물리 정보 기반 AI, 에탄올 생산 건조기 효율과 처리량 향상

건조기 성능 최적화가 필요했던 농업 에너지 에탄올 제조업체가 로크웰 오토메이션(Rockwell Automation)의 물리 정보 기반 인공지능(AI) 모델을 도입했습니다. 폐루프 컨트롤러가 공장 건조기에서 증발기로 건조 부하를 이동시키고 열 손실을 줄이도록 맞춤화되었습니다. 결과: 처리량 12% 증가와 에너지 효율 거의 10% 향상이라고 로크웰은 밝혔습니다.

물리 정보 신경망(PINN) 같은 물리 정보 기반 AI 시뮬레이션이 인공신경망(ANN) 모델을 대체하기 시작하고 있습니다. ANN은 블랙박스 모델로 간주됩니다. 물리 정보 기반 모델은 ANN 시뮬레이션보다 더 정확하고 신뢰할 수 있는 예측을 제공합니다.

두 모델 모두 데이터 기반이지만, ANN은 방대한 운영 데이터가 필요하다고 지멘스 디지털 인더스트리 소프트웨어(Siemens Digital Industries Software) 기술 혁신 디렉터 헤르만 반 데르 아우베라어(Herman Van der Auweraer)는 말했습니다.

인공신경망 모델은 매우 복잡하고 벤치마크 데이터를 확보하는 데 많은 시간이 걸린다고 케이스 웨스턴 리저브 대학(Case Western Reserve University) 기계항공공학과 교수 겸 학과장 로버트 X. 가오(Robert X. Gao)는 말했습니다.

"AI/머신러닝[ML] 모델의 투명성 및 해석 가능성 부족이 제조 분야 AI/ML 광범위한 채택의 병목 현상으로 잘 알려져 있습니다. 본질적으로 제조는 물리의 원리와 법칙을 적용해 재료를 산업적 또는 상업적 응용을 위한 유용한 제품으로 가공하는 것이기 때문입니다."라고 그는 말했습니다.

어떤 이들은 신경망을 AI라 설명하지만, 신경망은 단순히 알려진 데이터 포인트 사이를 예측하는(보간) 매우 영리한 방법일 뿐이라고 지멘스 소프트웨어 엔지니어링 서비스 디렉터 피터 마스(Peter Mas)는 말했습니다. ANN을 사용해 데이터 범위 밖 포인트 값(외삽)을 정확히 예측하는 것은 불가능하다고 그는 말했습니다.

예를 들어 드물게 발생하는 풍력 터빈 고장 같은 이벤트는 데이터에 포착되지 않아 잘못된 표현으로 이어질 수 있다고 반 데르 아우베라어는 말했습니다.

"어떤 신경망 기법도 이전에 가본 적 없는 영역을 예측할 수 없습니다."라고 마스는 말했습니다. "그렇게 하려면 외삽이 따라야 할 추세를 알려줄 물리 법칙을 포함해야 합니다."

블랙박스 모델에 데이터가 너무 적으면 모델링 대상 시스템의 적절한 행동을 포착하지 못한다고 로크웰 오토메이션 선진 분석 디렉터 비잔 사야르 로드사리(Bijan Sayyar Rodsari)는 말했습니다.

하지만 단순히 블랙박스 시스템에 더 많은 데이터를 던지는 것이 항상 답은 아닙니다.

과적합(over-training) 방지가 안 되면, 그런 시스템은 데이터의 모든 이상치에 매달려 정확한 예측을 하지 못한다고 그는 말했습니다. 이상치와 관련해, 이상치가 발견되면 기계가 즉시 중단되기 때문에 제조업체가 광범위한 데이터를 수집할 기회를 얻지 못하는 경우가 많다고 그는 덧붙였습니다.

데이터와 통찰력 부족으로 블랙박스 시스템을 사용하는 제조업체는 기계를 최대 효율의 '스위트 스팟'까지 밀어붙이지 못하고, 안전 마진 내에서 보수적으로 운영하게 된다고 로드사리는 말했습니다.

"순수 데이터 기반 모델은 입력한 데이터에 의해 필연적으로 제약됩니다."라고 로드사리는 말했습니다.

그들은 폐루프 시스템 실행도 꺼릴 것이라고 그는 말했습니다. "오퍼레이터가 모델이 무엇을 하는지 이해하지 못하면, 이 모델이 폐루프로 실행되도록 허용하는 것에 항상 회의적일 것입니다."

러시아 속담 '신뢰하되 검증하라'는 블랙박스 모델에는 통하지 않습니다. 모델링 시스템이 어떻게 예측에 도달했는지 검증하는 것은 거의 불가능합니다. 입력과 출력을 검증할 능력이 없으면 많은 제조 현장 오퍼레이터들이 모델을 신뢰하지 않습니다—충분한 이유가 있습니다. 결과가 정확하지 않을 수 있기 때문입니다.

초기 처리가 맞았는지 확실히 아는 유일한 방법은 시행착오뿐이라고 로드사리는 말했습니다.

마스의 간단한 예: 고급 신경망 모델에 사과 4개가 1kg, 8개가 2.1kg이라는 데이터가 있다면, 6개는 알려진 데이터 포인트 내에 있고 선형 추세의 일부이므로 6개 무게를 정확히 예측할 가능성이 높습니다. 하지만 12개(데이터 포인트 밖 숫자)를 물으면 ANN 모델은 답을 주지만 3~3.3kg이라는 더 합리적인 예측 대신 5kg이나 다른 엉뚱한 숫자를 줄 수 있습니다.

