복잡한 금속 부품이 고체 블록에서 깎여 나오거나 몰드에 부어지는 대신, 마치 녹은 금속을 3차원 프린터로 쌓아 올리듯 층층이 구축되는 세상을 상상해 보십시오. 이것이 적층 제조(additive manufacturing)이며, 이 기술은 이전에는 불가능했던 형상을 만들어낼 것을 약속합니다. 하지만 이러한 부품을 만드는 것은 섬세한 균형 잡기입니다. 벽이 너무 얇으면 무너질 수 있고, 지지대 없이 너무 멀리 돌출되면 열에 의해 휘어질 수 있습니다. 수십 년 동안 엔지니어들은 설계안을 긴 규칙 목록과 대조하여 수동으로 확인하고, 금속이 어떻게 거동할지 예측하기 위해 시뮬레이션을 실행한 뒤, 무언가 잘못되어 보이면 부품을 다시 그려야 했습니다. 이는 컴퓨터의 가공되지 않은 숫자와 공장 현장의 물리적 실재 사이의 간극을 인간의 판단력이 메우는 느리고 반복적인 과정입니다.

이제 AgenticDfAM이라 불리는 새로운 시스템이 이 작업 방식의 변화를 일으키고 있습니다. 단순히 정적인 규칙 목록에 따라 설계를 확인하는 대신, 이 시스템은 추론하고, 측정하며, 심지어 자신이 따르는 규칙을 스스로 다시 쓸 수 있는 지능형 소프트웨어 에이전트 팀을 사용합니다. 이 에이전트들은 단순히 부품의 이미지를 보는 것이 아니라, 극도로 정밀하게 기하학적 구조를 측정하는 특화된 도구들과 상호작용합니다. 만약 설계가 검토에서 실패한다면, 시스템은 단순히 오류를 표시하는 데 그치지 않고 수정안을 제안하며, 그 수정안이 부품의 강도와 온도에 어떤 영향을 미치는지 시뮬레이션을 실행한 뒤, 그 변경을 수행할 가치가 있는지 결정합니다. 결정적으로, 이 시스템은 투명성을 갖도록 설계되었습니다. 시스템이 내리는 모든 결정은 인간 엔지니어가 검사하고 검증할 수 있는 구체적인 측정값이나 계산된 숫자에 근根거합니다.

이 연구를 이끄는 데이비드 기르기스(David Guirguis)와 연구진은 엄격한 공학적 표준을 유지하면서 이 설계, 평가, 수리의 전체 사이클을 자동화할 수 있는지 확인하고자 했습니다. 그들은 대규모 언어 모델이 매니저 역할을 하며 특정 작업을 처리하기 위해 다양한 소프트웨어 도구들을 조율하는 워크플로우를 구축했습니다. 한 도구는 디지털 모델의 형상을 인식하고, 다른 도구는 거리와 각도를 측정하며, 세 번째 도구는 금속이 어떻게 가열되고 냉각될지를 예측하는 복잡한 물리 시뮬레이션을 실행합니다. 언어 모델 에이전트는 이 도구들의 결과를 읽고, 그 의미를 해석하며, 다음에 무엇을 할지 결정합니다. 만약 부품의 특정 섹션이 너무 얇다면, 에이전트는 벽을 두껍게 만들 것을 제안할 수 있습니다. 만약 그것이 부품을 너무 무겁게 만든다면, 다른 모양을 제안할 수도 있습니다. 시스템은 적용된 모든 측정값과 규칙의 기록을 계속 유지하여, 최종 설계가 단순한 추측이 아니라 확고한 데이터에 기반한 솔루션임을 보장합니다.

