Knowledge-Constrained Shape Optimization with a Mixture-of-Experts Neural Operator for High-Confidence Design

당신이 거대한 점토 덩어리에서 더 빠르고 매끄러운 자동차를 조각하려는 숙련된 조각가라고 상상해 보십시오. 하지만 함정이 있습니다. 점토를 아무 데나 뭉개버릴 수는 없습니다. 엄격한 규칙이 있기 때문입니다. 사람들은 밖을 내다봐야 하므로 창문의 모양을 바꿀 수 없고, 차가 너무 넓어지면 차고에 들어가지 못할 것이며, 엔진룸은 건드려서는 안 됩니다. 현실 세계에서 숙련된 엔지니어들은 보통 설계를 수정하기 전에 이 "안전 구역"을 청사진 위에 직접 그려두어야 합니다. 이는 시간이 오래 걸리고 전적으로 기억력과 경험에 의존하는 작업입니다.

이 논문은 두 가지 큰 일을 수행하는 아주 똑똑한 조수(Assistant)를 소개합니다. 하나는 당신을 위해 "안전 구역"을 자동으로 그려주는 것이고, 다른 하나는 당신이 수백만 번의 비싼 풍동 실험을 수행할 필요 없이 차가 얼마나 빨리 달릴지 예측하는 "수정구슬"을 만드는 것입니다.

"스마트 규칙" 조수
먼저, 팀은 컴퓨터가 공학 규칙 도서관, 안전 가이드라인, 설계 표준을 읽도록 가르쳤습니다. 자동차 사진을 보여주면, 컴퓨터는 "시각-언어 모델"(시각과 언어를 동시에 이해하는 로봇이라고 생각하십시오)을 사용하여 정확히 어떤 부분이 변경 가능한지를 파악합니다. 예를 들어, "좋아, 앞 범퍼와 보닛은 수정할 수 있지만, A-필러(앞 유리를 지탱하는 기둥)는 그대로 두어야 해"라고 판단하는 식입니다.

단순히 추측하는 대신, 컴퓨터는 이러한 규칙들을 자동차 주변의 보이지 않는 3D 박스로 변환합니다. 그런 다음 "직접 자유형 변형(Direct Free-Form Deformation)"이라는 수학적 기법을 사용하여 그 박스 안의 점토를 미세하게 움직입니다. 이를 통해 컴퓨터가 만들어내는 모든 새로운 형태가 물리적으로 가능하며, 안전 및 제조 규칙을 준-수하도록 보장합니다. 이는 마치 로봇이 움직일 수 있는 부분만 조각할 수 있게 허용하고, 나머지 부분은 완벽하게 고정된 상태를 유지하도록 하는 것과 같습니다.

"전문가 패널" 수정구슬
보통 새로운 자동차 형태가 얼마나 빠른지 확인하려면 CFD(전산유체역학)라고 불리는 거대한 컴퓨터 시뮬레이션을 실행해야 합니다. 이것은 가상의 풍동 실험을 통해 자동차를 통과시키는 것과 같습니다. 매우 정확하지만, 엄청난 컴퓨팅 파워가 필요하기 때문에 모든 아이디어를 다 테스트할 수는 없습니다.

그래서 엔지니어들은 보통 "대리 모델(Surrogate Model)", 즉 풍동 실험 결과를 예측하는 빠르고 저렴한 AI를 사용합니다. 하지만 여기에 문제가 있습니다. 만약 AI가 당신의 형태와 유사한 형태를 본 적이 없다면, 엉뚱한 예측을 할 수 있습니다. 이는 여름 날씨만 아는 기상 예보관에게 겨울 폭설을 예측해 달라고 하는 것과 같습니다. 그들은 실제로는 눈이 오고 있음에도 "맑음"이라고 말할 수 있습니다.

저자들은 **MoE-NO(Mixture-of-Experts Neural Operator)**라고 불리는 새로운 종류의 AI를 구축했습니다. 이 AI가 단 하나의 AI가 아니라, 서로 다른 전문가들의 패널이라고 상상해 보십시오. 한 전문가는 SUV를 잘 알고, 다른 전문가는 세단을, 또 다른 전문가는 미니밴을 잘 압니다. 새로운 자동차 형태를 보여주면, "게이팅 네트워크(Gating Network, 팀장 역할)"가 "이 형태를 가장 잘 아는 전문가는 누구인가?"라고 묻고 나서 그들의 답변을 결합합니다.

논문은 이 "전문가 패널"이 기존의 단일 AI 모델보다 훨씬 뛰어나다는 것을 보여줍니다. 450개의 자동차 형태를 대상으로 한 테스트 세트에서, 이 새로운 AI는 항력(공기 저항)을 단 **1.16%**의 오차로 예측하여, 기존의 최고 모델(오차 1.52%)을 앞질렀습니다. 더욱 중요한 것은, 이 AI가 경향성(Trend)을 **94.34%**의 확률로 정확히 맞혔다는 점입니다. 즉, 한 대의 차가 다른 차보다 빠르다면, AI는 어떤 차가 더 빠른지를 정확히 맞힌다는 뜻이며, 이는 최적의 설계를 찾는 데 매우 중요합니다.

