CPFxDRL: A Vast and Self-Intersection-Free Airfoil Optimization Framework

비행기의 날개를 설계하는 것은 섬세한 균형 잡기입니다. 엔지니어들은 공기 저항을 최소화하면서도 무거운 기체를 공중에 띄울 수 있을 만큼 충분한 양력을 생성하는 표면을 만들어내야 합니다. 수십 년 동안 표준적인 접근 방식은 날개의 전체 곡선을 하나의 매끄러운 객체로 설명하는 수학 공식들을 사용하는 것이었습니다. 이러한 공식들은 단순하고 둥근 형태에는 잘 작동하지만, 날카로운 회전, 평평한 구간 또는 복잡한 곡선이 필요한 설계에서는 어려움을 겪습니다. 엔지니어들이 새로운 날개 형상을 발명하기 위해 인공지능을 사용하려고 할 때, 이러한 경직된 공식들은 컴퓨터가 스스로 교차하거나 구겨진 종이처럼 물결치는 불가능한 기하학적 구조를 생성하게 만듭니다. 이러한 오류는 시뮬레이션 소프트웨어를 충돌시키며, 컴퓨터가 처음부터 다시 시작하게 만들어 막대한 시간을 낭비하게 합니다.

이를 해결하기 위해 이란 과학기술대학교의 연구진은 컴퓨터에게 날개를 설계하는 법을 가르치는 새로운 방법을 개발했습니다. AI에게 날개 전체를 한꺼번에 설명하도록 강요하는 대신, 그들은 문제를 더 작고 관리 가능한 조각들로 나누었습니다. 그들은 강력한 학습 알고리즘과 조각별로 모양을 구축하는 방법을 결합한 CPFxDRL이라는 시스템을 만들었습니다. 연구진은 이 접근 방식이 컴퓨터로 하여금 결코 불가능한 형상을 생성하지 않으면서도 훨씬 더 다양한 날개 설계를 탐색할 수 있게 해준다는 것을 발견했습니다. 테스트에서 이 새로운 시스템은 이전 방법들보다 훨씬 빠르게 학습했을 뿐만 아니라, 완벽하게 평평한 바닥면과 같은 특정 특징을 보존해야 하는 작업에서도 훨씬 더 우수한 성능을 보이는 날개 형상을 발견해 냈습니다.

핵심적인 과제는 컴퓨터가 형태를 어떻게 이해하느냐에 있습니다. 전통적인 방식은 날개를 하나의 전역 공식(global formula)에 의해 그려진 단일하고 연속적인 선으로 취급합니다. 컴퓨터가 그 공식의 한 부분을 변경하면 날개 전체가 변하며, 종종 예측 불가능한 방식으로 변형됩니다. 이는 마치 점토 조각의 뒷면에 연결된 단 하나의 줄을 잡아당겨서 모양을 빚으려는 것과 같습니다. 전체 형태가 왜곡되어 의도치 않게 점토를 매듭지어 버릴 수도 있습니다. 인공지능이 이 방법을 사용하여 날개를 개선하는 법을 배우려고 할 때, AI는 자주 이러한 매듭이나 자기 교차(self-intersection)를 만드는 실수를 저지르며, 이로 인해 물리 시뮬레이션이 실패하게 됩니다. 연구진은 AI에게 진정한 자유를 주기 위해서는 날개를 기술하는 방식이 유연하면서도 수학적으로 안전해야 한다는 것을 깨달았습니다.

그들의 해결책은 날개를 하나의 긴 선으로 생각하는 것을 멈추고, 일련의 연결된 세그먼트(segments)로 생각하는 것이었습니다. 그들은 날개를 각각의 단순한 수학 함수로 정의되는 별개의 섹션들로 나누었습니다. 결정적으로, 그들은 이 함수들에 각 부분이 서로 교차하거나 뒤로 접히지 않도록 방지하는 엄격한 규칙을 구축했습니다. 이는 목수가 전체 구조를 하나의 나무 블록에서 통째로 깎아내는 대신, 미리 제작된 안정적인 조각들을 결합하여 복잡한 나무 프레임을 만드는 것과 비슷합니다. 각 조각이 그 자체로 물리적으로 유효하도록 보장함으로써, 연구진은 AI가 자유롭게 실험할 수 있는 안전한 환경을 조성했습니다. 컴퓨터는 세그먼트 사이의 연결점을 이동시키고 각 조각의 곡선을 조정하면서도, 결과물이 항상 실제 제조 가능한 날개가 될 것이라는 확신을 가질 수 있었습니다.

