Position-Weighted Sequence-Kernel Bayesian Optimization for Composite Laminate Stacking Sequences

당신이 건축가라고 상상해 보십시오. 하지만 당신의 건물은 강철과 콘크리트 대신 수천 장의 작은 유색 종이로 만들어져 있습니다. 각 종이는 한 방향으로는 믿을 수 없을 정도로 강하지만, 다른 방향으로는 매우 약합니다. 건물이 바람에 맞서 높게 서 있을 수 있도록 하려면, 당신은 이 종이들을 매우 특정한 순서로 쌓아야 합니다. 만약 모든 "강한" 종이를 바깥쪽에 배치한다면, 건물은 단단해질 수는 있겠지만 뒤틀려 버릴 수도 있습니다. 만약 이들을 무작위로 섞는다면, 안정적일 수는 있겠지만 너무 무거워질 것입니다. 이것은 항공기에 사용되는 탄소 섬유, 풍력 터빈 블레이드, 경주용 자동차와 같은 복합 재료를 설계하는 엔지니어들이 매일 마주하는 도전입니다. 이러한 구조물을 가볍고 강하게 만드는 비결은 단순히 어떤 재료를 사용하는가가 아니라, 그것들을 어떻게 쌓느냐에 달려 있습니다. 하지만 수백 개의 층과 각 층마다 가능한 수십 개의 각도를 고려하면, 이들을 쌓는 방법의 가짓수는 너무나 방대하여 마치 산더미 크기의 건초더미 속에서 단 하나의 완벽한 바늘을 찾는 것과 같습니다. 모든 가능성을 일일이 시도하는 것은 우주의 역사보다 더 오랜 시간이 걸릴 것입니다.

이 종이의 이야기는 여기서 시작됩니다. 칭다오 공과대학교의 량 신롱(Xinrong Liang), 량 콩(Liang Kong), 자오준 장(Zhaojun Zhang) 연구진은 컴퓨터 시간을 낭비하지 않고 이 "건초더미 속 바늘 찾기" 문제를 해결하고 싶었습니다. 그들은 "베이지안 최적화(Bayesian Optimization)"라는 방법론을 사용하여 최적의 적층 순서를 추측하는 영리한 새로운 방법을 개발했습니다. 이것은 단순히 무작위로 추측하는 것이 아니라, 모든 단서로부터 배우는 똑똑한 탐정과 같습니다. 탐정은 "대리 모델(surrogate model)"—즉, 건초더미의 단순화되고 빠르게 실행되는 지도—을 구축하여 가장 좋은 바늘이 숨겨져 있을 법한 곳을 예측합니다. 하지만 여기에는 반전이 있습니다. 종이를 쌓는 것은 단순히 어떤 색상의 종이를 가졌느냐의 문제가 아니라, 그 종이가 어디에 있느냐의 문제입니다. 스택의 맨 바깥쪽에 있는 종이는 중간에 있는 종이보다 굽힘에 훨씬 더 큰 영향을 미칩니다. 이 논문은 두 스택이 얼마나 "다른지"를 측정하는 새로운 방법을 도입하여, 외곽 층에 더 많은 가중치를 부여했습니다. 또한, 탐정이 동시에 거의 동일한 두 개의 스택을 테스트 대상으로 선택하지 않도록 하는 규칙을 추가하여, 탐정이 더 넓은 범위의 건초더미를 탐색하도록 강제했습니다.

탐정의 새로운 지도: 위치 가중 적층

연구팀이 다룬 핵심 문제는 복합재 적층판(composite laminate)의 완벽한 "적층 순서(stacking sequence)"를 찾는 것입니다. 실제 세상에서 이러한 적층판은 대칭성(윗부분이 아랫부분을 거울처럼 반영함)과 동일한 각도의 층이 너무 많이 연속되지 않아야 한다는 것과 같은 엄격한 제조 규칙을 따라야 합니다. 목표는 구조물의 좌굴(압력에 의해 휘거나 무너지는 현상) 저항력을 극대화하는 동시에, 압력을 가했을 때 코르크 마개처럼 비틀리는 "굽힘-비틀림 결합(bending-twisting coupling)"이라는 고약한 부작용을 최소화하는 것입니다.

