업계뉴스

“AI 생성형 설계로 최적 형상 도출, 적층제조 혁신 제품 생산공정 진화”

AI 기반 설계·적층제조 공정 최적화, 성능 한계 돌파 필요 반도체·우주항공·방산 주목

적층제조 AX 위한 실증 인프라·SW 보급·융합형 엔지니어 육성 등 체계적 지원 必

■적층제조 산업에서 생성형 AI 기반 설계 혁신이 필요한 이유 및 기대 효과와 함께 주요 기술인 AI 기반 생성형 설계(AI Generative Design)을 적용한 사례나 프로젝트에 대한 소개를 부탁드린다

먼저 DfAM(Design for Additive Manufacturing), 즉 적층제조특화설계의 의미부터 다시 생각해 볼 필요가 있다. 본래 DfAM은 적층제조의 높은 설계 자유도를 활용해 기존 제조방식으로 구현하기 어려운 형상과 성능을 만들어내기 위한 설계 방법론이다.

그러나 실제 산업현장의 DfAM은 오버행(Overhang), 서포트, 적층방향, 수축·뒤틀림과 같은 적층제조의 제약조건을 해결하는 데 상당 부분 집중돼 있다. 물론 반드시 필요한 과정이지만 이것만으로 적층제조가 가진 설계 자유도를 충분히 활용한다고 보기는 어렵다.

때문에 앞으로의 DfAM이 ‘어떻게 하면 문제없이 프린팅할 것인가’에서 ‘적층제조이기 때문에 어떤 새로운 성능을 만들어낼 것인가’로 발전해야 한다고 생각한다. 그리고 이를 가능하게 하는 핵심 기술 중 하나가 ‘AI Generative Design’이다.

기존 제품설계에서는 사람이 먼저 형상을 만들고 시험을 통해 성능을 검증하지만, AI Generative Design은 설계영역을 설정하고, 열·유동·압력 등의 Physics와 목표성능, 제조 제약조건을 정의하면 AI가 설계공간을 탐색해 최적의 형상을 도출한다. 즉 사람이 형상을 먼저 결정하는 방식에서 요구 성능을 정의하고 Physics가 형상을 결정하도록 하는 방식으로 설계 패러다임이 변화하는 것이다.

적층제조는 이러한 AI 설계와 특히 잘 맞는다. Generative Design이 물리적으로 재료가 있어야 할 위치를 찾는 과정이라면 적층제조는 필요한 위치에 재료를 쌓아 그 형상을 구현할 수 있기 때문이다.

에이엠허브의 AI Generative Design 적용 연구사례를 보면 <그림 1>과 같이 액체냉각 Heat Sink에서 기존 설계 대비 열저항 16% 감소, 압력손실 48% 감소했으며, 배터리 Cold Plate에서는 압력손실 65% 감소, 작동온도 약 4℃ 저감, 중량 38.5% 감소의 결과가 나왔다.

결국 AI 기반 설계혁신은 단순한 설계 자동화가 아니라 적층제조의 설계 자유도를 실제 제품의 성능 혁신으로 전환하는 것이라고 생각한다.

▲ <그림1> AI 생성설계를 적용한 Heat Sink 개발 사례: 기존 설계 대비 열저항 16%, 압력손실 48% 감소 (출처:에이엠허브)

■AI Generative Design과 금속 적층제조를 연결한 통합 설계 서비스를 제공한 경험을 바탕으로 실제 제조기업이 이를 응용해 사업화를 진행하기 위해 반드시 고민하거나 준비가 필요한 점이 있다면

AI Generative Design과 금속 적층제조를 연결한 통합 설계는 기존 CAD 중심의 설계방법과 태생부터 다르다. 기존 설계에서는 엔지니어가 치수와 형상, 파라미터를 직접 정의하기 때문에 최종적으로 어떤 형상이 만들어질지 어느 정도 예상할 수 있다.

반면 AI Generative Design은 목표성능과 물리조건, 설계영역, 제조 제약조건을 정의한 뒤 컴퓨터가 설계공간을 탐색하기 때문에 최종 형상을 결과가 나오기 전에 정확히 알기는 어렵다.

이 점은 개념적으로 ChatGPT에 질문하는 것과 비슷하다. 사용자가 원하는 목적과 조건은 정의하지만 최종적으로 어떤 문장으로 답변할지는 미리 정하지 않는 것처럼, AI Generative Design도 엔지니어가 최종 형상을 직접 그리는 것이 아니라 목표와 조건을 정의하고 시스템이 적합한 형상을 탐색하도록 한다.
물론 두 기술의 작동원리가 같다는 의미는 아니다. 이 때문에 처음 결과를 접한 제조기업에서는 생성된 형상을 낯설게 받아들일 수 있다. 기존 CAD처럼 치수와 파라미터를 하나씩 정의해 만든 형상이 아니라 열·유동·압력·구조 등의 Physics와 최적화 과정에서 도출된 결과이기 때문이다.

