From RANS Prediction to Hydrofoil Optimization: A Benchmark of Neural Surrogates

보트가 물 위로 떠오르게 하여 항력을 줄여주는 날개 모양의 구조물인 하이드로포일(hydrofoil)을 설계하는 것은 끝없는 시행착오의 연속입니다. 완벽한 형상을 찾기 위해 엔지니어들은 곡률, 두께, 각도를 변경하며 수천 가지의 변형을 테스트해야 합니다. 새로운 형상이 나올 때마다 그들은 물이 물체를 중심으로 흐르는 물리 법칙을 해결하는 복잡한 컴퓨터 시뮬레이션을 실행해야 합니다. 이러한 시뮬레이션은 매우 정확하지만 동시에 매우 느립니다. 강력한 컴퓨터를 사용하더라도 단 한 번의 테스트를 실행하는 데 몇 시간이 걸릴 수 있습니다. 이 때문에 가능한 모든 설계 범위를 탐색하는 것은 종로히 비용이 많이 들고 시간도 오래 걸리는 작업입니다. 최근 몇 년 동안 과학자들은 인공지능을 훈련시켜 지름길 역할을 하게 함으로써 이 과정을 가속화하려고 시도해 왔습니다. 매번 물리 방정식을 처음부터 푸는 대신, 이 AI 모델들은 이전에 본 패턴을 바탕으로 물의 흐름과 그로 인한 힘을 예측하는 법을 배웁니다. 이러한 "신경 대리 모델(neural surrogates)"이 몇 시간 대신 몇 초 만에 최적의 설계를 찾아낼 수 있기를 기대하는 것입니다.

하지만 독립 연구자인 아라브 딕시트(Aarav Dixit)가 발표한 새로운 연구는 우리가 현재 이러한 AI 지름길을 판단하는 방식에 중대한 결함이 있음을 밝혀냈습니다. 오랫동안 어떤 AI 모델이 가장 우수한지를 결정하는 표준적인 방법은, 모델이 예측한 수압이 느리지만 정밀도가 높은 고충실도(high-fidelity) 컴퓨터 시뮬레이션과 얼마나 일치하는지를 확인하는 것이었습니다. 만약 AI가 압력 지도를 정확하게 그려낸다면 성공한 것으로 간주되었습니다. 그러나 이 논문은 압력 지도를 정확하게 맞추는 것이 반드시 엔지니어가 최고의 보트 날개를 찾는 데 도움을 준다는 것을 의미하지는 않는다고 주장합니다. 설계 도구의 진정한 시험은 단순히 지도를 얼마나 잘 모사하느냐가 아니라, 느리고 신뢰할 수 있는 방식과 동일한 승리하는 설계를 이끌어낼 수 있느냐에 달려 있습니다. 이를 알아내기 위해, 연구자는 네 가지 서로 다른 유형의 AI 모델을 대상으로 엄격한 헤드 투 헤드 경쟁을 설정하였으며, 이들 모두에게 동일한 설계 문제를 풀게 한 뒤 최종 답변을 새로운 고정밀 시뮬레이션으로 검증하도록 했습니다.

연구는 곡률과 두께를 설명하는 단순한 숫자로 정의되는 NACA 프로파일이라는 표준 형상을 기반으로 한 특정 하이드로포일 세트에 집중했습니다. 연구자는 다양한 속도와 각도에서 이 포일 위로 흐르는 물의 흐름에 대한 381개의 상세한 컴퓨터 시뮬레이션 데이터베이스를 생성했습니다. 이 데이터를 바탕으로 물의 흐름과 양력 및 항력의 힘을 예측하기 위해 네 가지 뚜렷한 계열의 신경망이 훈련되었습니다. 첫 번째 유형인 합성곱 신경망(convolutional neural network)은 인간의 눈이 지도를 스캔하듯 흐름의 국부적인 패턴을 찾습니다. 두 번째인 푸리에 신경 연산자(Fourier neural operator)는 흐름을 전역적인 파동으로 분해하여 분석합니다. 세 번째인 딥 연산자 네트워크(deep operator network)는 형상에 대한 설명과 유동 조건에 대한 설명을 분리합니다. 네 번째인 물리 정보 신경망(physics-informed neural network)은 유체 운동의 근본적인 법칙에 의해 제약을 받으며, 추측할 때도 물리 법칙을 준수하도록 강제됩니다.

