해석 가능한 AI를 통한 유한 요소 분석 발전: 이집트의 영국 대학을 중심으로 한 혁신가 주목

최근 이집트 브리티시 대학교(BUE)의 저명한 박사 과정 연구원인 셰리프 새미(Sherif Samy)와 함께 Rescale을 활용하여 새로운 AI 기법을 탐구하는 그의 연구에 대해 자세히 알아보았습니다. 새미의 연구는 최근 자연에 게시 됨는 해석 가능한 머신 러닝을 적용하여 엔지니어링 설계, 특히 복합 재료 분야의 복잡한 문제를 해결하는 데 중점을 두고 있습니다. 그는 BUE의 독창적인 엔지니어링 프로그램, 산업에 미치는 영향, 그리고 Rescale이 고급 시뮬레이션 및 AI 모델 학습을 가속화하는 데 기여한 점을 강조했습니다. 이 인터뷰는 재료 공학 분야에서 AI 활용이 증가하고 있는 추세와 컴퓨팅 도구가 엔지니어링 연구의 미래를 어떻게 형성하고 있는지를 엿볼 수 있는 기회를 제공합니다.

우선, 이집트 영국 대학(BUE)에 대해 설명해 주시겠습니까? 그리고 BUE의 교육 및 연구 접근 방식이 독특한 이유는 무엇입니까?

The 이집트 영국대학교(BUE) 공과대학 는 세계적인 역량을 갖춘 연구 중심의 졸업생을 양성하는 경쟁력 있는 교육을 제공하기 위해 최선을 다하고 있습니다. 본교의 핵심 사명은 연구와 산업 발전에 크게 기여할 수 있는 인재를 양성하는 것입니다.

귀하의 연구 주제, 방법론, 협업에 대해 자세히 설명해 주시겠습니까?

제 연구는 고급 계산 기법을 활용하여 실제 구조 설계 퍼즐을 해결하는 데 중점을 두고 있습니다. 특히 엔지니어링 분야에서 "해석 가능한" 머신 러닝에 집중해 왔습니다. 점점 더 인기를 얻고 있는 앙상블 모델과 같은 강력한 AI 모델은 매우 정확할 수 있지만, 다소 "블랙박스"와 같은 특성을 지닐 수 있습니다. 즉, 훌륭한 예측을 제공하지만 그 예측이 어떻게 도출되었는지 보여주지 못하여 다양한 설계 변수 간의 관계를 이해하기 어렵습니다.

설명 가능성은 이러한 지능형 알고리즘을 투명하게 만들어 기본 원리와 그 결론에 도달하는 방식을 이해하는 데 필수적입니다. 제가 하는 일의 중요한 부분은 이러한 이론적 지식과 업계 현실 사이의 간극을 메우는 것입니다. 저희는 업계 리더들과 협력하여 응용 연구 및 데이터 기반 모델링을 활용하여 그들이 직면한 과제를 직접 해결합니다. 예를 들어, 아랍 산업화 기구(AOI) 및 Misr 상용차(MCV)와 협력하여 20kW GFRP 풍력 터빈 블레이드에 대한 포괄적인 시뮬레이션 및 제조 설계 연구를 수행했습니다. 저희의 연구에는 운영 및 극한 풍속 조건에서의 고충실도 유한 요소 분석, 재료 특성 분석, 그리고 구조적 요구 사항을 충족하고 타워 설계 변경을 수용하기 위한 복합재 레이업 최적화가 포함되었습니다. 이러한 협력적 접근 방식은 저희 연구가 관련성을 유지할 뿐만 아니라 실제 엔지니어링 및 생산 결과에 직접적으로 기여하도록 보장합니다.

HPC와 AI를 복합재 설계에 적용하는 데 중점을 두고 있는 점과 이 분야가 엔지니어링 분야에서 특히 중요한 이유는 무엇입니까?

해석 가능성 과제를 해결하는 것은 특히 복합재 볼트 접합부와 같은 재료 및 부품 엔지니어링 분야에서 중요합니다. 복합재 볼트 접합부는 뛰어난 강도 대 중량비로 인해 항공우주 및 자동차 산업에서 빠르게 도입되고 있습니다. 그러나 이러한 접합부는 복잡하며, 기존의 포괄적인 설계 표준은 종종 부족하거나 존재하지 않습니다. 고성능 컴퓨팅(HPC)과 AI는 복잡하고 충실도가 높은 시뮬레이션을 효율적으로 실행하고, 컴퓨팅 집약적인 요구 사항, 수많은 반복 작업, 그리고 다양한 설계 시나리오를 처리하여 합리적인 시간 내에 정확한 예측을 얻는 데 필수적입니다.

