Uncertainty-guided active learning for surrogate prediction of stream-finishing wear fields

당신이 복잡하고 울퉁불퉁한 조각상을 아주 작은 단단한 모래 알갱이들이 소용돌이치는 강물로 매끄럽게 다듬으려 한다고 상상해 보십시오. "스트림 피니싱(stream finishing)"이라고 불리는 이 과정은 손으로 잡는 연마 블록을 사용하는 나무 의자 샌딩의 하이테크 버전과 같지만, 대신 부품이 연마 입자들이 회전하는 통 안에 잠겨 있습니다. 목표는 표면을 완벽하게 매끄럽고 빛나게 만드는 것입니다. 하지만 여기에는 함정이 있습니다. 조각상은 그냥 가만히 놓여 있는 것이 아니라, 특정 각도로 고정되어 있어야 합니다. 한 방향으로 잡으면 모래가 앞부분을 세게 때리지만 뒷부분은 놓치게 됩니다. 다른 방향으로 잡으면 뒷부분은 광택이 나지만 앞부분은 거친 상태로 남습니다. 복잡한 형상의 완벽한 마무리를 얻으려면, 수백 가지의 서로 다른 각도를 통해 조금씩 연마하며 회전시켜야 할 수도 있습니다.

문제는 어떤 각도가 가장 효과적인지 정확히 파악하는 것이 매우 어렵다는 점입니다. 단순히 추측해서는 안 됩니다. 왜냐하면 수백만 개의 미세한 모래 알갱이가 복잡한 형상에 충돌하는 물리 법칙은 혼란스럽고 예측하기 어렵기 때문입니다. 과학자들은 이 충돌을 모델링하기 위해 강력한 컴퓨터 시뮬레이션을 사용하지만, 단 하나의 각도에 대한 시뮬레이션을 실행하는 데만 몇 시간이 걸립니다. 만약 수백 개의 각도를 모두 확인해야 한다면, 이를 수행하는 데 수년의 컴퓨터 시간이 걸릴 것입니다. 바로 여기서 흥미로운 이야기가 시작됩니다. 모든 가능성을 무식하게 전부 시도하는 대신, 컴퓨터가 빠르게 패턴을 학습하고 자신이 무엇을 추측하고 있는지 스스로 말하게 할 수는 없을까요?

이 논문은 바로 그 문제에 대한 영리한 해결책을 제시합니다. 연구진은 몇 번의 값비싼 컴퓨터 시뮬레이션으로부터 학습하여, 전체 시뮬레이션을 실행하지 않고도 수백 개의 다른 각도에 대해 결과를 예측할 수 있는 "스마트한 추측가(machine learning model)"를 구축했습니다. 하지만 이 마법 같은 기술의 핵심은, 이 스마트한 추측가가 단순히 답을 내놓는 것에 그치지 않고, "이 부분은 잘 모르겠습니다"라고 손을 들어 알린다는 점입니다. 모델이 확신이 없을 때, 시스템은 해당 특정 각도에 대해서만 느리고 값비싼 시뮬레이션을 자동으로 실행하여 진실을 학습합니다. 꼭 필요한 경우에만 느린 시뮬레이션을 실행함으로써, 그들은 전체를 확인하는 데 걸렸을 시간의 약 13%만을 사용하여 수백 개의 각도에 대한 마모 패턴을 예측해 냈습니다.

문제: "모래 강" 퍼즐

스트림 피니싱 과정을 혼란스러운 댄스 플로어로 생각해보십시오. 작업물(터빈 블레이드나 의료용 임플란트 같은 것)이 중심에 서 있고, 연마 입자들(실리콘 카바이드 모래 같은 것)의 소용돌이치는 군중이 그 주위를 돌고 있습니다. 입자가 작업물에 부딪힐 때마다 아주 적은 양의 재료를 깎아냅니다. 마모되는 양은 입자가 얼마나 세게 부딪히는지, 어떤 각도로 부딪히는지, 그리고 특정 지점에 얼마나 많은 입자가 부딪히는지에 따라 달라집니다.