따라서 AI Generative Design을 Design보다는 Engineering 관점에서 접근하는 것이 중요하다고 생각한다. 형상이 익숙하거나 보기 좋은지가 아니라 요구한 물리적 성능을 만족하는지, 그리고 제조와 시험을 통해 그것을 검증할 수 있는지가 중요하다.

엔지니어의 역할도 ‘형상을 직접 만드는 사람’에서 ‘해결해야 할 Engineering Problem과 목표성능을 정의하고 결과를 검증하는 사람’으로 변화한다. 최대온도, 압력손실, 중량, 강도 등의 목표를 정량화하고, AI가 도출한 형상은 CAE 검증을 거쳐 실제 제조와 시험까지 연결해야 한다.

결국 AI Generative Design의 사업화는 소프트웨어 하나를 도입하는 문제가 아니라 ‘사람이 형상을 정의하는 Design 중심의 개발’에서 ‘사람이 성능과 물리적 문제를 정의하고 AI가 형상을 탐색하며, ’Simulation-Manufacturing-Test‘를 통해 검증하는 Engineering 중심의 개발’로 전환하는 과정이라고 생각한다.

▲ <그림2> 사람이 성능과 물리적 문제를 정의(左)하고 AI가 형상 탐색(右) (출처:에이엠허브)

■생성형 AI 기반 설계 혁신과 AI 적층제조 공정 최적화 적용이 가장 유망한 산업군은 무엇이며 적용을 통해 산업군이 어떻게 변화할 수 있는지 설명을 부탁드린다

기존 CAD 중심의 설계방법이 오랫동안 제조산업에 정착한 데에는 분명한 이유가 있다. 바로 대량생산에 매우 적합했기 때문이다. 치수와 형상, 파라미터로 명확하게 정의된 제품은 표준화와 반복생산이 쉽고, 이를 통해 생산성을 높이고 단가를 크게 낮출 수 있었다.

따라서 AI Generative Design을 모든 제품과 산업에 적용해야 한다고 생각하지 않는다. 단순한 형상으로 충분한 성능을 확보하고 있고 대량생산을 통한 원가절감이 핵심인 분야에서는 기존 CAD 기반 설계와 절삭·주조·성형 등의 제조방식이 여전히 효율적이다.

반대로 AI Generative Design과 적층제조의 가치가 가장 큰 분야는 생산단가보다 제품의 물리적 성능이 중요하고, 기존 설계와 제조방법으로 성능 한계에 도달한 산업이다. 반도체·AI 데이터센터, 전기차·배터리, 우주항공·방산·에너지 분야가 대표적이라고 생각한다.

이들 산업은 열전달, 유동, 압력손실, 중량, 구조강도처럼 여러 Engineering 성능을 동시에 만족시켜야 하고, 하나의 성능을 높이면 다른 성능이 악화되는 Trade-off도 많다. 특히 AI용 CPU·GPU, 파워반도체, 배터리 등의 고집적·고출력화로 열관리(Thermal Management)의 중요성이 커지고 있으며, AI Generative Design은 온도와 압력손실, 유량 등의 Physics를 동시에 고려하면서 기존의 직선형 Channel이나 Fin 구조를 넘어 새로운 3차원 유로를 탐색할 수 있다.

우주항공·방산 역시 생산수량보다 경량화, 고온·고압 대응, 열전달, 구조 신뢰성과 같은 극한의 성능 확보가 제품의 가치와 직결된다. AI가 도출한 복잡한 내부 유로나 유기적인 형상을 기존 공법으로 구현하기 어려울 때 금속 적층제조의 높은 설계 자유도가 결정적인 경쟁력이 될 수 있다.

또한 이러한 고부가가치 산업에서는 AI 기반 적층제조 공정 최적화의 역할도 중요하다. 적층 중 발생하는 센서·영상·공정 데이터를 AI로 분석해 이상을 조기에 탐지하고 공정조건과 품질의 상관관계를 축적하면, 우주항공·방산처럼 신뢰성과 추적성이 중요한 분야에서 품질과 반복 재현성을 높일 수 있다. 결국 설계단계에서는 AI가 성능을 높이고, 제조단계에서는 AI가 품질과 재현성을 높이는 방향으로 발전할 것으로 본다.

