AI Agentic Selective Laser Sintering Process Optimization

기계가 단순히 정해진 지침을 따르는 것이 아니라, 자신의 실수를 통해 배우고 더 나은 결과를 얻기 위해 행동을 조정하는 공장 바닥을 상상해 보십시오. 이것이 바로 물체를 블록에서 깎아내거나 틀에 부어 만드는 대신 층층이 쌓아 올리는 분야인 적층 제조(additive manufacturing)의 약속입니다. 이 기술은 설계에 있어 놀라운 자유를 제공하지만, 강하고 신뢰할 수 있는 부품을 만드는 길은 종종 시행착오로 가득 차 있습니다. 이 과정은 얼마나 많은 열을 가할지, 레이저가 얼마나 빨리 움직일지, 재료가 어떻게 준비될지와 같은 정밀한 설정에 의존하지만, 이러한 설정은 특정 기계나 환경에 따라 크게 달라질 수 있습니다. 수년 동안 이러한 설정의 완벽한 조합을 찾는 것은 엔지니어가 샘플을 출력하고, 테스트하고, 파괴하고, 다시 반복해서 출력해야 하는 지루하고 수동적인 작업이었습니다.

카네기 멜론 대학교의 연구팀은 인간의 추측을 대신하여 학습하고 적응할 수 있는 지능형 시스템으로 이 과제에 접근하는 새로운 방식을 도입했습니다. 그들은 복잡한 워크플로우 내에서 자율적으로 작동하도록 설계된 인공지능의 한 형태인 '에이전트형(agentic)' 시스템을 개발했습니다. 이 시스템은 단순히 정적인 프로그램을 따르는 대신, 출력 결과를 관찰하고 무엇이 잘못되었거나 잘되었는지 추론한 다음, 다음 시도를 위해 설정을 어떻게 변경할지 결정합니다. 이 추론 능력과 과거 실험 데이터베이스를 결합함으로써, 시스템은 모든 실패하거나 성공한 출력이 다음 개선 방법을 가르쳐 주는 피드백 루프를 생성합니다. 연구진은 레이저를 사용하여 플라스틱 분말을 융합하는 특수 3D 프린터에서 이 시스템을 테스트했으며, 목표는 제조사가 명시한 것만큼 강한 부품을 만드는 것이었습니다.

연구는 각각 고유한 어려움을 가진 세 가지 유형의 플라스틱 분말에 초점을 맞추었습니다. 첫 번째 재료는 내구성이 강한 부품에 자주 사용되는 견고한 복합체인 유리 충전 나일론(glass-filled nylon)이었습니다. 연구진은 이 재료에 대해 기계를 수동으로 튜닝하며 기계가 어떻게 작동하는지에 대한 기준점을 설정했습니다. 그들은 초기 출력물이 예상보다 훨씬 약하며, 강성이 제조사가 주장하는 값의 극히 일부에 불과하다는 것을 발견했습니다. 일련의 수동 조정을 통해 결국 원하는 강도를 생성하는 설정값을 찾아냈지만, 이 과정에는 15번의 별도 배치 출력 및 테스트가 필요했습니다. 이 수동 노력은 지능형 시스템이 나중에 학습하는 데 필요한 데이터를 제공하는 중요한 훈련장이 되었습니다.

시스템이 준비되자, 시스템은 두 번째 재료, 즉 강도는 높지만 매우 특정한 환경을 요구하여 출력이 까다로운 나일론의 공정을 최적화하는 과제를 부여받았습니다. 시스템은 제조사의 강도 사양을 맞추는 것을 목표로 주어졌습니다. 시스템은 어떤 조합이 가장 잘 작동하는지 확인하기 위해 약간씩 다른 설정을 가진 작은 격자 형태의 테스트 패치를 출력하기 시작했습니다. 결과를 분석한 후, 시스템은 다음 배치를 위해 전략을 수정했습니다. 시스템은 분말에 가해지는 에너지를 높이고 온도를 미세하게 조정하며 이전의 실패로부터 학습했습니다. 매 새로운 배치마다 시스템은 작고 계산된 변화를 가했습니다. 시스템은 단순히 추측한 것이 아니라, 이전 출력의 데이터를 사용하여 다음 단계를 추론했습니다. 불과 몇 번의 반복만으로 시스템은 기계적 특성이 제조사의 높은 표준에 밀리지 않는 부품을 만들어냈으며, 이는 인간이 시행착오를 통해 달성하기에는 훨씬 더 오래 걸렸을 작업이었습니다.

마지막 테스트는 연구진이 기계가 이전에 출력해 본 적 없는 재료를 처리할 수 있는지 확인하기 위해 만든 두 가지 서로 다른 나일론의 혼합물을 포함했습니다. 이 혼합물은 한 성분이 레이저 빛을 다른 성분과 다르게 흡수하여 불균일한 용융을 유발하기 때문에 까다로웠습니다. 시스템은 낮은 에너지 설정으로 시작했는데, 그 결과 부품이 약하고 부서지기 쉬웠습니다. 실패를 인식한 시스템은 다음 배치를 위해 에너지 밀도를 높였습니다. 결과는 극적으로 개선되었으며, 부품의 강도는 거의 두 배로 증가했습니다. 그 후 시스템은 표면 온도를 미세하게 최종 조정하여 재료가 전체 프린트 베드에 걸쳐 더 균일하게 녹도록 도왔습니다. 최종 부품은 강할 뿐만 아니라 일관성이 있었으며, 일부 측정값은 재료 제조사가 제공한 참조 값을 초과하기도 했습니다.

이 연구가 중요한 이유는 단순히 기계가 강한 부품을 출력했기 때문이 아니라, 그 과정이 어떻게 이루어졌느냐에 있습니다. 시스템은 미리 작성된 매뉴얼이나 고정된 규칙에 의존하지 않았습니다. 대신, 대규모 언어 모델을 사용하여 센서의 데이터와 테스트 결과를 해석하며 효과적으로 문제에 대해 "생각"했습니다. 시스템은 이전 빌드의 정보를 회상하고, 기술 데이터 시트에 접근하며, 실시간 조정을 위해 기기의 펌웨어를 제어할 수 있었습니다. 연구진은 시스템이 업데이트된 데이터를 통해 지속적으로 학습할 수 있음을 발견했으며, 이를 통해 보통 느리고 반복적인 과정을 지능적이고 자기 교정적인 워크플로우로 전환했습니다. 연구에 사용된 기계는 산업용 모델에 비해 낮은 해상도의 센서와 같은 몇 가지 제한 사항이 있었지만, 시스템은 여 still 불구하고 이러한 제약을 극복하고 최적의 설정을 찾아냈습니다.

이 연구는 인공지능이 단순한 자동화를 넘어 제조 과정의 파트너가 될 수 있음을 보여줍니다. 기계가 자신의 이력으로부터 학습할 수 있도록 함으로써, 연구진은 3D 프린터 튜닝과 같은 복잡한 작업을 이전에는 도달할 수 없었던 수준의 효율성과 적응력으로 처리할 수 있음을 입증했습니다. 시스템은 세 가지 다른 재료에 대해 프로세스를 성공적으로 최적화했으며, 단 몇 번의 시도만으로 산업 표준을 충족하거나 초과하는 기계적 특성을 달 achievement 했습니다. 이는 디지털 설계와 물리적인 고성능 부품 사이의 간극이, 배운 교훈을 결코 잊지 않는 에이전트에 의해 빠르고 신뢰할 수 있게 메워질 수 있는 미래를 시사합니다.