균일한 마무리를 얻기 위해 엔지니어들은 부품을 어떤 방식으로 잡느냐에 따라 마모가 어떻게 나타날지 정확히 알아야 합니다. 수직으로 세우면 윗부분이 강하게 타격받습니다. 기울이면 옆면이 타격받습니다. 완벽한 기울기 순서를 찾으려면 이상적으로는 모든 가능한 각도에 대한 마모를 지도화해야 합니다. 현실 세계에서는 시도해 볼 수 있는 "실행 가능한" 각도가 696개나 존재합니다.

전통적으로 과학자들은 이 과정을 시뮬레이션하기 위해 이산 요소법(Discrete Element Method, DEM)이라는 방법을 사용합니다. 모든 모래 알갱이가 각자의 물리 법칙을 가진 캐릭터인 비디오 게임을 상상해 보십시오. 컴퓨터는 모든 충돌, 모든 튕김, 모든 긁힘을 추적합니다. 매우 정확하지만, 동시에 매우 느립니다. 한 각도에 대한 시뮬레이션을 실행하는 데 몇 시간이 걸립니다. 696개의 각도에 대해 이를 수행한다면? 새로운 디자인을 위해 이는 사실상 불가능한 일입니다.

해결책: "불확실성을 인지하는" 탐정

저자들은 모든 각도를 시뮬레이션할 필요가 없다는 것을 깨달았습니다. 대신, 몇 가지 예시로부터 게임의 규칙을 배우고 나머지를 예측하는 빠르고 가벼운 AI인 "대리 모델(surrogate model)"을 만들었습니다. 하지만 일반적인 AI에는 결함이 있습니다. 바로 자신이 틀렸을 때조차 자신감 있게 행동한다는 점입니다. 만약 본 적 없는 상황에 대해 질문하면, 그럴듯해 보이는 답을 지어낼 수도 있습니다.

이를 해결하기 위해 팀은 "딥 앙상블(deep ensemble)" 기법을 사용했습니다. 12명의 전문가에게 퍼즐을 풀어보라고 요청하는 장면을 상상해 보십시오. 만약 그들이 모두 동의한다면, 당신은 그 답을 신뢰할 수 있습니다. 만약 그들이 서로 다른 답을 내놓는다면, 당신은 그 퍼즐이 까다롭다는 것을 알게 되고 더 많은 정보가 필요하다는 것을 알게 됩니다. 이 논문에서 "전문가"는 약간씩 다른 데이터로 훈련된 12개의 별도 신경망입니다. 새로운 각도에 대한 마모를 예측하도록 요청받았을 때, 컴퓨터는 이들이 얼마나 서로 다른 의견을 갖는지 확인합니다. 만약 그들이 많이 다툰다면, 시스템은 "헤이, 이 영역은 불확실한 영역이야. 진짜 정답을 얻기 위해 느리고 값비싼 시뮬레이션을 여기서 실행해야 해"라고 판단합니다.

방법: 답이 아닌 규칙을 배우는 법

연구진은 단순히 AI에게 최종 마모 패턴을 맞히라고 요구하지 않았습니다. 그것은 학생에게 축구 경기의 규칙을 알려주지 않고 최종 점수를 맞혀보라고 하는 것과 같습니다. 대신, 그들은 AI에게 마모를 일으키는 세 가지 근본적인 성분들을 예측하도록 가르쳤습니다:

1. 수직 충격 속도 (Normal Impact Velocity): 입자가 표면에 정면으로 부딪히는 속도.
2. 접선 충격 속도 (Tangential Impact Velocity): 입자가 표면을 따라 미끄러지는 속도.
3. 입자 플럭스 (Particle Flux): 초당 특정 지점에 부딪히는 입자의 수.