우리의 작업은 특히 상징적 회귀를 사용하여 이를 극복하는 것을 목표로 합니다. PySR(Python 기호 회귀)고충실도 시뮬레이션 데이터로부터 명확하고 해석 가능한 방정식을 도출합니다. 이러한 방정식은 복합재 구조물의 기본 물리 법칙과 지배 역학을 드러냅니다. 이러한 접근 방식은 높은 예측 정확도를 제공할 뿐만 아니라 투명성을 제공하여 엔지니어가 why 특정 설계는 그 방식대로 작동합니다. 이러한 해석 가능성은 신뢰, 검증, 그리고 궁극적으로 더욱 견고하고 신뢰할 수 있는 설계를 개발하는 데 필수적입니다. 특히 고장 메커니즘을 이해하는 것이 매우 중요한 안전 필수 애플리케이션에서 더욱 그렇습니다.

이런 소재의 발전은 다양한 산업에 어떻게 적용되나요?

복합재와 섬유 강화 폴리머(FRP)는 뛰어난 특성 덕분에 다양한 산업 분야에서 널리 사용되고 있습니다. 항공우주 분야에서는 경량화에 필수적인 소재로, 에어버스 A350 XWB와 보잉 787 드림라이너와 같은 항공기 구조 부품과 LEAP 엔진에 사용되는 엔진 부품에 사용되며, 이러한 부품은 복합재 패스너로 고정되는 경우가 많습니다. 자동차 산업에서는 복합재를 활용하여 성능과 연비를 향상시키고 있으며, BMW i 시리즈, BMW 7 시리즈, 아우디 R8 e-tron과 같은 고성능 차량의 차체 패널 및 섀시와 같은 부품에 복합재를 적용하고 있습니다. 해양 산업에서는 "FabHeli"와 같은 프로젝트에서 볼 수 있듯이 프로펠러 설계와 파이프 피팅, 플랜지, 노즐 플레이트, 백킹 링과 같은 특수 제품에 FRP가 사용됩니다. 건설 산업은 인프라 프로젝트에서 이러한 소재의 이점을 누리고 있으며, 볼트 체결 방식을 사용하여 콘크리트 슬래브와 통합된 FRP 거더를 사용하는 교량과 같은 사례는 현대 교량 건설에서의 FRP 적용을 잘 보여줍니다.

AI에 대한 접근 방식, 특히 데이터를 생성하고 모델을 검증하는 방법, 그리고 Rescale이 이 프로세스에 어떻게 적용되는지에 대해 설명해 주시겠습니까?

저희 방법론은 실험 테스트, 유한 요소 모델링(FEM), 그리고 머신 러닝을 통합하는 포괄적인 방법입니다. 먼저 하이브리드 L-조인트를 제작하고 실험적으로 테스트하여 손상 시작 하중을 결정합니다. 이러한 물리적 테스트는 실제 데이터를 생성하는 데 필수적이며, 더 중요하게는 저희 유한 요소 모델의 검증에도 중요합니다. 이 모델은 주로 Abaqus이 실험적 검증은 유한요소법(FEM) 시뮬레이션의 정확성과 신뢰성을 보장합니다. 검증 과정에는 페널티 강성 계수를 조정하여 박리 시작 및 진행 과정을 정확하게 포착하기 위한 광범위한 시뮬레이션이 필요하며, Rescale의 확장 가능한 HPC 플랫폼을 사용하여 이 작업을 크게 가속화했습니다.

검증이 완료되면 이러한 FEA 모델은 대용량 고품질 데이터 세트를 생성하는 강력한 도구가 됩니다. 저희는 실험 계획법(DoE)을 사용하여 설계 공간을 체계적으로 탐색하고 포괄적인 데이터 세트를 생성합니다. 바로 이 부분에서 Rescale이 다시 한번 필수불가결한 존재가 됩니다. 복잡한 유한 요소 시뮬레이션, 특히 방대한 데이터 세트를 생성하는 시뮬레이션을 실행하려면 상당한 연산 능력과 확장성이 필요합니다. Rescale을 사용하면 이러한 ABAQUS 작업을 효율적으로 실행하고 필요에 따라 연산 요구 사항을 확장할 수 있습니다. 어디에서나 시뮬레이션을 실행할 수 있는 기능과 Rescale이 저희의 학업 목표와 완벽하게 통합되어 데이터 생성 프로세스가 획기적으로 가속화되었습니다.