훈련을 마친 모델들에게는 단순히 단일 사례를 예측하는 것을 넘어, 최적의 하이드로포일 형상을 찾아내는 임무가 주어졌습니다. 각 모델에는 동일한 시작점이 주어졌으며, 설계를 개선할 수 있는 횟수는 40회로 엄격히 제한되었습니다. 목표는 양항비(lift-to-drag ratio)를 극대화하는 것, 즉 더 적은 노력으로 보트를 더 빠르게 만드는 것이었습니다. 결정적으로, 최적화 루프는 전적으로 AI의 예측값 위에서 실행되었습니다. AI가 스스로 어떻게 행동하는지 보기 위해 느리고 충실도가 높은 컴퓨터는 검색 과정 동안 제외되었습니다. AI가 최적의 설계를 선택한 후, 연구자는 해당 형상에 대해 새로운 고정밀 시뮬레이션을 실행하여 실제 물리 법칙이 무엇이라고 말하는지 확인했습니다. 이 최종 점검은 느린 컴퓨터 자체가 최적화를 수행했을 때의 결과, 즉 무엇이 최선의 답인지에 대한 골드 스탠다드(gold standard)와 비교되었습니다.

결과는 예측의 정확도와 유용성 사이의 놀라운 괴리를 보여주었습니다. 순수한 예측 오차 측면에서는 딥 연산자 네트워크가 명확한 승자였습니다. 이 모델은 보지 못한 테스트 케이스에 대해 압력, 양력, 항력을 가장 정밀하게 예측했으며, 물리 정보 신경망이 그 뒤를 바짝 쫓았습니다. 물리 정보 모델은 속도 면에서도 가장 빨랐으며, 전통적인 시뮬레이션에 비해 약 665배의 속도 향상을 제공했습니다. 그러나 이 모델들이 실제로 새로운 포일을 설계하는 데 사용되었을 때 상황은 바뀌었습니다. 딥 연산자 네트워크와 물리 정보 네트워크는 모두 36에서 37 사이의 양항비를 달ach하며 매우 우수한 성능을 보이는 설계를 찾아냈습니다. 반면, 국부적 패턴을 찾는 모델은 크게 고전하며 훨씬 덜 효율적인 설계를 찾아냈습니다. 전역적 파동을 분석하는 모델은 안정적이기는 했으나, 지속적으로 다른 모델들보다 좋지 않은 설계를 선택했습니다.

아마도 가장 중요한 발견은 이러한 AI 모델들의 성능이 일관되지 않았다는 점일 것입니다. 연구자가 약간씩 다른 시작 조건으로 동일한 최적화 과정을 여러 번 실행했을 때, 최종 설계는 제각각이었습니다. 딥 연산자 네트워크와 물리 정보 네트워크는 실행할 때마다 서로 다른 승자를 만들어냈지만, 국부 패턴 모델은 예측과 설계 선택 모두에서 불안정한 모습을 보였습니다. 나아가, 이 연구는 검증 과정 자체에 숨겨진 한계를 강조했습니다. AI가 훌륭한 설계를 찾아냈을 때조차, 고정밀 시뮬레이션을 통한 최종 점검 결과는 컴퓨터 격자(grid)의 해상도에 따라 민감하게 반응했습니다. 특히 항력의 경우 시뮬레이션 격자를 더 미세하게 만들었을 때 최대 26%까지 변화했는데, 이는 AI를 검증하는 데 사용된 "진실" 자체에도 불확실성이 존재함을 시사합니다.

이 연구는 좋은 예측에서 좋은 설계로 가는 길이 결코 단순하지 않음을 입증합니다. 어떤 모델은 날개의 모든 지점에서의 압력을 아주 잘 추측할 수 있지만, 여 still 엔지니어를 최적의 형상으로 인도하는 데는 실패할 수 있습니다. 연구는 과학적 머신러닝 분야가 단순한 오차 지표를 넘어 나아가야 한다고 결론짓습니다. 인공지능과 공학 사이의 간극을 진정으로 메우기 위해서, 이러한 도구들은 그들이 만들어내는 설계의 품질과 다양한 조건하에서의 설계의 견고함(robustness)을 바탕으로 평가되어야 합니다. 최고의 AI는 반드시 가장 정확한 지도를 그리는 모델이 아니라, 가장 확실하게 최적의 목적지로 안내하는 모델입니다.