AI가 이 세 가지 매끄럽고 배우기 쉬운 숫자들을 예측하면, 연구진은 이를 알려진 물리 공식(Finnie 모델)에 대입하여 최종 마모를 계산합니다. 이것이 훨씬 똑똑한 이유는, 충돌의 가공되지 않은 물리 현상은 지저치고 들쑥날쑥하지만, 부품을 회전시킴에 따라 속도와 입자의 수는 매끄럽게 변하기 때문입니다. 컴퓨터는 들쑥날쑥한 산맥보다는 매끄러운 곡선을 배우는 것이 훨씬 쉽습니다.

결과: 스마트하고 효율적인 루프

연구진은 먼저 신중하게 선택된 52개의 각도("시드", seeds)에 대해 느리고 값비싼 시뮬레이션을 실행했습니다. 이 결과들을 사용하여 12개의 AI 전문가 앙상블을 훈련시켰습니다. 그러고 나서 진짜 마법이 시작되었습니다:

1. AI는 아직 보지 못한 나머지 644개의 각도를 살펴봅니다.
2. AI는 12명의 전문가가 가장 많이 의견 차이를 보인(가장 불확실한) 10개의 각도를 식별합니다.
3. 컴퓨터는 오직 그 10개의 각도에 대해서만 느리고 값비싼 시뮬레이션을 실행합니다.
4. AI는 이 새로운 결과로부터 학습하고 자신의 지식을 업데이트합니다.
5. 이 과정을 다섯 번 반복했습니다.

결과적으로, 그들은 가능한 696개 각도 중 단 92개의 각도(약 13%)에 대해서만 값비싼 시뮬레이션을 실행했습니다. 그럼에도 불구하고 그들의 예측은 믿을 수 없을 정도로 정확했습니다.

모델이 확신을 가진 각도(낮은 불확실성)의 경우, 예측된 마모 패턴은 실제 시뮬레이션과 거의 완벽하게 일치했으며, 상관계수는 0.97에 달했습니다. 이는 AI가 조각상의 어느 부분이 마모되고 어느 부분이 안전할지를 정확히 알려줄 수 있음을 의미합니다. 모델이 덜 확신하는 각도에 대해서도, 모델은 자신의 불확실성에 대해 솔직했습니다. AI가 스스로 부여한 "불확실성 점수"는 자신이 얼마나 틀릴 수 있는지에 대한 진실한 예측값이었습니다. 점수가 높으면 예측이 불안정한 것이고, 점수가 낮으면 예측이 견고한 것이었습니다.

이것이 왜 중요한가

이 접근 방식은 복잡한 부품 제조의 판도를 바꿉니다. 모든 각도에 대한 시뮬레이션을 돌리기 위해 몇 달을 소비하는 대신, 엔지니어들은 이제 이 "불확실성 유도형(uncertainty-guided)" 방법을 사용하여 훨씬 짧은 시간 안에 최적의 연마 전략을 찾을 수 있습니다. 시스템은 자신이 추측하고 있는지 아니면 알고 있는지를 스스로 인지하며, 컴퓨터의 힘을 꼭 필요한 곳에만 집중시킵니다.

이 논문은 단 92번의 시뮬레이션만으로 696개 전체 각도의 마모 필드를 높은 신뢰도로 재구성할 수 있음을 보여주었습니다. "낮은 불확실성" 그룹은 단계가 진행될수록 늘어났으며, 이는 몇 번의 스마트한 학습 과정만 더 거치면 전체 각도를 높은 확신도로 커버할 수 있음을 의미합니다. 이것은 단순히 기존 방식을 더 빠르게 만드는 것이 아닙니다. 이전에는 비용 문제로 다루기 어려웠던 문제들을 해결하는 방법이며, 항공기 날개부터 인공 관절까지 모든 것이 완벽하고 매끄러운 마무리를 갖도록 보장하는 기술입니다.