이를 해결하기 위해 저자들은 고속 시뮬레이터 역할을 하는 디지털 프레임워크를 구축했습니다. 모든 가능한 적층 방식에 대해 느리고 무거운 컴퓨터 시뮬레이션을 실행하는 대신, 그들은 "대리 모델"을 사용했습니다. 당신이 미로를 통과하는 최적의 경로를 찾으려고 노력한다고 상상해 보십시오. 모든 경로를 직접 걸어가는 대신, 이미 시도해 본 경로들을 바탕으로 빠른 스케치를 그립니다. 이 스케치는 아직 탐색하지 않은 경로 중 유망해 보이는 경로를 예측합니다. 이 논문에서 이 "스케치"는 **가우시안 프로세스(Gaussian Process)**로, 이미 테스트한 스택들과 얼마나 유사한지를 바탕으로 새로운 스택의 결과를 예측하는 통계적 도구입니다.

하지만 기존의 "스케치"에는 문제가 있었습니다. 그것들은 스택의 모든 층을 똑같이 중요한 것처럼 취급했습니다. 저자들은 이것이 잘못되었다는 것을 깨달았습니다. 물리학에서 보(beam)의 외곽 층은 중심부의 층보다 강성에 훨씬 더 많이 기여합니다. 이를 해결하기 위해 그들은 **위치 가중 시퀀스 커널(Position-Weighted Sequence-Kernel)**을 발명했습니다.

여기에는 비유가 있습니다. 당신이 두 가지 다른 샌드위치를 심사한다고 상상해 보십시오. 하나는 맨 위와 맨 아래에 햄이 놓여 있고, 다른 하나는 햄이 중간에 숨겨져 있습니다. 두 샌드위치가 같은 재료를 가지고 있더라도, 햄이 밖에 있는 쪽은 맛(그리고 성능)이 매우 다르게 느껴집니다. 저자들이 만든 새로운 방식은 이 점을 이해합니다. 이 방식은 두 적층 순서 사이의 "거리"를 측정하되, 외곽 층에서의 차이는 엄청난 사건으로 간주하고, 중간 층에서의 차이는 아주 사소한 일로 간주합니다. 이를 통해 컴퓨터의 "지도"는 이전보다 훨씬 더 잘 적층의 물리적 특성을 이해할 수 있게 되었습니다.

스마트한 탐색: 단순한 추측이 아닌 학습

지도가 구축된 후, 팀은 건초더미를 탐색할 전략이 필요했습니다. 그들은 "상한 신뢰 구간(Upper Confidence Bound, UCB)"을 사용하는 베이지안 최적화(Bayesian Optimization) 전략을 사용했습니다. 이것은 "뜨겁다와 차갑다(Hot and Cold)" 게임과 같습니다. 컴퓨터는 자신의 지도를 보고 두 가지 질문을 던집니다. "어디에 최고의 스택이 있다고 생각하는가?" 그리고 "어디에서 내가 가장 혼란스러운가?"

UCB 전략은 이 두 가지 사이의 균형을 맞춥니다. 컴퓨터는 정말 좋아 보이는 곳(높은 예측 점수)이나, 혹은 매우 불확실한 곳(놀라운 결과가 나올 잠재력이 높은 곳)을 선택합니다. 이는 탐색이 한 좁은 구역에 갇히지 않고 새로운 가능성을 계속 탐색하도록 보장합니다.

그러나 팀은 여러 후보를 동시에 테스트할 때(배치 샘采样/batch sampling) 발생하는 결함을 발견했습니다. 만약 단순히 가장 "뜨거운" 상위 5곳을 뽑는다면, 그들은 서로 거의 동일하면서도 아주 미세하고 쓸모없는 차이만 있는 5개의 스택을 뽑게 될 수도 있습니다. 이는 5명의 탐정을 똑같은 골목길을 확인하라고 보내는 것과 같습니다. 이를 해결하기 위해 그들은 **최소 배치 내 시퀀스 거리 제약(Minimum Within-Batch Sequence-Distance Constraint)**을 추가했습니다.

이 규칙은 다음과 같이 말합니다: "최고의 후보들을 뽑을 수는 있지만, 반드시 서로 충분히 달라야 한다." 만약 어떤 후보가 이미 뽑힌 다른 후보와 너무 유사하다면, 컴퓨터는 그것을 건너뛰고 충분히 멀리 떨어져 있는 다음의 최적 옵션을 찾습니다. 이는 매 테스트 라운드마다 컴퓨터가 더 넓은 영역을 탐색하도록 강제하여, 과정의 효율성을 크게 높였습니다.

