거대한 화재 진압 퍼즐

당신은 단순히 종이 조각이 아니라, 각기 다른 개성, 속도, 연료 탱크를 가진 비행 로봇 군단이 퍼즐 조각이 되어 움직이는 거대하고 역동적인 퍼즐을 풀려고 노력 중이라고 상상해 보십시오. 이것이 바로 시스템 오브 시스템즈(System-of-Systems, SoS) 공학의 세계입니다. 엔지니어들은 이제 단 하나의 완벽한 자동차나 비행기를 만드는 대신, 서로 대화하고 스스로 결정을 내리며 산불을 끄거나 도시에서 사람들을 이동시키는 것과 같은 거대한 문제를 해결하기 위해 협력하는 기계들의 전체 '생태계'를 설계하려고 노력하고 있습니다.

까다로운 점은 이러한 시스템들이 믿을 수 없을 정도로 복잡하다는 것입니다. 로봇의 유형, 숫자, 전략의 모든 가능한 조합을 실제로 숲에서 직접 날려보며 테스트하려 한다면, 시간이 너무 오래 걸리고 비용도 엄청나게 들 것입니다. 이는 마치 미로의 모든 경로를 직접 걸어가 보며 최적의 경로를 찾으려는 것과 같습니다. 길을 찾기도 전에 지쳐버릴 것입니다. 이를 해결하기 위해 과학자들은 **에이전트 기반 모델링(Agent-Based Modeling)**을 사용합니다. 이는 로봇과 환경의 디지털 트윈(digital twins)을 만드는 일종의 초고급 비디오 게임과 같습니다. 그들은 컴퓨터에서 수천 번의 시뮬레이션을 실행하여 어떤 일이 발생하는지 확인할 수 있습니다. 하지만 컴퓨터를 사용하더라도 이러한 시뮬레이션을 실행하는 것은 매우 비싸고 느리기 때문에, 모든 것을 다 시도해 볼 수는 없습니다. 여기서 **베이지안 최적화(Bayesian Optimization)**가 등장합니다. 이것을 아주 똑똑하고 호기심 많은 탐정이라고 생각해 보십시오. 무작위로 추측하는 대신, 탐정은 이미 가지고 있는 단서들을 살펴보고, 최적의 해답이 있을 법한 곳에 대해 매우 교육적인 추측을 하며, 그 지점을 확인한 다음, 그 결과로부터 학습하여 다음에는 더 나은 추측을 할 수 있도록 합니다. 이것은 최소한의 시도로 '최적의 지점(sweet spot)'을 찾아내는 기술입니다.

논문의 핵심 아이디어: 비행 군단을 위한 스마트한 탐정

이 논문에서 프랑스와 독일의 연구진은 이러한 미래형 협력 비행 군단을 설계하는 과제에 도전합니다. 구체적으로, 그들은 다양한 유형의 항공기를 조율하여 산불에 맞서는 것을 목표로 하는 EVE(Eco-friendly Vehicle for multiple operating Environments)라는 시나리오에 집중합니다. 전기 수직 이착륙 드론(eVTOL)과 전통적인 수상 비행기가 함께 협력하는 팀을 상상해 보십시오. 목표는 단순히 비행기를 고르는 것이 아니라, 얼마나 많은 비행기를 사용할지, 어떤 종류의 비행기를 사용할지, 그리고 긴박한 순간에 정확히 어떻게 행동해야 할지를 결정하는 것입니다.

저자들은 이러한 시스템을 최적화하는 기존 방식들이 한계에 부딪혔다는 점을 깨달았습니다. 설계 공간은 '계층적(hierarchical)'인 엉망진창입니다. 이는 마치 '선택형 모험 소설(choose-your-own-adventure book)'과 같습니다. 당신의 첫 번째 선택(예: "수상 비행기 사용")이 다음에 읽을 수 있는 페이지(예: "연료를 얼마나 실을 것인가?")를 결정하기 때문입니다. 만약 드론을 선택한다면, 드론은 배터리를 사용하므로 연료 관련 페이지는 사라집니다. 만약 수상 비행기를 선택한다면, 배터리 관련 페이지는 사라집니다. 이는 일반적인 컴퓨터 프로그램이 탐색하기 어려운, 기묘하고 변화무쌍한 지형을 만들어냅니다.

이를 해결하기 위해 연구팀은 계층적 베이지안 최적화(Hierarchical Bayesian Optimization) 프레임워크를 구축했습니다. 그들은 이러한 규칙을 이해하는 특별한 '지도'(대리 모델, surrogate model)를 만들었습니다. 이 모델은 만약 수상 비행기를 선택하면 수상 비행기 변수만을 살펴봐야 하고, 드론을 선택하면 드론 변수로 전환해야 한다는 것을 알고 있습니다. 또한 가우시안 프로세스(Gaussian Processes) 기법을 사용하여, 매번 전체 시뮬레이션을 실행하는 대신 특정 군단 구성이 얼마나 잘 작동할지 예측하는 수정구슬 역할을 수행하게 합니다.

화재 테스트: 살라미스 섬

연구진은 자신들의 새로운 "스마트한 탐정"이 실제로 작동하는지 확인하기 위해, 아테네 근처 **살라미스 섬(Salamis Island)**에서의 디지털 산불 시뮬레이션으로 테스트를 진행했습니다. 그들은 뜨겁고 햇볕이 내리쬐는 날에 불이 시작되어 두 도시를 위협하는 시나리오를 설정했습니다. 그들은 비용과 배출량을 낮게 유지하면서 불길을 잡기 위한 최적의 군단 구성을 찾아야 했습니다.

