{{ post.title }} 글 편집 글 편집 (이전 에디터) 작성자 {{ post.author.name }} 작성일

1.시뮬레이션(Simulation)

구글에서 ‘시뮬레이션’을 검색해 보면 ‘물리적 또는 추상적인 시스템을 모델로 표현하고, 그 모델을 사용해서 실 험을 하는 일. 실제로 모형을 만들어 하는 물리적 시뮬레이션과, 수학적 모델을 컴퓨터상에서 다루는 논리적 시 뮬레이션이 있음. 공학상의 설계 및 사회 현상 분석 등에 쓰이는데, 방대한 수치 계산을 고속으로 처리하는 실 시간(實時間: real-time)의 시뮬레이션은 컴퓨터의 이용을 통해 비로소 가능해졌음’ 이라고 나옵니다.

간단히 말해 시뮬레이션은 ‘모의 실험’을 말하고, 모의 실험 중에서도 컴퓨터를 이용한 모의 실험을 컴퓨터 시 뮬레이션이라고 합니다. 그리고 이 컴퓨터 시뮬레이션을 제품의 설계 및 분석에 사용하는 경우를 컴퓨터 이용공학 (Computer Aided Engineering, CAE)라고 합니다. 즉, CAE는 컴퓨터 시뮬레이션의 한 종류라고 할 수 있겠죠.

2. 디지털 트윈(Digital Twin)

디지털 트윈(Digital Twin)은 미국의 GE사에서 주창한 개념으로, 컴퓨터에 현실 속 사물과 동 일한 ‘쌍둥이’를 만들고, 현실에서 발생할 수 있 는 상황을 컴퓨터로 시뮬레이션 함으로써 결과 를 미리 예측하는 기술이라 할 수 있습니다.

용이한 설명을 위해 LG CNS가 운영중인 블로그 중 ‘물리적 세계와 디지털 세계의 통합, Digital Twin’이라는 글을 참고하였습니다. 이 글은 정보 기술 분야의 리서치/컨설팅에서 세계적인 명성 을 가지고있는 Gartner(가트너)의 자료를 인용 해서 디지털 트윈의 구현 단계를 Level 1, 3D 시각화 단계, Level 2, 실시간 모니터링 단계, Level 3, 분석/예 측/최적화 단계로 구분하여 설명하고 있습니다.

모델에 입력하는 데이터의 취득 방식이 온라인인지 여부로 Level 1과 Level 2를 구분할 수 있습니다. 오프라인 으로 데이터를 적용해서 사전 시뮬레이션을 하고 3차원 시각화까지 가능한 단계를 Level 1로, 사물에서 센서 로 취득한 데이터를 IoT 플랫폼을 통해 온라인으로 모델에 반영하는 단계를 Level 2로 봅니다. 이 단계가 되면 사물과 모델이 경험하는 것이 같아지므로 실제 사물과 디지털 트윈 모델이 1:1로 매칭 되었다고 할 수 있습니 다. Level 3은 입력 데이터와 결과를 이용해서 앞으로 벌어질 결과를 예측까지 할 수 있는 단계입니다. 

3. 사이버 물리 시스템(Cyber Physical System, CPS)

디지털 트윈과 유사한 개념으로 컴퓨터가 통신을 이용해 물리 시스템을 제어하는 통합 시스템을 의미하는 ‘사이버 물리 시스템(Cyber Physical System, CPS)’ 이라는 용어도 있습니다. 좀 더 상세히 설명하자면 컴퓨터 알고리즘으로 메커니즘을 제어하거나 모니터링하는 시스템을 CPS라고 할 수 있습니다. CPS에서도 실제 물리 시스템과 소프트웨어는 서로 상호 작용할 수 있습니다.

디지털 트윈과 비슷한 의미로 보이는데, 무슨 차이가 있을까요? KCERN (Korea Creative Economy Research Network, (사)창조경제연구회)이라는 곳에서 주최한 한 포럼의 자료에서는 아래와 같이 두 용어의 차이점을 설명하고 있습니다.

이 설명에 따르면, ‘디지털 트윈은 현실을 가상화 하는 것이고, CPS는 가상을 현실화하는 것이다’라고 보면 적당할 것 같습니다.

4. 메타 모델(Meta Model)

앞에서 설명한 CPS를 ‘시스템의 시스템(system of systems)’이라고 합니다. 이에 반해 지금 설명하려는 메타 모델과 써로게이트 모델은 ‘모델의 모델(a model of a model)’이라고 합니다. 여기서 System of systems는 시스템을 묶어서 시스템의 복잡도가 커지는 것을 뜻하지만 a model of a model은 근사 방법(Approximation method)을 사용해 모델을 한번 더 모델링함으로써 더 간단해지는 것을 뜻합니다. 그래서 메타 모델을 근사 모델(Approximate model)이라고도 합니다.