"믿되 검증하라"는 안전망
이 시스템의 가장 멋진 점은 불확실성을 처리하는 방식입니다. AI는 자신이 추측하고 있다는 사실을 스스로 인지합니다. AI는 "불확실성 점수"를 사용하여 현재 보고 있는 자동차 형태가 이전에 본 적이 있는 형태인지 확인합니다.

• AI가 확신할 때: "이 형태가 좋다고 99% 확신합니다"라고 말하며, 비싼 풍동 실험 없이 다음 단계로 넘어갑니다.
• AI가 불안해할 때: "이런 형태는 본 적이 없어, 잘 모르겠어"라고 말하며, "물리 솔루션 루프(Physics-solver-in-the-loop)" 메커니즘을 작동시킵니다. 이는 해당 까다로운 형태만을 위해 실제 고정밀 풍동 실험을 몇 번 실행하여 학습한 뒤, 전문가 패널을 업데이트하는 것을 의미합니다.

이 "불확실성 게이트(Uncertainty-gated)" 접근 방식은 SUV 테스트 케이스에서 결정적인 역할을 했습니다. 처음에 AI는 항력을 4.36% 줄였다고 예측했지만, 불확실성 점수가 높았기 때문에 실제 테스트를 수행했습니다. 실제 테스트 결과, AI의 예측이 틀렸음을 확인했습니다(논문에서는 초기 예측이 틀렸고, 정밀 검증 후의 실제 항력 감소율은 **7.96%**였다고 명시되어 있습니다). AI가 실제 테스트 데이터를 통해 학습한 후 예측을 수정했고, 최종 검증된 항력 감소율은 **7.96%**로 뛰어올랐습니다. 이 안전망이 없었다면, 잘못된 설계를 채택하거나 훌륭한 설계를 놓칠 수도 있었을 것입니다.

"분포 외(Out-of-Distribution)" 도전 과제
연구진은 시스템을 제대로 테스트하기 위해, 기존 학습 라이브러리에 전혀 없던 자동차 형태(이름하여 "Sedantest")라는 돌발 변수를 던졌습니다. 초기 AI는 처참하게 실패했습니다. 예측 오차는 **14.88%**였고, 정확도 점수는 음수(R² = -18.42)를 기록했는데, 이는 AI가 무작위로 추측하고 있음을 의미합니다.

하지만 시스템의 "분포 수준 게이트(Distribution-level gate)"가 이를 포착했습니다. AI는 "잠깐, 이건 우리가 본 적 없는 새로운 유형의 자동차야!"라고 알아차렸습니다. 그 후 이 특이한 자동차 주변으로 150개의 새로운 로컬 디자인을 생성하고, 실제 풍동 테스트를 실행하여 전문가 패널에 새로운 "전문가"를 가르쳤습니다. 이 빠른 학습 과정을 거친 후, AI의 정확도는 오차 단 **1.84%**로 급등했습니다. 이후 AI는 이 새로운 자동차를 성공적으로 최적화하여 항력을 7.43% 줄였습니다.

이 논문이 설명하는 "아닌 것"
저자들은 이 기술이 무엇이 아닌지에 대해서도 매우 명확하게 밝히고 있습니다. 이 기술이 모든 설계 문제를 해결한다고 말하는 것이 아닙니다. AI가 인간의 입력이나 과거 데이터 없이 완벽하게 작동한다고 주장하는 것도 아닙니다. 오히려 그들은 모든 자동차 유형에 대해 단일한 글로벌 AI 모델을 사용하는 것이 데이터가 혼합될 때 오류를 초래한다는 점을 들어 그 방식에 반대합니다. 또한, 이 방법은 특히 AI가 확신이 없을 때 결과를 검증하기 위해 여전히 실제 풍동 테스트(CFD)를 필요로 한다는 점을 언급합니다. 즉, 물리학 자체를 대체하는 것이 아니라, 물리학을 더 똑똑하고 안전하게 활용하는 것입니다.

결론
이 시뮬레이션과 테스트를 통해, 연구팀은 자동차 형상을 만드는 "스마트 규칙"과 도움을 요청할 줄 아는 "전문가 패널" AI를 결합함으로써, 더 빠르게 자동차를 설계할 수 있음을 보여주었습니다. 추가적인 검증 없이도 미니밴에서 10.52%, 세단에서 **4.17%**의 항력 감소를 달랐으며, 빠른 안전 점검을 거친 후 SUV에서는 최대 **7.96%**까지 달성했습니다. 이는 첨단 설계 프로세스를 단순한 도박이 아닌, 확신 있고 안내된 여정으로 만드는 방법입니다.