3D 합성 데이터를 위한 딥 제너레이티브 디자인(Deep Generative Design)
왜 제조업에서는 AI 모델 학습이 어려울까?
AI를 중심으로 한 디지털 전환(DX) 연구 및 프로젝트는 국내외에서 활발하게 진행되고 있으며, 전통적인 제조 기업들도 엔지니어링 데이터를 활용한 가상 제품 개발이나 디지털 트윈 구축에 관심을 가지고 있습니다. 이를 통해 AI를 사용하여 제품 개발 프로세스를 자동화하고 제품 개발 시간을 단축하며 비용을 최소화하여 시장 경쟁력을 향상시킬 수 있습니다. 그러나 실제 제품 개발 현장에서는 데이터 확보에 어려움이 있으며, 특히 3D 엔지니어링 데이터를 구축하는 것은 드뭅니다.
데이터 부족한 환경에서 AI 모델을 학습시키기 위해서는 합성 데이터의 활용이 필수적입니다. 합성 데이터는 시뮬레이션 등 자동화 기술을 통해 인위적으로 생성되는 데이터를 의미하며, 소량의 실제 데이터보다는 대량의 합성 데이터를 사용하는 것이 더 좋은 성능을 낼 수 있다는 사실이 알려져 있습니다. 실제 데이터는 수집과 라벨링에 많은 시간과 비용이 들지만, 합성 데이터는 컴퓨터 자동화 기술을 통해 빠르고 저렴하게 생성할 수 있으며, 다양성을 확보하고 AI 모델의 강건성을 높일 수 있습니다.
하지만 3D 엔지니어링 데이터의 경우 합성 데이터 생성이 어려운 편입니다. 이는 엔지니어링 도메인의 기술적인 요구사항을 이해하고 물리적으로 의미 있는 합성 데이터를 생성해야 하기 때문입니다. 기존의 컴퓨터 비전 분야의 합성 데이터 생성 방법은 3D 데이터 생성에 적합하지 않을 수 있으며, 다양한 설계 요구사항과 공학적 특성을 충족시키기 어렵습니다. 따라서 AI를 가상 제품 개발에 적용하기 전에, 엔지니어링 도메인에 특화된 3D 합성 데이터 생성 기술을 개발하는 것이 필요합니다.
어떻게 3D 합성데이터 생성을 할 수 있을까?
제너레이티브 디자인은 컴퓨터를 사용하여 디자인 요구사항을 충족하는 다양한 디자인을 탐색하는 기술을 포함하고 있습니다. 이 기술은 공학적인 요구사항을 만족하는 3D 합성 데이터 생성을 할 수 있으며, 생성된 디자인 데이터는 CAE 해석 자동화를 통해 오토라벨링이 가능합니다.
현재 많은 엔지니어링 소프트웨어들은 위상 최적화나 파라메트릭 디자인과 같은 제너레이티브 디자인 기능을 제공하고 있으며, 클라우드를 통해 대량의 설계안을 생성할 수 있습니다. 그러나 기존의 상용 소프트웨어는 AI 학습용 데이터 생성을 고려하여 개발되지 않았기 때문에, AI가 요구하는 합성 데이터를 자유롭게 생성하는데 제약이 있고, AI 모델과의 원활한 연결을 위한 인터페이스가 고려되지 않았습니다. 엔지니어링 3D 합성 데이터 생성 기술과 AI 솔루션 기술을 결합하여야 제품 설계에 AI를 효과적으로 활용할 수 있습니다.
나니아랩스는 제조업에 맞춤 개발된 인공지능 솔루션을 통해 3D 합성 데이터 생성과 no-code AI 학습을 통합한 딥 제너레이티브 디자인 서비스를 제공합니다. 이 서비스를 통해 데이터 부족과 AI 전문가 부재 문제를 동시에 해결할 수 있습니다. 우리의 솔루션은 컨셉 설계 단계에서 새로운 설계 아이디어를 탐색하고 다양한 성능을 고려한 최적화된 설계를 실시간으로 제안하는 것을 목표로 합니다. 이를 통해 제조업 제품 개발 현장에서 직면하는 문제들을 효과적으로 대처할 수 있습니다.
딥 제너레이티브 디자인을 통한 3D 합성 데이터 생성과 no-code AI 솔루션
나니아랩스의 딥 제너레이티브 디자인에 대해 자세히 이야기해보려고 합니다. 딥 제너레이티브 디자인은 생성, 탐색, 예측, 최적화라는 네 가지 기능을 제공합니다.
- Generator : 소량의 사용자 데이터를 활용하여 다양한 제너레이티브 디자인 기술을 이용해 대량의 시드 데이터를 생성합니다. 이때 Generator는 사용자 데이터와 유사하면서도 공학적으로 우수한 데이터를 생성할 수 있으며, 사용자가 원하는 유사도 수준을 조절할 수 있습니다.
- Explorer : 고차원의 3D 데이터를 저차원의 잠재 공간으로 맵핑하는 딥러닝 모델을 학습합니다. 이를 통해 잠재 공간에서 연속적인 디자인 탐색이 가능해지며, 유사한 디자인이 분포한 클러스터링된 위치를 파악할 수 있습니다. 잠재 공간에서는 실시간으로 필요한 합성 데이터를 생성하고, 효율적인 최적화된 설계를 탐색할 수 있습니다.
- Predictor : CAE 해석 데이터나 실험 데이터를 입력으로 받아 잠재 공간에서 성능을 예측하는 딥러닝 모델을 학습합니다. 이를 통해 과거 데이터나 새로운 데이터를 활용해 설계 안의 성능을 실시간으로 예측할 수 있습니다.
- Optimizer : 사용자가 원하는 목표 성능을 입력하면 잠재 공간에서 최적화된 설계를 실시간으로 찾아냅니다. 이는 실시간으로 최적화된 설계를 생성하며, 사용자는 최적 설계 주변의 잠재 공간에서 원하는 설계를 미세 조정할 수 있습니다.
딥 제너레이티브 디자인은 잠재 공간에서의 연속적인 표현을 통해 가상 제품 개발 환경에서 인공지능을 매끄럽게 활용할 수 있게 해줍니다. 생성, 탐색, 예측, 최적화 기능을 나니아랩스의 솔루션에서 모두 사용할 수 있기 때문에 더욱 효율적인 디자인 작업이 가능해집니다. 나니아랩스의 딥 제너레이티브 디자인은 제조업의 제품 개발에 높은 가치를 제공하는 기술 중 하나가 될 것 입니다.
나니아랩스의 Aslan Engineer 솔루션
나니아랩스의 딥 제너레이티브 디자인 기술이 녹아진 Aslan Engineer가 23년 1월 첫 Aslan GD란 이름으로 MVP 출시하였습니다. 많은 고객 분들은 만나뵙기 위해서 박람회, 학회 등 참석하면서 저희 솔루션을 알리기도 하고, 많은 피드백도 받았습니다. 정확도 향상과 기술적 보완이 된 Aslan Engineer Ver1.0은 올해 23년 12월 출시 예정을 앞두고 있습니다.
제조업 현장의 어려움을 해결해 나갈 나니아랩스의 Aslan Engineer가 될 수 있도록 계속 개발해 나갈 예정입니다. 나니아랩스의 발전되는 모습도 많은 기대 부탁드립니다!
