Self-Evolving Digital Twin for Zero-Defect Manufacturing Using Physics-Informed Reinforcement Learning and Multi-Agent Artificial Intelligence: A Case Study on Five-Axis Milling of Ti-6Al-4V.

기계가 단순히 명령을 따르는 것을 넘어, 자신이 무엇을 하고 있는지 실제로 '생각'하고 매번 가공할 때마다 그로부터 배워서 점점 더 나아지는 세상을 상상해 보십시오. 이것은 단 하나의 실수도 없이 완벽한 부품을 만들어내어 막대한 돈과 시간을 절약하는 것을 목표로 하는 고도의 게임, 즉 **제로 디펙트 제조(Zero-Defect Manufacturing)**의 영역입니다. 이 게임을 수행하기 위해 엔지니어들은 컴퓨터 속에 살아있는 실제 기계의 가상 유령인 **디지털 트윈(Digital Twin)**을 사용합니다. 이 유령는 실제 기계의 움직임, 열, 마모를 모방하며 운영자가 문제가 발생하기 전에 이를 예측할 수 있게 해줍니다. 하지만 전통적인 디지털 트윈은 한 번 쓰여지면 업데이트되지 않는 오래된 교과서와 같습니다. 만약 실제 기계에 약간의 녹이 슬거나 금속이 예상보다 더 뜨거워진다면, 그 오래된 교과서는 쓸모없게 되고 예측은 실패하게 됩니다. 이를 해결하기 위해 과학자들은 이제 강화 학습(비디오 게임 캐릭터가 레벨을 통과하며 실력을 키우는 것과 같이 시행착오를 통해 배우는 AI의 한 종류)과 물리 정보 기반 머신러닝(AI가 불가능한 추측을 하지 않도록 자연의 실제 법칙을 가르치는 것)을 사용하여 스스로 학습하고 실시간으로 업데이트되는 '자기 진화형' 트윈을 구축하려고 노력하고 있습니다.

이 논문은 매우 구체적이고 어려운 문제, 즉 Ti-6Al-4V(티타늄 합금)라는 단단한 항공우주용 금속을 5축 밀링 머신으로 가공하는 문제를 해결하기 위해 설계된 SE-PMAT라는 새로운 초지능형 시스템을 소개합니다. 이 금속은 강도는 높지만 가공하기에는 악몽 같은 존재로 유명합니다. 엄청난 열이 발생하고, 공구를 빠르게 마모시키며, 값비싼 항공기 부품을 망가뜨릴 수 있는 미세한 균열이나 거친 표면을 쉽게 만들어내기 때문입니다. 저자들은 기계를 제어하기 위해 함께 협력하는 세 명의 전문가 코치 팀처럼 작동하는 자기 진화형 디지털 트윈을 구축했습니다. 한 코치는 오직 품질(표면을 매끄럽게 만드는 것)에만 신경 쓰고, 다른 한 코치는 에너지(전력을 아끼는 것)를, 또 다른 한 코치는 생산성(빠르게 작업을 마치는 것)을 신경 씁니다. 이들은 서로 다투는 대신, 모두가 승리할 수 있는 완벽한 절충점을 찾기 위해 **내쉬 협상(Nash Bargaining)**이라는 특별한 협상 규칙을 사용합니다.

이 시스템은 진동, 열, 힘을 감지하는 센서를 통해 기계를 끊임없이 관찰함으로써 작동합니다. 시스템은 절삭과 열의 법칙을 이해하기 위해 '물리 정보 기반'의 두뇌를 사용하지만, 동시에 공구가 무뎌지거나 금속의 거동이 달라짐에 따라 자신의 내부 수학 모델을 스스로 업데이트하는 '자기 진화형' 계층도 갖추고 있습니다. 움직임을 실행하기 전, 시스템은 결함(스크래치나 균열 등)이 다음 몇 초 안에 발생할지 예측하기 위해 빠른 시뮬레이션을 실행합니다. 만약 문제가 올 것을 감지하면, 결함이 시작되기도 전에 기계의 속도, 피드 레이트(이송 속도) 또는 각도를 즉시 변경합니다.

500개의 부품 생산을 가정한 대규모 컴퓨터 시뮬레이션에서, 이 새로운 시스템은 기존의 다섯 가지 일반적인 방법들을 능가하는 성능을 보여주었습니다. 이 시스템은 기존의 가장 우수한 방법과 비교했을 때 표면 거칠기 편차(매끄러움이 얼마나 변동하는지)를 41.3% 줄였습니다. 또한 공구 마모율을 24.4% 낮추어 공구가 더 오래 지속되도록 했습니다. 비절삭 에너지(금속을 제거하는 데 사용되는 에너지)는 19.6% 낮추어 공정의 효율성을 높였습니다. 가장 인상적인 점은, 검사 과정에서 걸러지지 못하고 빠져나가는 불량 부품의 비율인 **결함 유출률(defect escape rate)**을 기존 최상위 기준치인 **4.2%**에서 단 **0.7%**로 대폭 줄였다는 것입니다. 저자들은 이러한 결과가 실제 공장 바닥에서의 물리적 테스트가 아닌, 발표된 실험 데이터들을 사용한 상세한 수치 시뮬레이션으로부터 도출된 것이라고 언급했지만, 이 수학적 결과는 이 '자기 진화형' AI 코치 팀이 하이테크 부품 제조 방식을 혁신할 수 있음을 시사합니다.