Physics-Informed Machine Learning in Prognostics and Health Management: A Systematic Literature Review

당신이 컴퓨터에게 기계가 언제 고장 날지 예측하는 법을 가르치려 한다고 상상해 보세요. 당신에게는 두 가지 주요 방법이 있습니다. 첫 번째 방법은 컴퓨터에게 고장 난 기계와 정상 작동하는 기계의 사진 백만 장을 보여주는 것과 같습니다. 컴퓨터는 사진 속에서 패턴을 찾아내며 학습하지만, 왜 기계가 고장 났는지에 대한 '이유'는 실제로 이해하지 못합니다. 두 번째 방법은 컴퓨터에게 물리학 교과서를 주고 기초부터 계산하여 답을 내라고 요구하는 것입니다. 컴퓨터는 규칙을 완벽하게 이해하지만, 기계가 이상하거나 예상치 못한 방식으로 작동하면 혼란에 빠질 수 있습니다.

이제 세 번째 방법을 상상해 보세요. 컴퓨터에게 사진과 물리학 규칙을 동시에 가르치는 것입니다. 이것은 '물리 정보 기반 머신러닝(Physics-Informed Machine Learning)'이라고 불립니다. 이는 학생에게 연습 문제 꾸러미와 함께 중력의 법칙이 적힌 참조 시트를 주는 것과 같습니다. 그러면 학생은 새로운 문제를 더 빠르게 풀 수 있고 어처구니없는 실수를 덜 하게 됩니다. 이 방식은 "예후 및 건전성 관리(Prognostics and Health Management, PHM)"라는 분야에서 뜨거운 주제가 되고 있는데, PHM이란 말 그대로 "기계가 완전히 망가지기 전에 미리 고칠 수 있도록 기계가 언제 아플지 예측하는 것"을 의미합니다. 산업계가 이 분야에 깊은 관심을 갖는 이유는 고장 난 기계가 돈을 낭비하게 하고, 지연을 초래하며, 심지어 위험할 수도 있기 때문입니다.

이 논문은 거대한 탐정 이야기와 같습니다. 저자인 크리스토퍼 브라운(Christopher Braun), 줄리안 라이블레(Julian Raible), 마르코 F. 후버(Marco F. Huber)는 이 "하이브리드" 교육법이 실제 세상에서 얼마나 잘 작동하는지 확인하기 위해 추적 조사를 떠났습니다. 그들은 단순히 몇 가지 사례만 살펴본 것이 아니라, 진실을 찾기 위해 212개의 서로 다른 과학 연구들을 샅샅이 뒤졌습니다. 그들은 다음과 같은 질문을 던졌습니다. 사람들은 어떤 종류의 물리 규칙을 사용하고 있는가? 그 규칙들을 머신러닝과 어떻게 혼합하고 있는가? 그리고 그것이 실제로 예측을 더 좋게 만드는가?

그들이 발견한 내용은 다음과 같습니다. 우선, 아이디어는 훌륭하지만 이 분야는 아직 다소 혼란스러운 상태라는 것을 발견했습니다. 연구자들은 대부분의 연구가 단 두 가지 유형의 기계, 즉 리튬 이온 배터리(휴대폰이나 전기차에 들어가는 것)와 베어링(모터 내부의 작은 바퀴)에만 집중하고 있다는 것을 발견했습니다. 이는 마치 전 세계의 모든 요리사가 피자 레시피를 완벽하게 만드는 데만 매달리고 다른 음식은 무시하는 것과 같습니다. 이 때문에 우리는 배터리와 베어링을 고치는 법에 대해서는 많이 알고 있지만, 다른 기계들에 대해서는 아직 아는 바가 많지 않습니다.

저자들은 물리 법칙을 머신러닝과 어떻게 혼합했느냐에 따라 모든 연구를 네 가지 다른 "팀"으로 분류했습니다.

