기술 요약: 파운데이션 모델 기반 워크플로우를 통한 대리 모델 지원 보행자 보호 설계

1. 문제 정의

자동차 충돌 안전 설계, 특히 보행자 보호 설계는 초기 단계 탐색에서 상당한 난관에 봉착해 있다. 외부 표면 형상에 의해 성능이 주로 결정되는 공력(aerodynamics) 설계와 달리, 보행자 부상 결과는 외부 스타일링과 내부 구조적 응답(변형, 에너지 흡수, 하중 전달) 사이의 복잡하고 비선형적인 결합에 의해 결정된다.

전통적인 컴퓨터 보조 공학(CAE) 시뮬레이션은 고충실도(high-fidelity)를 갖지만 계산 비용이 매우 높아, 한 번 실행하는 데 수 시간이 소요되기도 한다. 이는 디자이너가 안전 임계값을 충족하기 위해 형상을 수정하고 재시뮬레이션해야 하는 번거로운 시행착오 루프를 생성한다. 대리 모델(데이터 기반 근사 모델)이 공력 설계에서는 성공을 거두었으나, 충돌 안전 분야에서의 적용은 다음과 같은 이유로 제한적이다:

• 고차원적이고 불연속적인 응답: 접촉 역학 및 재료의 비선형성으로 인해 발생한다.
• 엔드 투 엔드 통합의 부재: 기존의 대리 모델들은 제약 조건을 고려한 탐색 및 형상 생성을 포함하는 폐쇄 루프(closed-loop) 설계 파이프라인의 구성 요소로서 작동하기보다, 독립적인 평가 도구로만 기능하는 경우가 많다.
• 데이터 부족: 충돌 시뮬레이션은 시간이 많이 소요되므로, 강건한 학습에 필요한 데이터셋 규모를 확보하는 데 한계가 있다.

2. 방법론

저자들은 보행자 보호를 위한 신속한 대리 모델 지원 탐색을 가능하게 하기 위해 네 가지 별도의 구성 요소를 통합한 파운데이션 모델 기반 워크플로우를 제안한다.

A. 의도적인 데이터 단순화 및 대리 모델링

초기 단계 스타일링을 위한 대리 모델링을 용이하게 만들기 위해, 저자들은 상세한 구조 모델을 파라메트릭 스프링-질량(spring–mass) 표현식으로 대체한다.

• 설계 공간: 다음을 포함하는 10차원 벡터($x \in \mathbb{R}^{10}$)로 축소된다:
  • 7개의 기하학적 파라미터 (보닛/그릴/범퍼의 높이 및 종방향 위치).
  • 3개의 하중 파라미터 (그릴, 상부 범퍼, 하부 범퍼의 반력 진폭).
• 하이브리드 시뮬레이션: 학습 데이터는 상세한 유한 요소(FE) 다리 형태 충격체(FLEX-PLI 및 aPLI)를 단순화된 스프링-질량 차량 모델에 충돌시키는 1,800회의 CAE 시뮬레이션을 통해 생성된다.
• 대리 모델 구조: 두 개의 회귀 모델이 10차원 파라미터를 부상 지표로 매핑한다:
  • $f_{FLEX}: \mathbb{R}^{10} \to \mathbb{R}^5$ (FLEX-PLI에 대한 경골 모멘트 및 MCL).
  • $f_{aPLI}: \mathbb{R}^{10} \to \mathbb{R}^8$ (aPLI에 대한 경골 모멘트, MCL 및 대퇴골 모멘트).
• 불확실성 정량화: 시스템은 **컨포멀 예측(conformal prediction)**을 사용하여 분포 무관(distribution-free) 95% 예측 구간을 생성하며, 이를 통해 가우시안 잔차를 가정하지 않고도 신뢰성을 확보한다.

B. 제약 조건을 만족하는 설계 공간 탐색

단일 최적해를 찾는 대신, 이 워크플로우는 다양한 실행 가능한 대안을 생성하는 것을 목표로 한다.

• 알고리즘: NSGA-II(Non-dominated Sorting Genetic Algorithm II)가 파레토 최적화를 위해서가 아니라, 집단 다양성 보존 메커니즘(crowding distance)을 활용하기 위해 사용된다.
• 정식화: 문제는 13개의 모든 부상 지표가 규제 임계값($\tau_i$) 미만으로 유지되어야 하는 제약 충족 문제로 취급된다.
• 효율성: 후보 평가에 CAE(수 시간 소요) 대신 대리 모델(밀리초 단위)을 사용함으로써, 시스템은 수 초 만에 500개의 후보를 탐색한다.