메타모델(근사 모델)은 최적화를 할 때 많이 사용합니다. 최적화 과정에서 실제 모델을 이용한 계산의 반복 횟수가 증가하면 필요한 시간이 매우 길어지는 경우가 있기 때문에 메타 모델을 이용하여 계산 시간을 줄이는 것입니다.

CAE에서 사용하는 모델은 정확한 결과를 얻는 것이 그 목적입니다. 따라서 최대한 왜곡없이 세세하게 모델링 해야 하기 때문에 계산량이 많고 그만큼 소요되는 시간도 길어지는 계산 집약적(computation-intensive)인 모델링 방법을 써야 합니다. 만약 계산 집약적인 방법을 사용해서 최적화를 하려고 하면 경우에 따라서는 필요한 시간이 수개월까지 늘어나게 되는데, 이렇게 시간이 오래 걸리는 방법을 업무에 사용하기란 몹시 어려운 일 이겠죠. 그래서 이에 대한 대안으로 최적 설계에서는 계산 집약적인 모델 대신 근사 모델을 사용합니다. 근사 모델을 사용함으로써 최적화에 소요되는 시간을 크게 줄일 수 있는데 이 최적화에서 사용하는 근사 모델을 메 타 모델이라고 합니다.

메타 모델을 만들 때는 어떤 시뮬레이션 모델과 방법을 사용했는지에는 상관없이 시스템의 반응만을 사용합니 다. 입력과 반응을 가지고 메타 모델을 만들고 이를 이용해서 최적화를 수행합니다. 이 방법을 근사 기반 최적 화(approximation based optimization)라고 합니다.

5. 써로게이트 모델 (대리 모델, Surrogate Model)

써로게이트 모델은 메타 모델, 반응 표면 모델(Response surface model)과 함께 근사 모델을 일컫는 여러 명칭 중 하나입니다.

써로게이트 모델은 데이터를 기반(Data driven)으로 상향식 접근(bottom-up) 방식을 사용하여 구성됩니다. 시 뮬레이션 내부 로직이 어떻게 되어 있는지를 조사하는 것에는 관심이 없고 입력과 출력 결과에만 주목합니다. 설계 변수에 대한 결과를 사용해서 모델을 구성합니다. 이런 특성 때문에 행동 모델링(Behavioral modeling) 또 는 블랙 박스 모델링(Black-box modeling)이라고도 합니다. 이 때, 설계 변수가 하나만 있는 경우를 커브 피팅 이라고 합니다.

메타 모델과 써로게이트 모델은 개념적으로 동일한 의미를 갖습니다. 동일한 의미의 용어지만 메타 모델은 최 적화에서 많이 사용되고, 써로게이트 모델은 최적화보다 더 넓은 의미의 공학(Engineering) 분야에서 사용됩니 다. 그래서 최적화 이외의 분야에서는 써로게이트 모델이라는 용어가 더 많이 알려져 있습니다.

6. 딥러닝(Deep learning)

미국 인디애나대학교(IU)의 조태호 교수가 쓴 『모두의 딥러닝』에서는 인공 지능, 머신 러닝, 딥 러닝에 대해서 다음과 같이 설명하고 있습니다.

딥러닝은 사람을 닮은 인공지능을 만들기 위해 수십 년간 지속해 온 노력의 결실입니다. 사람이 할 수 있는 것 과 유사한 판단을 컴퓨터가 해 낼 수 있게끔 인공지능을 연구하던 중, 기존의 데이터를 이용해 앞으로의 일을 예측하는 머신러닝 기법이 효과적임을 발견했습니다. 이 머신러닝 안에는 여러 알고리즘이 있는데, 이 중 가장 좋은 효과를 내는 것이 바로 딥러닝입니다. 따라 서 인공지능, 머신러닝, 딥러닝의 관계를 그림과 같이 표현할 수 있습니다. 인공지 능의 큰 범주 안에 머신러닝이 속하고, 머신러닝의 일부분이 딥러닝인 것이지요.

흔히 인공 지능, 머신 러닝, 딥 러닝이라는 용어가 혼용되어 있는데, 개념적으로는 우측 그림과 같다고 보면 좋을 것 같습니다.

7. 머신 러닝(Machine learning)

머신 러닝은 인공지능의 한 분야로 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 의미합니다. 가령 머신 러닝을 통해 사용자가 수신한 이메일이 스팸인지 여부를 구분하는 훈련을 할 수 있으며, 다수의 시뮬레이션 결과를 학습시켜, 불량 여부를 판별하는 알고리즘을 개발할 수도 있습니다.