1. 데이터 담그기 팀 (관측 편향 - Observational Bias): 이 연구자들은 물리 법칙을 사용하여 가짜 데이터(시뮬레이션)를 만들어 컴퓨터에게 더 많은 예시를 학습시켰습니다. 이는 비디오 게임 트레이너가 플레이어가 실제 보스를 마주하기 전에 숙련될 수 있도록 수천 개의 연습 레벨을 생성하는 것과 같습니다.
2. 구조 설계자 팀 (귀납적 편향 - Inductive Bias): 이 연구자들은 컴퓨터의 뇌 구조 안에 물리 규칙을 직접 구축했습니다. 이는 집을 지을 때 무너뜨릴 수 없는 벽을 세우는 것과 같아서, 컴퓨터가 오직 물리적으로 타당한 방식으로만 생각하도록 강제합니다.
3. 규칙 집행자 팀 (학습 편향 - Learning Bias): 이 연구자들은 "꾸중" 시스템을 추가했습니다. 만약 컴퓨터가 물리 법칙을 어기는 예측을 하면 벌점을 받습니다. 이는 마치 선생님이 학생에게 헬륨 풍선 없이 공이 위로 떠오를 수 있다고 말할 때마다 빨간색으로 체크를 하는 것과 같습니다.
4. 협력자 팀 (하이브리드 접근법 - Hybrid Approaches): 이 연구자들은 물리 모델과 머신러닝 모델을 서로 대화하는 두 명의 별개 친구처럼 유지했습니다. 한 명은 수학을 하고, 다른 한 명은 패턴을 찾아내며, 서로 업무를 공유합니다.

중요한 소식은 무엇일까요? 거의 모든 경우에서, 물리와 학습을 혼합하는 것이 컴퓨터가 언제 고장 날지 예측하는 데 더 효과적이었다는 점입니다. 특히 학습할 실제 데이터가 많지 않을 때 예측의 정확도가 더 높았습니다. 하지만 저자들은 과장하지 않도록 매우 주의를 기울였습니다. 그들은 사람들이 이러한 방식이 컴퓨터를 더 "이해하기 쉽거나" "안전하게" 만든다고 주장하지만, 아직 그것을 확신할 수 있는 충분한 증거가 없다는 점을 지적합니다. 이는 마치 새로운 자동차에 에어백이 있다고 해서 "더 안전하다"고 말하지만, 실제로 사고를 내어 생명을 구하는지 테스트해 본 적은 없는 것과 같습니다.

또 다른 까다로운 부분은 많은 방법론이 매우 특수하다는 점입니다. 배터리를 고치기 위해 만들어진 방법은 펌프에는 작동하지 않을 수 있습니다. 이는 특정 문 하나만 열 수 있는 열쇠를 가진 것과 같습니다. 그 문에는 아주 잘 작동하지만, 집 전체를 열 수는 없는 것과 마찬가지입니다. 저자들은 또한 대부분의 스마트 시스템이 여전히 실험실에 놓인 "프로토타입(시제품)" 단계에 머물러 있다는 점을 언급했습니다. 이 시스템들이 기계 내부의 작은 칩 위에서 실행될 수 있는지, 혹은 공장의 복잡하고 소음이 많은 현실적인 환경을 감당할 수 있는지에 대해서는 아직 충분히 검증되지 않았습니다.

결론적으로, 이 논문은 물리 정보 기반 머신러닝이 이미 유망함을 보여주고 있는 강력한 도구이지만, 아직 마법 지팡이는 아니라고 제안합니다. 이 방식은 좋은 물리 규칙이 있고 이를 섞을 수 있는 충분한 데이터가 있을 때 가장 잘 작동합니다. 이 분야의 미래는 배터리와 베어링뿐만 아니라 '모든' 기계에 적용될 수 있는 도구를 구축하고, 이 기술이 우리의 안전과 자산을 믿고 맡길 수 있을 만큼 정말 신뢰할 수 있다는 것을 증명하는 데 달려 있습니다. 그때까지 이 분야는 매우 흥미롭고 매우 분주하지만, 여전히 아주 어린 과학 분야입니다.