이 시스템을 테스트하기 위해, 연구진은 복잡한 금속 브래킷의 디지털 모델로 시작했습니다. 그들은 특정 종류의 니켈 합금에 대한 제조 가이드라인과 함께 이 모델을 워크플로우에 입력했습니다. 시스템은 즉시 작업을 시작하여 설계를 기하학적 특징들로 분해하고 규칙에 따라 측정했습니다. 시스템은 벽이 너무 얇거나 오버행(overhang)이 너무 가파른 것과 같은 여러 위반 사항을 찾아냈습니다. 그러고 나서 에이전트는 이 문제들을 해결하기 위한 세 가지 서로 다른 방법을 생성했습니다. 한 전략은 부품의 전체적인 형상은 그대로 유지하면서 약한 부분을 강화하기 위해 재료를 추가하는 것이었습니다. 또 다른 전략은 부품을 더 가볍게 만들기 위해 재료를 제거하는 것이었습니다. 세 번째 접근법은 이 두 가지를 균형 있게 맞추는 것이었습니다. 시스템은 이 새로운 버전들이 실제 인쇄 과정 중에 어떻게 작동할지 확인하기 위해 각각에 대해 시뮬레이션을 실행했습니다.

결과는 단순히 기하학적 오류를 수정하는 것만으로는 충분하지 않다는 것을 보여주었습니다. 약한 부분을 보강하기 위해 가장 많은 재료를 추가한 버전이 인쇄기에서 부품을 꺼냈을 때 휨 현상이 가장 적었습니다. 그러나 무게를 줄이기 위해 재료를 제거한 버전은 모든 기본적인 기하학적 규칙을 만족했음에도 불구하고 특정 방향으로 더 많이 휘어졌습니다. 이 발견은 전통적인 설계 도구의 핵심적인 한계를 강조합니다. 즉, 이들은 종종 한 번에 하나의 문제만을 바라본다는 것입니다. 반면, AgenticDFAm은 이러한 트레이드오프(trade-offs)를 볼 수 있었습니다. 이는 어떤 방식으로 부품을 강하게 만드는 것이 다른 방식에서는 부품을 더 약하게 만들 수 있음을 보여주었으며, 엔지니어가 금속이 실제로 녹기도 전에 그 결과를 확인할 수 있게 해주었습니다.

또한 이 시스템은 원래의 규칙 목록에 없던 문제들도 처리할 수 있음을 입증했습니다. 한 실험에서 연구진은 클램프를 위한 지지 구조(support structures)를 설계하도록 시스템에 요청했습니다. 지지 구조는 인쇄되는 동안 부품을 받쳐주는 임시 비계 역할을 합니다. 시스템은 설계를 생성했지만, 인간 검토자가 이를 확인했을 때 이상한 점을 발견했습니다. 지지대가 부품의 아래쪽이 아니라 있어서는 안 될 부품의 표면 위에 놓여 있었던 것입니다. 에이전트는 단순히 이를 인간의 오류로 표시하는 대신, 문제를 조사했습니다. 에이전트는 소프트웨어에 지지대와 부품 표면 사이의 거리를 측정하도록 요청했고, 지지대를 생성하는 데 사용된 코드가 곡면 처리에 있어 실수를 하고 있다는 사실을 깨달았습니다. 에이전트는 이 오류를 수정하기 위해 코드를 다시 작성했고, 평면과 곡면 모두에서 새 코드를 검증한 뒤, 전체 과정을 다시 실행했습니다. 이번에는 지지대가 올바르게 배치되었으며, 낭비되는 지지 재료의 양도 크게 줄어들었습니다.

시스템의 적응력을 보여준 가장 놀라운 시연은 열을 처리하기 위해 부품을 재설계하라는 요청을 받았을 때였습니다. 시뮬레이션 결과, 브래킷의 특정 영역에 열이 축적되어 금속을 약화시킬 수 있음이 나타났습니다. 에이전트는 열 흐름을 개선하기 위해 부품의 형상을 변경하는 일련의 제안을 했습니다. 에이전트는 날카로운 모서리를 둥글게 만들고 좁은 틈을 채울 것을 제안했습니다. 시뮬레이션을 다시 실행한 후, 시스템은 이러한 변화 중 하나가 최고 온도를 섭씨 160도 낮춘다는 것을 발견했습니다. 이는 엄청난 개선이었지만, 대가가 따랐습니다. 부품이 약간 더 무거워졌고 지지대를 제거할 때 아주 미세하게 더 많이 움직였습니다. 시스템은 이러한 트레이드오프를 명확하게 제시하여, 엔지니어가 어떤 결과가 발생하는지 완전히 인지한 상태에서 더 시원한 부품을 선택할지 혹은 더 가벼운 부품을 선택할지 결정할 수 있게 했습니다.