그들은 자신들의 새로운 방법과 '베이스라인(baseline)' 시나리오를 비교했습니다. 베이스라인은 표준적인 물 투하 전술을 사용하는 두 대의 DHC-515 항공기로 구성된 전통적인 군단입니다. 시뮬레이션에서 이 구식 군단은 불을 끄는 데 성공했지만, 전투가 거의 8시간 동안 지속되었고 이미 11.79 km²의 땅이 탔습니다. 피해 비용은 약 1,153만 유로로 추산되었습니다.

그다음, 계층적 베이지안 최적화 알고리즘을 풀어놓았습니다. 이 알고리즘은 단순히 숫자를 조정하는 것에 그치지 않고, 완전히 다른 전략들을 탐색했습니다. 210번의 값비싼 시뮬레이션 체크(초기 추측과 170번의 스마트한 정교화 과정의 혼합)를 거친 끝에, 알고리즘은 두 개의 '파레토 프런트(Pareto Front)' 솔루션을 찾아냈습니다. 이들은 하나를 개선(예: 속도)하면 다른 하나(예: 비용)가 악화될 수밖에 없는 '골디락스(goldilocks)' 지점들입니다.

결과는 놀라웠습니다. 최적화된 군단은 (8대 또는 12대의 수상 비행기와 지원을 위한 12대의 eVTOL 드론 전체 군단 구성) 훨씬 빠르게 불을 껐습니다.

• 8대 수상 비행기 군단은 불을 단 2시간 만에 껐으며, 탄 면적을 6.67 km²로 줄였고 피해 비용을 683만 유로로 낮췄습니다.
• 12대 수상 비행기 군단은 더 빨랐습니다. 1.6시간 만에 작업을 마쳤으며, 탄 면적은 6.37 km², 비용은 653만 유로였습니다.

하지만 트레이드오프(trade-off)가 있었습니다. 최적화된 군단은 (단 2대의 비행기 대신 8~12대의 수상 비행기를 사용하여) 규모가 훨씬 컸기 때문에, 베이스라인의 1.63톤에 비해 더 많은 연료를 소비하고 더 많은 탄소를 배출(2.60 ~ 2.64톤의 CO2)했습니다. 그러나 논문은 이 특정 시나리오에서는 도시를 구하고 막대한 화재 피해 비용을 줄이는 것이 추가적인 탄소 배출보다 가치 있다고 제안합니다.

알고리즘이 실제로 배운 것

이 논문에서 가장 흥고한 부분은 알고리즘이 어떻게 해결책을 찾아냈는가 하는 점입니다. 알고리즘은 단순히 "비행기를 더 많이 사용하라"고 말한 것이 아닙니다. 그것은 군단이 어떻게 행동해야 하는지에 대한 구체적인 계층적 규칙을 발견했습니다.

1. 전술의 중요성: 알고리즘은 수상 비행기의 경우 최적의 전략이 군단 규모에 따라 달라진다는 것을 깨달았습니다. 12대 수상 비행기 군단은 임무 내내 "물(water)" 전술(물을 직접 투하)을 고수했습니다. 반면, 8대 수상 비행기 군단은 처음에 "식생(vegetation)" 전술(불길을 차단하기 위해 식생을 태우는 데 집중)로 시작했다가 임무 후반에 "물" 전술로 전환했습니다.
2. "전환" 로직: 알고리즘은 언제 전술을 바꿀지를 배웠습니다. 8대 수상 비행기 군단의 경우, "실행 시간(runtime, 비행한 시간)"에 따라 전술을 바꾸기로 결정했습니다. 12대 수상 비행기 군단의 경우, 비행기 수가 충분히 효과적이었기 때문에 전술을 바꾸지 않고 물 전술을 고수하는 것이 좋다고 결정했습니다.
3. 비행기 설계: 최적화는 단순히 비행기를 고르는 데 그치지 않고, 비행기를 설계했습니다. 알고리즘은 12대 수상 비행기 군단이 공격적이고 빠른 임무를 수행하기 위해 **높은 속도, 높은 항속 거리, 높은 페이로드(적재량)**가 필요하다고 제안했습니다. 반면, 8대 수상 비행기 군단은 전술 전환의 타이밍에 의존하여 차이를 메울 수 있도록 낮은 속도, 최소한의 항속 거리, 중간 정도의 페이로드를 가진 비행기로 작동하는 것이 가장 좋다고 판단했습니다.

시사점

이 논문은 아직 현실 세계의 모든 산불 문제를 해결했다고 주장하는 것이 아닙니다. 이 논문은 이러한 복잡한 컴퓨터 시뮬레이션에서 계층적 접근 방식이 시스템 설계의 '선택형 모험' 특성을 탐색하는 데 있어 전통적인 방식보다 훨씬 뛰어나다는 것을 보여줍니다. 어떤 선택이 다른 선택을 상쇄한다는 것을 컴퓨터에게 가르침으로써, 우리는 더 빠르고 저렴할 뿐만 아니라 왜 그러한 솔루션이 작동하는지까지 밝혀낼 수 있었습니다.

저자들은 이 방법이 미래의 군단을 설계하는 데 있어 게임 체인저가 될 수 있다고 제안합니다. 이는 단순히 산불을 끄는 것뿐만 아니라, 서로 다른 유형의 기계들이 협력해야 하는 모든 복잡한 임전을 포함합니다. 그들은 시뮬레이션이 여전히 하나의 모델이며, 예측 불가능한 날씨나 기계적 결함과 같은 실제 환경 조건이 상황을 바꿀 수 있음을 인정합니다. 하지만 현재로서는, 올바른 수학적 "탐정"이 있다면 우리가 더 똑똑하고 적응력이 뛰어난 비행 팀을 설계할 수 있으며, 이들이 언젠가 우리의 도시를 화염으로부터 구할 수 있다는 것을 입증했습니다.