데이터를 생성한 후, 우리는 사용합니다 기능 선택 관절 성능에 영향을 미치는 주요 매개변수를 파악합니다. 그런 다음 머신러닝 모델을 통해 데이터셋의 품질을 평가하고 PySR 손실 함수 선택을 안내합니다. 마지막으로, PySR을 활용하여 유한요소법(FEM)으로 생성된 데이터셋에서 해석 가능한 설계 방정식을 도출합니다. Rescale은 또한 AI 모델 학습을 지원하여 이러한 고급 분석에 필요한 연산 기반을 제공합니다.

Rescale을 도입하기 전에는 연구나 일반적인 엔지니어링 설계 워크플로에서 어떤 어려움을 겪었나요?

Rescale 도입 이전에는 워크플로우가 여러 가지 심각한 병목 현상에 직면했는데, 주로 연산 리소스 및 소프트웨어 관리와 관련된 문제였습니다. 방대한 데이터세트에 필요한 대규모 유한 요소 시뮬레이션을 로컬 머신이나 더 작은 클러스터에서 실행하는 데 엄청난 시간이 소요되었습니다. 이로 인해 탐색 가능한 설계 변형의 수가 제한되었고 연구 주기가 상당히 길어졌습니다. 또한, 다양한 소프트웨어 라이선스 관리, 다양한 도구 간 호환성 확보, 하드웨어 제약 사항 해결에도 어려움이 있었습니다. 각 시뮬레이션 환경의 설정 및 구성이 복잡해져 핵심 연구보다는 IT 운영에 귀중한 시간을 허비하게 되었습니다. 기본적으로, 연산 능력과 이에 대한 접근성이 주요 제약 조건으로 작용하여 연구 진행 속도가 느려지고 연구 범위가 제한되었습니다.

Rescale은 어떻게 이러한 과제를 극복하고 연구를 개선하는 데 도움이 되었나요?

Rescale은 저희에게 획기적인 변화를 가져왔습니다. 특히 확장성과 효율성 향상에 큰 영향을 미쳤습니다. 고성능 컴퓨팅 리소스에 대한 온디맨드 액세스를 제공하는 이 플랫폼의 기능 덕분에 이제 수백, 심지어 수천 건의 시뮬레이션을 병렬로 실행할 수 있게 되어 연구 목표 달성에 걸리는 시간이 크게 단축되었습니다. 페널티 강성 튜닝, 검증, 그리고 학습 데이터셋 생성을 위한 유한요소법(FEM) 시뮬레이션 횟수는 최소 500회이며, 해당 데이터셋을 기반으로 머신러닝(ML) 모델을 학습하는 데 필요한 시행 횟수는 약 200회입니다. 이전에는 몇 주 또는 몇 달이 걸리던 작업을 이제 며칠 만에 완료할 수 있습니다. 이처럼 놀라운 속도 향상 덕분에 훨씬 더 넓은 설계 공간을 탐색할 수 있게 되어 더욱 강력하고 일반화되고 해석 가능한 방정식을 개발할 수 있게 되었습니다.

Rescale의 직관적인 디자인과 기존 소프트웨어와의 통합은 단순한 연산 능력 외에도 매우 귀중했습니다. 더 이상 인프라 구축이나 소프트웨어 충돌 해결에 과도한 시간을 허비하지 않아도 됩니다. Rescale 팀의 협력적인 지원 또한 매우 훌륭했으며, 필요할 때 필요한 지침을 제공해 주었습니다. 강력한 기술력과 학술적 활용성(라이선스 호환성 및 비용 관리 고려 사항 포함)의 결합 덕분에 연산 부담을 줄이고 과학적 과제에 더욱 집중할 수 있었으며, 이는 상당한 효율성 향상과 연구 성과 향상으로 이어졌습니다.

앞으로 재료 과학과 엔지니어링 설계 분야에서 어떤 추세가 나타날 것으로 예상하시나요? 특히 AI와 시뮬레이션과 관련된 분야에서요.

재료 과학 및 엔지니어링 설계의 미래는 AI와 첨단 시뮬레이션의 더욱 심층적인 통합을 통해 형성될 것입니다. 우리는 AI가 단순한 분석 도구가 아니라 설계 프로세스 자체의 필수적인 부분이 되어 생성적 설계와 가속화된 소재 발굴을 가능하게 하는 패러다임으로 나아가고 있습니다. 저는 고충실도 시뮬레이션을 통해 물리적 시스템의 가상 복제본을 생성하고, 이를 실제 데이터로 지속적으로 최적화하고 업데이트하는 "디지털 트윈"의 중요성이 더욱 커질 것으로 예상합니다.