"이 블랙박스 모델들은 해석하기 어렵다는 것이 입증되었습니다."라고 로드사리는 말했습니다. "관심 변수에 대한 매칭을 만드는 데는 좋지만, 그 관계를 설명하는 데는 도움이 안 됩니다. 이는 이 모델을 사용해 결과를 옳은지 그른지 판단해야 하는 사람들의 능력을 방해합니다. 제조 분야 대부분 애플리케이션에서 이 관계가 의미 있음을 운영진에게 설득하고, 품질 모니터링 수단을 제공하며, 운영에 해로운 결정을 방지하는 능력이 필요합니다.

"운영자가 신뢰할 수 있도록 모델 본질에 대한 가시성을 제공하는 능력이 필요합니다."

적은 것이 더 많다

한편 물리 정보 기반 AI 시뮬레이션은 데이터가 더 높은 품질이고 기계와 당면 문제에 더 관련성이 높기 때문에 훨씬 적은 데이터로 예측할 수 있습니다.

이름에서 알 수 있듯 물리 정보 기반 AI는 관련 데이터, 물리 법칙, 모델링 대상 기계의 성능 매개변수 및 규범 같은 사전 지식을 통합한다고 가오 교수는 말했습니다.

"물리 법칙은 매우 응축된 방식으로 엄청난 양의 정보를 담고 있습니다."라고 반 데르 아우베라어는 말했습니다. "물리 기반 시뮬레이션 방법은 이 물리 법칙을 사용합니다. 따라서 충분한 대표 데이터가 나올 때까지 기다리는 대신 이 지식을 가져옴으로써 AI 시스템에 매우 강력한 스타트를 줄 수 있습니다."

인코딩된 물리 지식으로 물리 정보 기반 AI 모델은 적은 데이터로 예측할 수 있다고 로드사리는 말했습니다.

"우리는 제조업체가 실시간으로 도움이 되는 모델을 만들고 싶습니다."라고 그는 말했습니다.

물리 정보 기반 AI 모델은 AI가 프로세스 중 데이터로부터 배워 뇌의 학습을 모방하고, 더 많은 데이터가 생기면 개선될 수 있다고 마스는 말했습니다.

제조 엔지니어는 기존 구조와 시스템을 수정하고 조정해 모델이 자사 공장에서 작동하게 할 수 있습니다.

"데이터를 관찰하면 일반적으로 여러분이 아는 관계가 있습니다, 특히 엔지니어에게는."라고 마스는 말했습니다. "알려진 물리가 있고 알려지지 않은 물리가 있습니다. 이것이 물리 정보 기반 AI의 작동 방식입니다. 전체 데이터 관계를 블랙박스로만 취급하는 대신, '에너지 보존'이나 '파동 같은 행동' 같은 더 복잡한 것들처럼 데이터에 일부 물리 방정식을 부과해 머신러닝 알고리즘이 데이터와 물리 사이에서 균형을 맞추게 합니다. 이는 일반적으로 손실 함수(loss function)를 통해 수행되는데, 이는 데이터와의 오차를 최소화하면서 물리를 만족시키는 알고리즘의 목표 함수입니다."

PINN, 제조 분야에 영향 시작

첫 PINN 애플리케이션은 적층 제조처럼 복잡한 모델과 관계가 있는 제조 공정에서 등장하고 있다고 반 데르 아우베라어는 말했습니다.

식품 산업이나 제약 가공 산업 같은 초기 도입 분야도 있을 것입니다. 복잡한 공정이 순수 시뮬레이션 기반 접근을 방해하고 PINN 접근의 AI가 유망한 결과를 낼 수 있는 곳입니다. 반 데르 아우베라어와 마스는 말했습니다.

PINN 모델은 노동 집약적 실험실 테스트와 설계를 보완하거나 대체할 수도 있다고 마스는 말했습니다. 기존 실험실 테스트 강점과 물리 기반 시뮬레이션 이점을 결합해 훨씬 적은 시간과 실험실 테스트로 새로운 소재와 제품을 정확히 설계할 수 있습니다.

그레이 박스 가능성

가장 큰 과제는 머신러닝이 오늘날 데이터 사이언티스트들이 선호하는 데이터 사이언스 언어로 스크립트를 작성해 수행된다는 점입니다. 이는 제품을 개발하는 엔지니어에게는 접근 가능하지 않다고 마스는 말했습니다. 지멘스가 현재 심센터(Simcenter) 포트폴리오 내에서 개발 중인 ROM 빌딩 애플리케이션 같은 애플리케이션 지향 로우코드 플랫폼과는 대조적입니다.

"일반적 구조로 시작할 수 있습니다."라고 가오는 말했습니다. "혁신은 엔지니어들이 창의적으로 수정하고 적응하는 데 달려 있습니다."

가장 강력한 접근은 인공신경망 내부에 물리 관계를 결합하거나, 그 네트워크를 보완하거나, 신경망 내 특정 레이어나 구조로 만드는 것일 수 있다고 반 데르 아우베라어는 말했습니다.

그것은 블랙박스를 그레이박스로 변환할 것입니다.

"그런 네트워크는 고품질 시뮬레이션으로부터 훈련을 시작할 수 있습니다. 더 응축되고 강력한 네트워크를 위한 내부 물리 관계를 포함할 수 있으며, 더 빠르게 훈련될 수 있고 궁극적으로 수명 주기 동안 들어올 수 있는 모든 데이터로 추가 훈련될 수 있습니다."라고 그는 말했습니다.