AI의 진화는 산업 전반을 바꾸고 있으며, 시뮬레이션도 예외가 아닙니다. 엔지니어들은 오래전부터 시뮬레이션에 머신러닝 기법을 활용해왔지만, 최근 하드웨어와 AI 기술의 발전은 해석 업무에 새로운 가능성을 열고 있습니다.
특히 제품 개발 현장에서는 더 빠른 설계 반복, 더 많은 대안 검토, 더 신뢰도 높은 의사결정이 중요해지고 있습니다. 개발 일정은 짧아지고, 제품은 복잡해지며, 해석 전문 인력의 시간은 늘 부족합니다. 이런 환경에서 AI는 시뮬레이션을 대체하는 기술이 아니라, 검증된 시뮬레이션 데이터와 전문가의 노하우를 바탕으로 엔지니어링 업무를 더 빠르고 효율적으로 만드는 도구로 주목받고 있습니다.
SIMULIA R&D에서 Generative Experiences Role Portfolio Director를 맡고 있는 Christina Feist는 AI와 머신러닝을 활용해 시뮬레이션 사용자의 업무를 지원하고, 이를 실제 설계·해석 워크플로우 안에서 활용할 수 있는 AI 도구로 발전시키고 있습니다.
AI로 더 빨라지는 설계 반복
제품 개발 과정에서 설계 대안이 바뀌면, 엔지니어는 그 변경이 성능, 내구성, 안전성, 효율에 어떤 영향을 미치는지 다시 검토해야 합니다. 문제는 이 재해석 시간이 전체 설계 속도를 늦추는 병목이 될 수 있다는 점입니다.
해석 결과를 기다리는 시간이 길어질수록 검토 가능한 설계 대안은 줄어듭니다. 결국 더 많은 아이디어를 탐색하기보다, 제한된 시간 안에서 가능한 선택지만 검토하게 되는 경우도 많습니다. 제품 성능을 높이고 출시 일정을 앞당기려면, 설계 반복의 속도를 높이는 것이 중요합니다.
SIMULIA는 이러한 병목을 줄이기 위해 Virtual Twin Physics Behavior 모델을 제공합니다. 이 모델은 SIMULIA 시뮬레이션 데이터로 학습한 대리 모델(surrogate model)을 기반으로 제품 거동을 더 빠르게 예측하고, 설계 대안 검토 시간을 단축할 수 있도록 지원합니다.
Feist는 Virtual Twin Physics Behavior가 제품 거동을 “거의 실시간에 가깝게 예측할 수 있다”고 설명합니다. “설계 대안을 평가하는 데 필요한 시간이 크게 줄어듭니다. 그 결과 팀은 더 많은 아이디어를 탐색하고, 더 높은 신뢰도를 바탕으로 설계를 반복하며, 기존 시뮬레이션만 사용했을 때보다 훨씬 빠르게 더 나은 성능의 설계에 도달할 수 있습니다.”
즉, AI의 역할은 단순히 해석을 빠르게 돌리는 데 그치지 않습니다. 설계자가 더 많은 가능성을 검토하고, 해석 전문가는 더 중요한 의사결정에 집중할 수 있도록 설계 탐색의 폭을 넓히는 데 있습니다.
시뮬레이션 워크플로우 안으로 들어온 AI
SIMULIA의 AI 접근법은 별도의 AI 도구를 시뮬레이션 밖에 따로 붙이는 방식이 아닙니다. 데이터 저장소와 AI 도구, 해석 프로세스가 분리되어 있으면 실제 업무에서는 또 하나의 복잡한 시스템이 생길 뿐입니다.
SIMULIA는 머신러닝을 시뮬레이션 프로세스 자체에 통합해, AI가 엔지니어링 워크플로우 안에서 자연스럽게 활용되도록 합니다. 사용자는 별도의 단절된 도구로 이동하지 않고, 익숙한 시뮬레이션 환경 안에서 AI의 도움을 받을 수 있습니다.
Feist는 이렇게 설명합니다. “이제 우리는 시뮬레이션을 쉽게 만들기 위해 물리 모델을 단순화할 필요가 없습니다. AI는 정밀한 물리 기반 엔지니어링에 뿌리를 두면서도, 사용자가 더 직관적이고 안내된 방식으로 시뮬레이션을 활용할 수 있도록 합니다.”
Virtual Twin Physics Behavior는3DEXPERIENCE 플랫폼에서 실행되며, 검증된 SIMULIA 기술에서 생성된 데이터를 기반으로 구축됩니다. 또한 모델링과 시뮬레이션을 연결하는 MODSIM 접근을 지원합니다.
이 접근의 가치는 분명합니다. 시뮬레이션은 더 이상 전담 해석 부서 안에만 머무르지 않습니다. 설계자, 엔지니어, 해석 전문가가 하나의 연결된 환경에서 협업하며, 더 빠르게 제품 성능을 검토하고 더 나은 설계 방향을 찾을 수 있습니다.
