어 피직스AI’를 함께 활용할 경우, 기존에 며칠씩 걸리던 물리 해석 작업을 수 초 내지는 수 분 내로 단축할 수 있다.   실시간 협업도 중요한 차별점이다. 사용자는 디지털 트윈 환경에서 여러 사용자와 동시에 설계를 진행하고, 가상 환경에서 실시간으로 시뮬레이션을 수행할 수 있다. 특히 3D 설계, AI, 레이 트레이싱 기술이 결합된 몰입형 업무 환경을 제공하며, 클라우드 기반의 고품질 렌더링과 스트리밍 기능을 통해 복잡한 시스템 통합도 간소화된다. 알테어는 충돌 및 낙하 테스트 등 고난도 해석 작업에서도 시뮬레이션 속도와 협업 효율을 높일 수 있을 것으로 보고 있다.   이번 협업은 엔비디아의 GPU 가속, NIM 마이크로서비스, 옴니버스 플랫폼 등 최신 기술을 기반으로 하며, 알테어는 이를 바탕으로 시뮬레이션, AI, 데이터 분석, 고성능 컴퓨팅(HPC) 등 자사의 핵심 역량을 단일 플랫폼에 집약해 디지털 엔지니어링의 새로운 표준을 제시할 계획이다.     엔비디아의 티모시 코스타 CAE 및 CUDA-X 부문 수석 디렉터는 “디지털 트윈 기술은 산업을 재편하고 있다”면서, “알테어 사용자는 이제 엔비디아의 첨단 기술을 기반으로 더욱 효율적이고 실질적인 디지털 엔지니어링을 구현할 수 있을 것”이라고 말했다.   알테어의 샘 마할링엄 최고기술책임자(CTO)는 “엔비디아의 블랙웰 가속기, AI, 옴니버스 기술을 알테어원에 통합함으로써 고객은 디지털 트윈과 시뮬레이션을 보다 빠르고 직관적으로 운영할 수 있게 됐다”면서, “이번 통합은 데이터, AI, 시뮬레이션을 하나의 워크플로로 연결해 디지털 엔지니어링 혁신을 실현하는 중요한 전환점이 될 것”이라고 강조했다.   한편 알테어는 옴니버스 블루프린트 통합 외에도 주요 제품에 엔비디아 기술을 적용해 성능 향상을 지속하고 있다. 알테어의 구조해석 설루션인 ‘알테어 옵티스트럭트’는 GPU 가속 라이브러리 cuDSS를 도입해 CPU 및 GPU에서 해석 성능을 개선했다. 또한 알테어의 주요 전산유체해석(CFD) 소프트웨어가 블랙웰 플랫폼에서 최대 1.6배의 속도 향상을 기록했고, 입자 해석 시뮬레이션 소프트웨어인 ‘알테어 이뎀’은 기존 32코어 CPU 대비 최대 40배 빠른 시뮬레이션 속도를 달성한 바 있다.