과학 데이터 분석 및 머신러닝 솔루션
장비 산업은 제품 개발의 속도와 혁신이 아주 중요합니다. 타이어에서 건설장비, 중장비, 산업용 로봇과 기계장치에 이르기까지, 회사들은 고객과 최종 소비자들의 요구사항을 정확히 만족시킬 수 있는 제품을 제공해야 합니다. 이 산업에서 성공하려면 혁신과 신뢰성(reliability)이 꼭 필요합니다. 다양한 기능도 제공해야 합니다. 타이어 제조업만 들여다보자면 (1) 타이어를 생산하는 복잡한 공정을 지원하는 장비와 (2) 타이어의 재료 배합비(formulation) 자체가 성공에 중요한 요인입니다.
타이어 배합비 개발에는 두 종류의 시뮬레이션이 중요한 역할을 하는데, 구체적으로는 이렇습니다.
- 원자 수준의(atomistic) 시뮬레이션으로 고무 배합의 물성을 예측할 수 있고, 그 예측 물성은 다시 타이어 완제품의 유한요소(FE; finite element) 시뮬레이션에 이용됩니다. 이를 통해 젖은 도로에서 타이어의 접지력(grip) 등을 연구자들이 평가할 수 있을 것입니다.
- 데이터 모델을 기반으로 시뮬레이션할 수 있습니다. 이 모델은 실제 배합비와 거기에서 측정된 접지력 등의 물성으로부터 만듭니다.
여기에서는 후자를 주로 이야기할 것입니다.
연구개발팀이 타이어 신제품을 개발하거나 기존 제품을 다른 배합비로 만들어 내는 일(reformulation)을 빠르게 수행할 수 있다면, 이는 매우 중요한 경쟁력이 됩니다. 그러기 위해서는 연구개발에 시뮬레이션을 이용한 접근(virtual approach)을 도입해야 합니다. 인공지능(AI; Artificial Intelligence)과 머신러닝(ML; Machine Learning)을 이용하면 실제 실험(physical experiment)만 수행하는 것에 비해 특별한 장점이 있습니다. 연구자들은 타이어 신제품이 바람직한 물성을 갖도록 하는 최적 배합비를 예측하는 데에 기존의 배합비 데이터를 이용할 수 있습니다. 이의 도움을 받아 연구개발팀은 더 성공 가능성이 높은 프로젝트에 실험을 집중할 수 있습니다. 실험에는 시간과 자원이 많이 필요하니까요.
가상 세계에서 제품을 설계하고 최적화
BIOVIA의 과학 데이터 분석 및 머신러닝 솔루션은 타이어의 배합비를 개발하고 최적화하는 기능을 폭넓게 제공합니다. 데이터 연구자들이 데이터를 취합하고 정제하고, 모델을 학습시키고 검증하고, 완성된 워크플로우를 공유하고 배포하는 작업을, 수십 년 간의 데이터 과학 경험을 토대로 높은 수준(enterprise level)으로 수행하도록 돕습니다.
제품 설계에서 개발과 제품화까지, 이 솔루션은 타이어 제조사들이 데이터를 기반으로 의사결정 하는 것을 지원합니다. 연구개발에서는 최적화 알고리즘이 새로운 고무 배합비(recipe)를 찾도록 돕습니다. 배합비에 포함된 성분으로부터, 이 알고리즘은 점성이나 접지력 등 완성된 소재의 물성과 그 성능이 온도에 따라 변화하는 것도 예측할 수 있습니다. 언제 실제 실험을 해야 할지, 그리고 어떤 배합비가 성능 지표를 달성할 가능성이 가장 클지, 그 결정을 디지털 플로우 차트가 돕습니다. 종합하면, 이러한 머신러닝 도구는 타이어 제조사가 특정 제원을 갖춘 배합비를 빠르게 개발하도록 돕고, 한편으로는 새로운 배합비를 출시할 투자가치가 있는지 결정하는 데도 도움을 줍니다.
다목적 최적화(multi-objective optimization) 단순화하기
잘 알려져 있듯, 배합된 제품을 설계할 때 연구자들은 화학 원리를 제품 성능과 효과적으로 연결시켜야 합니다. 일례로 겨울용 타이어는 낮은 온도에서도 유연함을 유지해야 합니다. 여름용 타이어는 높은 온도와 높은 주행속도에서도 형태를 유지해야 합니다. 이들 특성은 타이어 배합의 성분에서 유래합니다.