C. 구조 보존형 3D 생성

생성된 디자인이 제조 가능하고 CAE 호환성을 갖도록 하기 위해, 시스템은 생성형 AI 모델(예: 확산 모델) 대신 모핑 기반 형상 생성 방식을 채택한다.

• 메커니즘: 바운딩 박스 내에 배치된 100mm 간격의 희소 제어점(control points) 세트가 형상 변형을 주도한다.
• 정렬: 이러한 제어점들은 대리 모델에 사용된 10개의 설계 파라미터와 직접 연결되어, 실행 가능한 파라미터 세트가 실현 가능하고 위상(topology)을 보존하는 3D 형상으로 매핑됨을 보장한다.

D. 파운데션 모델 오케스트레이션

대규모 언어 모델(LLM)은 자연어 상호작용을 통해 워크플로우를 조율하는 중앙 오케스트레이터 역할을 수행한다:

• 태스크 관리: LLM은 사용자 의도를 해석하고, 파라미터(예: "보닛 위치 ±20 mm")를 추출하며, 특정 모듈(대리 모델 평가, NSGA-II 탐색, 모핑)을 호출한다.
• 의미론적 비교: 시각-언어 모델(VLM)은 생성된 디자인의 다각도 렌더링(공간적 근거를 위한 그리드 오버레이 포함)을 분석하여 질적인 비교(예: "스포티함 vs 성숙함", "공격적임 vs 세련됨")를 제공한다.

3. 주요 기여

1. 새로운 워크플로우: 대리 예측, 진화적 탐색, 형상 생성을 폐쇄 루프로 통합한 최초의 파운데이션 모델 오케스트레이션 기반 충돌 안전 설계 파이프라인이다.
2. 다루기 쉬운 단순화 전략: 상세한 구조 모델을 10차원 파라메트릭 스프링-질량 시스템으로 의도적으로 축소하여, 초기 단계 스타일링을 위한 효과적인 대리 모델링을 가능하게 했다.
3. 통합 설계 루프: 인간의 의사결정을 지원하기 위해 다양성 보존 탐색(NSGA-II), 위상 보존 모핑, VLM 기반 의미론적 분석을 결합한 시스템을 구축했다.

4. 결과

양산 차량의 전면 범퍼를 대상으로 한 사례 연구에서:

• 효율성: 워크플로우는 단 몇 초 만에 35개의 구별되는 안전 준수 디자인 대안을 생성했다. 유사한 과정을 전통적인 CAE 반복 작업으로 수행할 경우 수 주가 소요되었을 것이다.
• 대리 모델 성능: 훈련된 대리 모델은 홀드아웃 테스트 데이터에 대해 13개 부상 지표 전체에서 평균 $R^2$ 0.87을 달 기록했다.
• 디자인 다양성: NSGA-II 탐색은 부상 임계값을 엄격히 준수하면서도 다양한 스타일링 옵션(예: 최소 편차, 고조된 공격적 라인, 날카로운 헤드라이트 인상 등)으로 실행 가능 영역을 성공적으로 채웠다.
• VLM 유용성: VLM은 두드종한 시각적 특징을 성공적으로 식별하고 구조화된 질적 피드백을 제공하여, 참신함이나 감성적 호소력 등의 기준에 따라 디자인을 구분해 냈다.

5. 의의 및 주장

본 논문은 파운데이션 모델이 머신러닝 대리 모델과 물리 기반 시뮬레이션 사이의 효과적인 통합 계층 역할을 할 수 있다고 주장한다. 엔드 투 엔드 학습 모델로 물리 모델을 대체하려 하기보다 검증된 공학 도구들을 오케스트레이션함으로써, 이 접근 방식은 신뢰성과 해석 가능성이 중요한 안전 필수 분야에 AI 역량을 도입한다.

저자들은 이 워크플로우가 특히 초기 단계 스타일링 탐색을 위해 설계되었음을 강조한다. 목표는 구조 최적화를 최종 확정하는 것이 아니라, 유망한 스타일링 방향을 빠르게 식별하는 것이다. 이 워크플로우에서 선택된 후보들은 이후 고충실도 CAE를 통한 검증 단계로 넘어가게 되며, 이를 통해 신속한 AI 기반 반복 작업과 엄격한 공학적 검증 사이의 간극을 메운다.