저희 연구에서 입증된 바와 같이, 해석 가능한 AI 추구 또한 더욱 중요해질 것입니다. AI 모델이 더욱 복잡해짐에 따라, 특히 규제 산업에서 AI의 의사결정을 이해하는 것이 매우 중요해질 것입니다. 더욱이, 고급 실험 기법과 데이터 기반 모델링의 결합은 다양한 규모의 재료 거동에 대한 전례 없는 통찰력을 제공할 것입니다. Rescale과 같은 고성능 컴퓨팅 플랫폼은 이러한 추세를 뒷받침하는 중추적인 역할을 수행하여 차세대 설계 및 탐색 워크플로에 필요한 대규모 시뮬레이션과 데이터 처리를 가능하게 할 것입니다.

자신의 작업에 HPC 솔루션을 도입하는 것을 고려하고 있는 다른 학계 및 고등 교육 연구자들에게 어떤 조언을 해주시겠습니까?

제가 가장 먼저 드리고 싶은 조언은 기술력과 학문적 유연성의 균형을 이루는 플랫폼을 찾으라는 것입니다. 순수 성능은 분명 중요하지만, 그것만이 전부는 아닙니다. 학술 연구자에게는 라이선스 호환성, 비용 관리, 그리고 온보딩의 편의성과 같은 측면들이 마찬가지로 중요합니다. 학생과 연구팀에게 과도한 비용이나 가파른 학습 곡선을 초래하지 않으면서도 컴퓨팅 요구 사항을 확장할 수 있는 솔루션이 필요할 것입니다. 바로 이 부분에서 Rescale이 탁월한 선택이었습니다. 강력한 지원, 명확한 문서, 그리고 일반적인 학술 소프트웨어 및 워크플로우에 적합한 예제를 제공하는 플랫폼을 찾으십시오. 프로그래밍 언어 학습에 투자하는 것 또한 시뮬레이션 맞춤 설정 및 머신러닝 모델 학습에 필수적인 기술입니다. 연구자들이 이러한 HPC 환경의 잠재력을 최대한 활용할 수 있도록 지원하기 때문입니다.

마지막으로, 귀하의 연구에 Rescale 플랫폼을 사용한 것에 대한 전반적인 생각과 피드백은 무엇입니까?

전반적으로 Rescale 플랫폼에 대한 제 평가는 매우 긍정적입니다. 직관적인 인터페이스와 기능은 저희 연구 목표에 매우 적합합니다. 특히 어디서든 시뮬레이션을 실행할 수 있다는 점이 저희 팀에 큰 유연성을 제공한다는 점이 매우 만족스럽습니다. Rescale 팀의 협력적인 지원 또한 매우 훌륭했으며, 필요할 때마다 신속하고 유용한 지원을 제공해 주었습니다.

더욱 개선할 부분을 제안한다면, Rescale 내 다양한 ​​소프트웨어에 대한 실험 계획법(DOE) 기능 및 명령줄 팁과 같은 고급 워크플로에 대한 안내가 신규 사용자에게 도움이 될 수 있다고 말씀드리고 싶습니다. 하지만 이러한 점들은 훌륭한 경험에 비해 사소한 부분일 뿐입니다. Rescale은 저희 연구 속도를 높이고, 엔지니어링 설계에서 해석 가능한 머신 러닝의 경계를 넓히고, 궁극적으로 연구 결과를 더욱 효율적으로 발표할 수 있도록 지원하는 데 있어 매우 귀중한 자산임이 입증되었습니다.

고등 교육 및 산업을 위한 Rescale에 대해 자세히 알아보세요

연구 또는 엔지니어링 프로젝트를 위한 유연한 리소스를 시작하는 데 관심이 있으시다면, 최대한 빨리 여기를 클릭해주세요. AI 및 HPC 사용 사례에 다양한 하드웨어와 소프트웨어를 쉽게 배포하는 방법을 알아보세요. 네이처(Nature)에 게재된 셰리프 박사의 연구에 대해 자세히 알아보려면 다음 사이트를 방문하세요. 하이브리드 FRP 볼트 접합부의 손상 시작 예측을 위한 머신 러닝과 기호 회귀 통합.