이 모든 테스트 과정에서 시스템은 추론과 측정 사이의 엄격한 분리를 유지했습니다. 언어 모델 에이전트는 변경을 제안할 수는 있었지만, 숫자를 스스로 만들어낼 수는 없었습니다. 만약 벽의 두께를 알아야 한다면, 에이전트는 그것을 측정하는 도구에게 요청해야 했습니다. 온도를 알아야 한다면, 시뮬레이션에 계산을 요청해야 했습니다. 이는 시스템이 사실을 환각(hallucinate)하거나 이야기에 맞추기 위해 데이터를 조작할 수 없도록 보장했습니다. 시스템이 지지 구조와 같은 초기 오류를 범했을 때도, 시스템은 문제를 진단하고, 근본적인 코드를 수정하고, 진행하기 전에 수정 사항을 검증할 수 있었습니다. 설계를 구축하기 위해 사용하는 절차 자체를 스스로 수정하고 적응할 수 있는 이 능력이야말로 AgenticDfAM을 기존의 자동화 시도들과 차별화하는 특징입니다.

연구진은 이 시스템이 보통 팀 단위의 엔지니어와 수 시간의 수동 작업이 필요한 복잡한 설계 과제들을 성공적으로 수행할 수 있다는 것을 발견했습니다. 시스템은 위반 사항을 식고, 여러 솔루션을 제안하며, 그 결과를 시뮬레이션하고, 심지어 솔루션을 생성하는 데 사용되는 코드까지 수정할 수 있었습니다. 클램프의 경우, 시스템은 지지 설계의 수정 횟수를 10회에서 5회로 줄였습니다. 또한 한 방향에서 낭비되는 지지 재료의 양을 거의 30% 가까이 줄였습니다. 이러한 개선은 단순히 속도에 관한 것이 아니라, 단일 규칙이나 단일 제약 조건에 너무 집중하느라 인간이 놓칠 수 있는 더 나은 솔루션을 찾아내는 것에 관한 것이었습니다.

이 연구는 인공지능이 엔지니어를 대체하는 것이 아니라, 측정과 계산이라는 힘든 작업을 대신 처리함으로써 엔지니어의 강력한 파트너가 될 수 있음을 보여줍니다. 시스템은 숫자를 확인하거나 시뮬레이션을 실행하는 데 지치지 않는 성실한 조수 역할을 합니다. 이를 통해 인간 엔지니어는 더 큰 그림, 즉 어떤 트레이드오프가 수용 가능한지, 그리고 최종 부품이 수행해야 할 기능이 무엇인지 결정하는 데 집중할 수 있습니다. 측정과 추론을 분리함으로써, 시스템은 모든 결정이 특정 증거로 추적될 수 있도록 보장합니다. 이러한 투명성은 실수 하나가 심각한 결과를 초래할 수 있는 항공우주나 의료 산업에서 매우 중요합니다.

결국, AgenticDfAM은 우리가 만드는 것들을 설계하는 방식의 미래를 보여줍니다. 이는 컴퓨터가 단순히 규칙 목록을 체크하는 수준을 넘어, 설계의 맥락을 이해하고, 거동을 예측하며, 문제를 해결하기 위해 자신의 방법론을 스스로 적응시키는 시스템으로 나아가는 길을 제시합니다. 이 시스템은 모든 정답을 가지고 있다고 주장하지 않지만, 더 빠르고 더 높은 확신을 가지고 답을 찾을 수 있는 방법을 제공합니다. 이는 인간의 의도와 기계의 정밀함 사이의 대화로 설계 과정을 전환하며, 모든 제안은 숫자로 뒷받침되고, 모든 숫자는 검사가 가능하도록 만듭니다. 이것은 단순히 엔지니어를 위한 새로운 도구가 아니라, 우리가 만드는 현대 사회의 복잡한 객체들을 창조하는 방식에 대한 새로운 사고방식입니다.