인공지능 기계산업분석 - 이슈별 현황3,4

③ 센서 네트워크 설계 시 생기는 무한대의 경우의 수 문제(NP-Hard)

◯ 기계 설비를 모니터링, 제어하기 위해 센서를 통한 데이터 획득이 이루어지고 있는데, 대부분 제한된 리소스, 설비의 복잡성으로 인해 충분한 양의 데이터 획득은 불가능
- 소량의 센서로 많은 정보를 획득하는 것이 센서 네트워크 최적 설계의 목표이며, Shannon 정보 척도 이용, 효율 독립(Effective Independence) 방법 등이 주로 사용됨
◯ 대부분은 Shannon 정보 척도를 이용한 센서 조합 도출 접근법 사용
- 센서 개수의 결정을 위해 센서 추가에 따른 정보량 증가를 정량화하고, 이때 추가로 요구되는 비용을 계산함으로써 둘 사이의 Tradeoff를 통해 수량 결정
- 센서 위치의 결정은 다양한 위치의 조합들을 시뮬레이션하여 결정
- 위치 조합에 대한 모든 경우의 수를 계산하여, 최소의 비용으로 최대의 정보량을 얻을 수 있는 센서의 조합이 최적해로 도출됨
◯ 현실에서는 센서 위치 조합에 대한 경우의 수를 계산하는 것이 어려울 때가 많음
(간단히, 132개의 배관 시스템이 주어졌을 때)
- 2개의 센서를 달 수 있다고 하면, 경우의 수(132P2 = 17,292)에 대해 재난 탐지율을 정량화하여, 가장 높은 탐지율을 보이는 위치 조합을 찾으면 됨
(만일, 10,000개의 노드를 가진 배관 시스템일 경우)
- 2개의 센서를 달 수 있다고 하면, 경우의 수(10000P2)는 약 108개
- 3개의 센서인 경우(10000P3)는 약 1012개로, 기하급수적으로 늘어남
- 12개의 센서를 선택하기 위한 경우의 수(10000P12)는 거의 무한대(1048)이며 계산은 불가능
※ 참고로, 관측 가능한 우주의 원자 개수가 약 1080개, 바둑의 모든 경우의 수가 약 10170가지
- 즉 센서 네트워크 최적 설계는 “Class NP-hard” 타입의 문제로 귀결됨
※ NP-Hard Non-deterministic Polynomial time – Hard, 비결정론적 다항시간 난해
문제는 모든 경로를 다 확인해야 하므로, 영원히 풀지 못할 수도 있음

④ 단순 제너레이티브 디자인 설계 방식으로는 공학적 설계만 가능

◯ 제너레이티브 디자인(Generative Design)은 설계자가 설계 목적과 제약 조건의 종류와 레벨을 정의해 주면, 수천~수만 가지의 위상 최적 설계안들을 생성해 주는 기술
- 설계 지오메트리를 파라미터화하고 이를 변화시킴으로써 새로운 설계안들을 생성하고 평가하는 방법이며, 파라메트릭 디자인의 개념과 유사

제너레이티브 디자인과 문제 정의 다양화 예시

- 제너레이티브 디자인의 핵심은 문제 정의 자체를 변화시키면서, 다양한 문제 정의에 대해 각각의 최적 설계안을 생성하는 것

◯ 제너레이티브 디자인에서 해결해야 할 이슈들

- 첫째, 위상 최적화를 넘어서 데이터 기반의 설계 자동화 필요

- 둘째, 시장을 위한 심미성을 고려한 설계안 생성(공학적 목적 함수만을 가진 위상최적화 결과물은 사람이 심미성을 고려해 설계한 결과들과는 차이가 큼)

- 셋째, 설계안의 다양성을 높여야 함(양적으로는 무한개의 설계안을 생성할 수 있지만, 의미 있게 다른 설계안들은 적은 경우가 발생)
- 넷째, 다량 생성된 설계안 중에서 적절한 설계안을 추천하는 방법 필요
- 다섯째, 문제 정의 다양화를 위한 체계적인 방법 필요
◯ 최적 설계 분야는 딥러닝과 동일하게 확률 및 최적화 이론을 바탕으로 하기 때문에 타 분야에 비해 딥러닝의 접목이 매우 자연스러움. 최적설계와 딥러닝의 결합에 대한 연구는 위상 최적화, 파라메트릭 디자인, CAE(Computer-aided Engineering) 시뮬레이션, 대리 모델, 재료 설계, 설계 선호도 모델링, 제너레이티브 디자인(Generative Design) 등 다양한 세부 영역을 중심으로 활발하게 진행

(시사점)

인공지능 기계산업에서 데이터 수집과 설계 자동화는 단순 기술 문제가 아니라 최적화 역량의 문제이다.
설비 상태를 정확히 파악하려면 센서가 필요하지만, 실제 현장에서는 비용과 설치 제약 때문에 모든 위치에 센서를 둘 수 없다. 센서 위치 조합은 경우의 수가 폭증하는 NP-Hard 문제이므로, 최소 비용으로 최대 정보를 얻는 지능형 최적화 기술이 중요해진다. 또한 제너레이티브 디자인은 수많은 설계안을 만들 수 있지만, 공학적 성능만으로는 충분하지 않고 시장성, 심미성, 다양성, 추천 기준까지 함께 고려해야 한다.
따라서 향후 경쟁력은 AI가 설비 데이터를 효율적으로 수집하고, 설계 목적을 다차원적으로 해석하며, 실제 제조와 시장 요구에 맞는 최적안을 제시하는 능력에 달려 있다고 할 것이다.