머신 러닝은 데이터 마이닝(Data Mining)과 같은 방법을 사용하는데, 컴퓨터 과학에서는 머신 러닝이라고 하고, 통계학에서는 데이터 마이닝이라고 합니다. 머신 러닝과 데이터 마이닝을 굳이 구별하자면 데이터 마이닝은 가지고 있는 데이터에서 형상 및 특성을 발견하는 것이 목적인 반면, 머신 러닝은 기존 데이터를 통해 학습을 시킨 후 새로운 데이터에 대한 예측값을 알아내는 데 목적이 있다고 할 수 있습니다.

8. 인공 지능(Artificial Intelligence, AI)

인공 지능은 전문가들의 관점에 따라 여러 가지로 정의됩니다. 스튜어트 러셀(Stuart Russel)과 피터 노빅(Peter Norvig)은 저서 『인공지능: 현대적 접근법(Artificial Intelligence: A Modern Approach』에서 인공지능 을 다음과 같이 4가지로 정의했습니다.

이 중에서 현재까지 가장 활발하게 연구되고 있는 인공지능 분야는 ‘2) 인간처럼 행동하는 시스템’ 입니다.

예를 들면, 자연어 처리, 이미지 인식, 음성 인식, 기계 번역, 컴퓨터 비전, 로보틱스 등이 있습니다.

인공 지능은 이미 생각보다 우리 가까이에 있습니다. 스마트 폰으로 꽃을 사진으로 찍으면 꽃의 이름을 알려주는 기능에서부터 아이폰의 시리(Siri)와 같은 자연어 처리 음성 비서 시스템 들이 모두 인공지능을 사용한 솔루션입니다.

인공 지능이 사람들에게 본격적으로 알려진 계기는 미국 구글사의 인공 지능인 알파고와 인간의 바둑 대결을 꼽을 수 있겠습니다. 이 대결에서 인공 지능이 인간을 이김으로써 사람들에게 일종의 위기감을 불러 일으켰고 사회가 위기감에 반응하였다고 할 수 있을 것 입니다.

9. 건전성 예측 및 관리(Prognostics and Health Management, PHM)

PHM 기술은 기계, 설비, 항공, 발전소 등의 상태 정보를 수집하여 시스템의 이상 상황을 감지하고 분석 및 예 지 진단을 통해 고장시점을 사전에 예측함으로써 설비관리를 최적화하는 기술입니다.

기계 상태를 실시간으로 감시해서 진동과 마모 등 이상을 미리 감지하고 앞으로 발생할 수 있는 고장을 예측합니다. 고장을 미리 예측하면 적절한 조치를 미리 취할 수 있기 때문에 불필요한 유지보수 비용을 줄일 수 있고 신뢰성을 높일 수 있습니다.

실시간 감시를 하기 위해서는, 디지털 트윈이나 사이버 물리 시스템과 마찬가지로 PHM에서도 센서와 IoT가 중요합니다. 그리고 인공 지능 그 중에서도 특히 머신 러닝이 예측에 사용될 수 있습니다.

PHM은 1980년도 영국 민간항공국(CAA)에서 항공기 보다 30배 높았던 헬리콥터의 사고율을 줄이는 것을 목표로 연구가 시작되었습니다. CAA는 헬리콥터의 건전성을 관찰하는 HUMS (Health & Usage Monitoring System)를 개발하여 이를 실제 헬리콥터에 적용하였고, 그 결과, 사고율이 50% 줄어드는 성과를 내었습니다.

이상으로 9가지 용어의 정의를 살펴보았으며, 다음과 같이 설명과 그림으로 요약해 보았습니다.

지금까지 살펴본 내용으로 볼 때 앞으로 CAE는 사고와 고장을 예방하고 사용자와 기계의 안전을 보장하는 역할을 담당하는데 있어서 그 중요성이 커질 것으로 예상됩니다. 미래의 CAE는 인공 지능의 한 부분에 포함될 것 입니다. 인공 지능을 통한 예측의 실행 단계에서는 빠른 반응 속도가 필요하기 때문에 모델의 모델 즉, 써로게 이트 모델을 사용하게 될 가능성이 높습니다.

이 때, 예측의 정확도를 높이려면 지속적인 학습을 통해 모델을 성 장시켜야 합니다. 이를 위해서는 정확도가 높은 CAE를 이용하여 신뢰할 수 있는 데이터가 제공되어야 합니다. 다시 한번 강조하지만, CAE는 결국 인공 지능 속으로 들어갈 것입니다. 하지만, CAE는 데이터 제공자로서 인 공 지능을 성장시키는 중요한 역할을 맡아 인공 지능 속에 계속해서 살아 있을 것입니다.