앞으로 기존 제조방식을 AI와 적층제조가 모두 대체하는 것은 아니라고 생각한다. 대량생산과 원가가 중요한 영역에서는 기존 설계·제조방법의 장점을 활용하고, 기존 방법으로 성능 한계에 도달한 고부가가치 영역에서는 AI Generative Design과 적층제조를 활용하는 역할 분담이 이루어질 것이다.

이는 결국 ‘제조하기 쉬운 형상 안에서 성능을 개선하는 방식’에서 ‘필요한 Engineering 성능을 먼저 정의하고, 그것을 구현할 형상과 제조방법을 찾는 Performance-Driven Engineering’으로의 확장이라고 생각한다.

▲ <그림3> AI Generative Design의 주요 적용분야 (출처:에이엠허브)

■우리 정부가 제조업 AI 전환(M.AX)에 박차를 가하고 있는 가운데 생성형 AI 기반 설계 혁신과 AI 활용 고도화에 있어 필요한 사항에 대해 한 말씀 부탁드린다

적층제조 산업의 AI 전환은 기존 설계와 제조방식을 단순히 AI로 자동화하는 수준을 넘어, CAD 중심의 Design에 머무르지 않고 제품의 물리적 성능을 중심으로 문제를 정의하고 해결하는 Physics-Driven Engineering으로 확장하는 것이라고 생각한다.

이를 위해서는 먼저 기술개발의 순서를 바로 세울 필요가 있다. 물론 제조 가능성과 사업성은 기술개발 초기부터 제약조건으로 고려해야 하지만, 저가·대량생산 자체가 고난도 기술개발의 첫 번째 평가 잣대가 되어서는 안 된다는 의미다. 저가·대량생산은 기술혁신의 출발점이 아니라 어려운 Engineering Problem을 해결한 이후 도달해야 할 산업화의 결과이다.

그런데 최근 일부 정부 지원 사업에서는 기존 방법으로 해결하기 어려운 문제를 얼마나 해결했는가 보다 과제 종료 후 생산수량과 매출 등 단기적인 사업화 지표가 상대적으로 강조되는 경우를 접하게 된다. 물론 사업화는 중요하나 우주항공·방산·반도체와 같은 첨단산업 영역의 적층제조 과제까지 처음부터 생산수량과 단가 중심으로 평가한다면 어려운 기술적 문제에 도전하기보다 기존 제품을 조금 개선해 빠르게 판매할 수 있는 과제를 선택할 가능성이 높아진다.

이러한 방식으로는 국내 적층제조 산업이 대량생산 보조 수단을 넘어 고부가가치 Engineering을 주도하는 선진 적층제조 산업으로 발전하는 데 한계가 있다고 생각한다.

따라서 정부 지원 사업도 기술성숙도와 산업 특성에 따라 달라져야 한다. 초기 혁신단계에서는 Engineering Problem의 난이도, 기존 대비 성능향상, 기술적 독창성, Physics 기반 Simulation과 실제 Test의 검증결과를 중요하게 평가하고, 이후 실증·사업화 단계에서 생산성, 원가와 매출을 평가하는 단계적 접근이 필요하다.

또한 AI가 도출한 새로운 설계를 산업계가 신뢰할 수 있도록 ‘Simulation-Manufacturing-Test’를 연결한 실증과 검증, 그리고 우주항공·방산 등 산업별 인증으로 연결할 수 있는 인프라도 필요하다.

동시에 AI Generative Design 소프트웨어의 산업 보급과 전문인력 양성이 중요하다. 특히 DfAM 엔지니어는 CAD 설계만 알아서는 안된다. 적층 공정과 소재·후처리 등 Manufacturing을 이해하고, 제품 Design을 알아야 하며, 열·유동·구조와 같은 Physics와 CAE, AI Generative Design을 활용할 수 있는 Engineering 역량까지 갖춰야 한다.

결국 ‘Manufacturing-Design-Engineering’을 함께 이해하는 융합형 DfAM 엔지니어가 필요한 것이다. 이러한 인재는 단기간의 소프트웨어 교육으로 양성하기 어렵다. 대학 교육, 전문 소프트웨어 교육, 실제 산업 프로젝트, 적층제조 및 시험·검증 경험이 연속적으로 이어지는 장기적이고 체계적인 인력양성 정책이 필요하다.

적층제조 AX의 핵심은 AI를 얼마나 많이 사용하는가가 아니라, AI와 Physics를 이용해 기존 방법으로 해결하지 못했던 Engineering Problem을 얼마나 해결할 수 있는가에 있다. 이를 위해 AI Generative Design 기술의 산업 보급과 이를 실제 제품개발에 적용할 수 있는 Engineering 인력을 함께 육성해야 한다고 생각한다.

출처 : 신소재경제(https://www.amenews.kr/)