연구 결과: 더 똑똑하고, 빠르고, 안정적으로

연구진은 이들의 새로운 방법을 무작위 추측 및 일반적인 유전 알고리즘(진화를 모방한 방식)을 포함한 기존 기술들과 비교 테스트했습니다. 그들은 다양한 층수(16층에서 40층까지)와 허용된 각도 세트를 사용하여 시뮬레이션을 수행했습니다.

결과는 명확했습니다. 새로운 위치 가중 시퀀스 커널 방식은 다른 방식들보다 일관되게 더 나은 적층 순서를 더 빠르게 찾아냈습니다.

• 더 높은 정확도: 컴퓨터의 "스케치"를 실제 물리 법칙과 비교했을 때, 새로운 방식은 층의 위치를 무시했던 기존 방식들보다 결과를 더 정확하게 예측하고 스택의 순위를 훨씬 더 잘 매겼습니다.
• 효율성: 140회의 "시도"(제한된 컴퓨터 시간)를 수행하는 테스트에서, 이 방식은 표준 4각도 세트의 경우 5번의 실행 중 4번(80%)에서 테스트 풀 내의 최적 스택을 찾아냈으며, 더 복잡한 8각도 세트에서는 완벽한 성공률(5번 중 5번, 100%)을 달お성했습니다. 반면, 무작위 추측은 표준 세트에서 단 20%의 성공률만을 보였습니다.
• 안정성: 이 방식은 단순히 운이 좋았던 것이 아니라 신뢰할 수 있었습니다. 서로 다른 랜덤 시드를 사용하더라도 결과는 일관되게 높았습니다.
• "비틀림" 요소: 목표 설정 시 "굽힘-비틀림 결합"에 대한 페널티를 포함함으로써, 그들은 강하면서도 압력을 받았을 때 비틀리지 않는 스택을 성공적으로 찾아냈습니다. 그들은 적절한 페널티 계수(목표 간의 균형을 맞추기 위해 사용한 특정 숫자)를 적용하면, 좌굴 강도는 아주 미미하게(0.35%)만 손실하면서도 비틀림을 약 49% 줄일 수 있다는 것을 발견했습니다.

자신의 "스케치"가 거짓인지 확인하기 위해, 그들은 찾아낸 최적의 스택들을 Abaqus라는 고성능 실물 물리 시뮬레이션으로 검증했습니다. 결과는 강력한 상관관관계를 보여주었습니다. 새로운 방식이 선택한 스택들은 상세 시뮬레이션에서도 일반적으로 가장 높은 성능을 보였습니다. 비록 단순화된 컴퓨터 "스케치"가 고성능 시뮬레이션과 완벽하게 일치하지는 않았지만(어느 정도의 예측 편향이 존재함), 새로운 방식이 식별한 고성능 스택들은 일관되게 Abaqus 결과의 고성능 영역에 위치하여, 이 프레임워크의 설계 선별 능력을 입증했습니다.

결론

이 논문은 모든 공학적 문제를 해결했다고 주장하는 것이 아닙니다. 저자들은 자신들의 방법이 단순화된 물리 모델에 의존하고 있으며, 아직 실제 제조 결함이나 복잡한 손상 시나리오에 대해서는 테스트되지 않았음을 주의 깊게 언급합니다. 그러나 컴퓨터 시뮬레이션의 세계 안에서, 그들은 상당한 개선을 입증해 냈습니다.

컴퓨터에게 층이 무엇인지뿐만 아니라 층이 어디에 있는지를 가르침으로써, 그리고 탐색이 다양한 옵션을 살펴보도록 강제함으로써, 그들은 더 빠르고 신뢰할 수 있게 최적의 복합재 설계를 찾아내는 도구를 만들었습니다. 이는 때때로 거대한 퍼즐을 푸는 열쇠가 단순히 더 열심히 보는 것이 아니라, 더 똑똑하게 보는 것, 즉 스택의 외곽 층이 정말로 가장 중요하다는 것을 이해하는 데 있다는 사실을 상기시켜 줍니다.