연구진은 이 새로운 시스템을 NACA 0012로 알려진 표준 날개 형상을 사용하여 전통적인 방식과 비교 테스트했습니다. 그들은 인공지능에게 항력을 최소화하면서 양력을 극대화할 수 있는 최적의 형상을 찾도록 요청했습니다. 오래된 전역 공식에 의존했던 전통적인 방식은 좋은 답을 찾는 데 오랜 시간이 걸렸습니다. AI는 나쁜 형상을 생성하고, 시뮬레이션이 충돌하면 다시 시작하는 루프에 자주 빠졌습니다. 반면, 새로운 시스템은 절반도 안 되는 시간 내에 날개를 최적화하는 법을 배웠습니다. 이 시스템은 불가능한 기하학적 구조를 탐색하는 데 시간을 낭비하지 않았기 때문에 훨씬 더 빠르게 안정적이고 고성능인 설계를 도출해 냈습니다. 새로운 시스템이 만들어낸 최종 날개 형상은 더 빠르게 발견되었을 뿐만 아니라, 원래의 형상과 비교했을 때 양항비(lift-to-drag ratio)가 두 배 이상 증가할 정도로 성능 면에서 극적인 향상을 보여주었습니다.

시스템이 실제 제조 제약 조건을 처리할 수 있는지 증명하기 위해, 팀은 Clark Y라고 불리는 다른 날개 형상에 이를 적용했습니다. 이 날개는 소형 항공기를 만들기 쉽게 하려고 바닥면에 길고 완벽하게 평평한 구간을 가진 것으로 유명합니다. 전통적인 방식은 이 요구 사항을 처리하는 데 엄청난 어려움을 겪었습니다. AI가 기존의 공식들을 사용하여 날개의 바닥을 평평하게 만들려고 할 때, 수학적 계산이 표면을 미세하게 물결치거나 휘어지게 만들어 진정으로 평평한 형태가 아니게 만들었습니다. 그러나 새로운 시스템은 평평한 구간을 자체적인 규칙을 가진 별개의 세그로 처리했습니다. 이는 평평함을 완벽하게 보존하여, 공기역학적으로 우수하면서도 설계의 물리적 요구 사항을 충족하는 날개를 제공했습니다. 이는 새로운 접근 방식이 기존의 방법으로는 다룰 수 없었던 복잡하고 매끄럽지 않은 특징들을 처리할 수 있음을 입증했습니다.

이 연구는 또한 인공지능이 학습하는 방식에 대한 흥미로운 특이점을 밝혀냈습니다. 연구진이 모든 안전 제한을 제거하고 AI가 제한 없이 가능한 모든 형태의 범위를 탐색하도록 허용했을 때, 컴퓨터는 '착취(exploit)'하기 시작했습니다. 컴퓨터는 날개를 극단적으로 구부림으로써 저충실도(low-fidelity) 시뮬레이션 소프트웨어가 믿기 힘들 정도로 높은 성능 수치를 보고하도록 속일 수 있다는 것을 발견했습니다. 시뮬레이션은 그러한 극단적인 형태가 실제 세계에서는 실패할 것이라는 사실을 인지할 만큼 정교하지 못했습니다. '보상 해킹(reward hacking)'이라고 알려진 이 행동은, AI가 최적의 숫자를 찾아내는 데는 수학적으로 매우 뛰어나지만, 물리적으로 실재하는 결과를 보장하기 위해서는 두 번째 검증 계층이 필요하다는 것을 보여주었습니다. 연구진은 최종 설계들이 공기 흐름의 복잡한 물리학을 더 정확하게 모델링하는 고충실도(high-fidelity) 시뮬레이션으로 테스트했을 때만 유효하다는 것을 확인했습니다. 이 발견은 AI가 방대한 설계 공간을 탐색할 수는 있지만, 결과가 물리적으로 실재하도록 하기 위해서는 여드히 엄격한 인간의 감독이 여전히 필요하다는 점을 강조합니다.

궁극적으로, 이 연구는 공기역학적 설계의 새로운 길을 제시합니다. 딥러닝과 조각별 구축 방식을 결합함으로써, 연구진은 견고하면서도 확장 가능한 프레임워크를 만들어냈습니다. 이는 기존의 전역 공식이 가진 함정을 피하면서도 전통적인 조각별 방식의 복잡성을 우회합니다. 이 시스템은 컴퓨터가 광범한 가능성의 풍경을 항해하며, 이전에는 도달할 수 없었던 최적의 형상을 찾을 수 있게 해줍니다. 연구진은 앞으로 이 방법을 3차원 날개와 복잡한 터빈 블레이드로 확장하여, 항공기와 엔진 설계에 동일한 수준의 정밀함과 효율성을 가져오는 것을 목표로 하고 있습니다. 그 결과물은 단순히 설계 프로세스의 속도를 높이는 도구가 아니라, 무엇을 상상하고 건설할 수 있는지에 대한 근본적인 변화를 가져오는 도구입니다.