BIOVIA의 과학 데이터 분석 및 머신러닝 솔루션을 이용하면 기존의 제품 데이터를 이용해 새로운 타이어 배합비를 만들어 낼 수 있습니다. 데이터 과학자들은 제품 성능 데이터 집합을 정제하고 선별하여, 고분자의 점성이나 유리 전이온도 같은 제품 거동을 배합으로부터 예측하는 머신러닝 모델을 학습시킬 수 있습니다. 제품 개발자들은 실험계획법(DoE; Design of Experiment) 접근으로써 새로운 배합비를 탐색할 설계 영역을 정의하고, 이를 머신러닝 모델로 가상 시험할 수 있습니다. (그림 1) 마지막으로 연구개발팀은 파레토 정렬(Pareto sorting) 같은 방법을 사용해, 원하는 특성을 갖춘 최적의 배합비를 찾으려면 어떤 시제품을 만들고 시험해야 하는지 찾아냅니다. (그림 2) 성공적인 제품을 빠르게 출시하는 효율성을 극대화하기 위해, 제품 개발자들은 성공 가능성이 가장 높은 배합비에 실험을 집중하고 싶어 합니다.
올바른 데이터 과학에 기반함
얼마나 복잡한 모델을 만들든, 모델이 성공적이려면 굳건한 원칙이 필요합니다. 데이터 과학자들은 고품질 데이터 집합을 끊임없이 선별해야 하고, 한편으로는 모델을 만들고 이를 검증하여 최종 사용자들이 모델을 신뢰할 수 있도록 해야 합니다. 과학 데이터 분석 및 머신러닝 솔루션은 BIOVIA Pipeline Pilot에 기반하는데, 이는 연구/개발자들이 조직에 필요한 데이터 과학을 빠르게 적용하도록 돕는 도구와 방법론을 폭넓게 모아 둔 것입니다. BIOVIA Pipeline Pilot을 이용하면 아래를 할 수 있습니다.
- 모델 학습과 검증에 앞서 데이터를 읽고, 선별하고, 정제하는 과정을 자동화
- 로우-코드/노-코드 그래픽 사용자 인터페이스(low-code/no-code graphic user interface)를 통해 전체 워크플로우 생성 속도를 높임
- 랜덤 포레스트(random forest), 유전 알고리즘(genetic functional algorithm), 인공 신경망(neural network) 등 제품 내 구현된 머신러닝 도구를 사용하거나, Python 스크립트나 라이브러리를 불러들여 이용
- Jupyter Notebook, Anaconda, Tensorflow로 개발된 기능을 통합 이용
- 결과를 보고서로 만들거나 내보낼 때의 서식을 편집
- 모델과 워크플로우를, 마치 웹 서비스나 맞춤형 응용프로그램처럼, 여러 팀 또는 회사 전체에 빠르게 배포
최적화된 제품을 시장으로, 더 빠르게
연구개발의 속도를 유지하는 것은 단지 시장의 속도에 맞추기 위함이 아닙니다. 이는 경쟁력의 핵심이며 차별화되는 점입니다. 고급 머신러닝 기법을 실제 실험에 더하면, 타이어 개발팀은 기존 경험의 가치를 극대화하고 다음 개발 단계로 빠르게 이행할 수 있습니다. BIOVIA의 과학 데이터 분석 및 머신러닝 솔루션은 이러한 타이어 배합비의 변화를 촉진합니다. 이와 함께하여 개발팀은 과학을 기반으로 한 혁신에 집중하여, 성공 가능성이 높은 일에 진력하고 생산성을 끌어올릴 수 있습니다. 실제 실험을 줄여 연구개발 비용을 절감하고, 규제와 친환경 요구사항을 준수하면서도 신제품에 요구되는 성질을 만족하도록 대안적 배합비(reformulation)를 빠르게 내놓을 수 있습니다. 타이어 제조사들은 긴 시간 동안 축적한 지식과 지적재산권을 잘 활용하여, 궁극적으로 더욱 유망한 타이어 신제품을 빠르게 출시할 수 있습니다.
출처: https://www.3ds.com/fileadmin/PRODUCTS-SERVICES/BIOVIA/PDF/scientific-data-analysis.pdf