전문가의 해석 노하우를 더 넓게 활용하다
많은 기업이 시뮬레이션 활용을 확대하고 싶어 하지만, 현실적인 장벽이 있습니다. 정확한 해석을 수행하려면 솔버 설정, 경계 조건, 물성, 메시, 해석 환경에 대한 전문성이 필요합니다. 이 때문에 시뮬레이션이 필요한 사람이 많아도 실제로는 전담 해석 부서에 의존하는 경우가 많습니다.
Feist는 AI가 “전담 해석 부서 밖에서 시뮬레이션을 활용하기 어렵게 만들었던 기존 장벽을 낮춘다”고 말합니다.
Virtual Twin Physics Behavior에서는 전문 해석가가 학습시킨 모델 안에 시뮬레이션 노하우가 담깁니다. 사용자가 복잡한 해석 방법론을 직접 익히거나 매번 수작업으로 재현하지 않아도, 검증된 절차와 전문가의 판단 기준이 워크플로우 안에서 활용됩니다.
Feist는 “해석 방법론이 사용자가 별도로 배워야 하거나 직접 재현해야 하는 절차가 아니라, 워크플로우 자체에 내재화됩니다. 사용자는 더 포괄적이고 협업적이며 성능 중심적인 워크플로우를 기대할 수 있습니다”라고 설명합니다. “설계자는 더 큰 확신을 가지고 의사결정을 내릴 수 있고, 해석 전문가는 자신의 전문성을 더 많은 설계 사이클에 확장할 수 있습니다.”
이는 설계자와 해석 전문가 모두에게 의미가 있습니다. 설계자는 초기 단계에서 더 빠르게 성능 방향을 확인할 수 있고, 해석 전문가는 반복적인 요청에만 대응하는 대신 더 복잡하고 중요한 엔지니어링 문제에 집중할 수 있습니다. 결과적으로 조직 전체의 시뮬레이션 활용도가 높아지고, 제품 개발 의사결정의 품질도 함께 향상됩니다.
민감한 엔지니어링 IP까지 고려한 안전한 AI
AI 활용이 확대될수록 기업이 가장 민감하게 보는 이슈는 데이터와 지식재산 보호입니다. 특히 제조, 자동차, 항공우주, 전자, 반도체처럼 설계 데이터와 해석 데이터가 핵심 경쟁력인 산업에서는 AI 학습 과정에서 기밀 데이터가 유출되거나, 모델의 결과물이 다른 기업의 보호된 IP와 충돌하지 않도록 하는 것이 매우 중요합니다.
SIMULIA는 AI에서 고객 데이터를 다루는 방식에 대해 분명한 원칙을 가지고 있습니다. Feist는 “우리의 접근법은 고객 데이터를 기존 시뮬레이션 데이터와 동일하게, 즉 고객의 지식재산으로 취급하는 것”이라고 설명합니다.
SIMULIA의 AI 모델은 고객이 선택한 데이터셋만 사용해 보안 환경에서 학습됩니다. 또한 다른 조직의 데이터와 섞어 학습하지 않습니다. 모든 과정은 3DEXPERIENCE 플랫폼의 추적성을 기반으로 관리되며, 데이터 출처와 활용 이력을 확인할 수 있습니다.
이는 사용자가 AI와 머신러닝의 이점을 활용하면서도, 엔지니어링 데이터의 기밀성, 무결성, 통제된 사용을 유지할 수 있다는 의미입니다. 다시 말해 SIMULIA의 AI 접근법은 속도와 편의성만을 강조하지 않습니다. 기업이 실제 업무에서 AI를 안심하고 활용하기 위해 필요한 데이터 거버넌스와 IP 보호까지 함께 고려합니다.
핵심 요약
- Virtual Twin Physics Behavior는 SIMULIA 시뮬레이션 포트폴리오에서 생성된 시뮬레이션 데이터로 학습한 머신러닝 모델을 활용해 제품 거동 예측을 가속화합니다.
- 설계 대안 평가 시간을 줄여 더 많은 아이디어를 검토하고, 더 빠르게 고성능 설계에 도달할 수 있도록 지원합니다.
- 3DEXPERIENCE 플랫폼을 기반으로 운영되며, SIMULIA의 검증된 물리 기반 시뮬레이션 역량을 AI 워크플로우와 연결합니다.
- 전문가의 해석 노하우를 모델과 워크플로우 안에 담아, 설계자와 엔지니어가 일상 업무에서 시뮬레이션을 더 쉽게 활용할 수 있도록 합니다.
- MODSIM 접근을 통해 모델링과 시뮬레이션 간 사일로를 줄이고, 설계자와 해석 전문가가 더 긴밀하게 협업할 수 있는 제품 개발 환경을 구현합니다.
- 고객이 선택한 데이터셋만 사용하고, 다른 조직의 데이터와 섞어 학습하지 않으며, 3DEXPERIENCE 플랫폼의 추적성을 기반으로 고객 IP와 엔지니어링 데이터를 보호합니다.
- 분석 속도 향상, 설계 반복 가속, 시뮬레이션 접근성 확대를 통해 제품 출시 기간 단축에 기여합니다.