AI가 NASA의 항공우주 합금을 3D 프린팅하기 쉽게 만든다

금속 3D 프린팅은 로켓 엔진 부품을 내부 냉각 채널과 전통적인 제조 방식으로는 만들기 어려운 형상으로 제작할 수 있습니다. 그러나 컴퓨터에서 고급 부품을 설계할 수 있다고 해서 제조업체가 이를 성공적으로 프린팅할 수 있다는 의미는 아닙니다.

레이저 출력, 스캔 속도, 파우더 공급, 가스 흐름, 층 높이의 모든 조합이 결과에 영향을 미칠 수 있습니다. 부적절한 조합은 기공, 균열 또는 약한 접합을 초래할 수 있습니다. 올바른 설정을 찾는 데는 종종 수개월에 걸친 비용이 많이 드는 시행착오가 필요합니다.

워싱턴 주립대학과 미네소타 대학 연구진은¹ 인공지능이 이 탐색을 크게 효율화할 수 있음을 입증했습니다. 그들의 시스템은 낮은 출력과 보다 널리 사용 가능한 금속 3D 프린터를 이용해 NASA가 개발한 어려운 구리 합금인 GRCop-42를 프린팅하는 여러 방법을 찾아냈습니다.

이 성과는 단일 합금에 국한되지 않습니다. AI가 제조업체가 새로운 소재를 더 빠르게 생산에 도입하고, 공정 개발 비용을 낮추며, 특수 항공우주 부품을 생산할 수 있는 시설 수를 확대하는 데 도움이 될 수 있음을 시사합니다.

왜 GRCop-42가 항공우주 제조에 가치가 있는가

GRCop-42는 구리, 크롬, 그리고 나이오븀 합금으로, 부품이 극한의 열을 견쳐야 하는 환경을 위해 개발되었습니다. 이 합금은 높은 열전도성과 강도, 산화 저항성, 크리프 저항성, 그리고 열 피로 저항성을 결합합니다.

이러한 특성 때문에 로켓 엔진 연소실, 열교환기 및 기타 고열 플럭스 시스템에 특히 유용합니다. 구리는 열 전도성이 뛰어나지만 기존 구리 합금은 고온에서 강도를 잃을 수 있습니다. GRCop-42는 두 요구 사항을 모두 만족하도록 설계되었습니다.

합금이 가치 있는 동일한 특성 때문에 프린팅이 어려워집니다. 구리는 일반적인 섬유 레이저가 발생시키는 적외선 에너지의 대부분을 반사합니다. 또한 흡수된 열을 용융 풀에서 매우 빠르게 이동시킵니다. 프린터가 안정적인 용융 풀을 생성하고 유지하지 못하면, 적층된 재료가 제대로 결합되지 않을 수 있습니다.

제조업체는 더 강력한 장비를 사용해 이를 보완할 수 있지만, 이는 진입 비용을 상승시킵니다. 따라서 연구진은 GRCop-42를 900와트 이하에서 성공적으로 적층할 수 있는지, 특히 많은 기계가 지원하는 500~700와트 범위에서 가능한지를 조사했습니다.

AI가 비용이 많이 드는 시행착오 과정을 대체한 방법

팀은 베이즈 실험 설계 for Additive Manufacturing, 약칭 BEAM이라는 프레임워크를 개발했습니다. 이 시스템은 프린터를 자동으로 제어하거나 부품을 설계하지는 않으며, 대신 다음에 테스트할 가장 유용한 프린팅 구성을 결정합니다.

BEAM은 이전 실험, 포함된 실패 프린트를 시작점으로 삼습니다. 프린터 설정과 허용 가능한 구조를 만들 확률을 연결하는 확률 모델을 구축한 뒤, 또 다른 소규모 배치를 물리적 테스트를 위해 선택합니다. 그 결과가 모델에 다시 반영되고 순환이 반복됩니다.

이는 AI의 실용적인 활용 사례이며, 물리적 실험을 루프에 유지합니다. 다른 연구자들도 AI를 활용해 레이저 기반 금속 가공의 정밀도를 향상시키고 있습니다. 모델은 모든 금속학적 상호작용을 완벽히 시뮬레이션할 필요는 없습니다. 단지 각 비용이 많이 드는 실험을 수동적인 추측보다 더 유익하게 만들면 됩니다.

경제적 동기는 상당합니다. 논문에 따르면, 단일 직접 에너지 증착 작업은 $500에서 $1,000 사이의 비용이 듭니다. 프린트 후 분석은 샘플당 추가로 $500이 필요하고 1~4주가 소요될 수 있습니다. 새로운 합금의 공정 윈도우를 탐색하는 데는 $100,000을 초과할 수도 있으며, 이는 전문 인력 비용을 포함하기 전의 금액입니다.

연구진이 테스트한 내용

연구진은 1,000와트 적외선 섬유 레이저가 장착된 5축 직접 에너지 증착 시스템을 사용했습니다. 직접 에너지 증착은 금속 파우더를 레이저가 만든 용융 풀에 공급하여 표면에 재료를 점진적으로 적층합니다. 이 경우 시스템은 GRCop-42를 고온용 합금인 Inconel 718 위에 적층했습니다.

피드 레이트, 가스 흐름, 스캔 속도, 층 높이, 레이저 출력의 가능한 조합은 각 출력 수준마다 약 백만 개의 후보 구성을 만들었습니다. 이 거대한 공간을 수동으로 탐색하는 대신, BEAM은 각 선택된 레이저 출력에 대해 10번의 실험 예산만을 받았습니다.

3개월 이내에, 이 프레임워크는 모든 출력 수준에서 최소 하나의 실행 가능한 구성을 찾았습니다. 성공적인 샘플은 최소한의 결함을 가진 견고한 내부와 GRCop-42와 Inconel 718 재료 사이의 매끄러운 전이를 포함했습니다. 팀은 또한 비정상적으로 높은 스캔 속도와 일반보다 얇은 층이 견고한 구조를 만드는 데 중요하다는 것을 발견했습니다.

저출력 프린팅이 고급 합금 접근성을 확대할 수 있다

500와트에서 GRCop-42를 프린팅하는 것은 단순히 레이저 하나가 소비하는 전력을 줄이는 것이 아닙니다. 이는 어떤 장비가 참여할 수 있는지를 바꿉니다. 논문에 따르면 관련 프린터의 90% 이상이 500~1,000와트 사이에서 작동합니다. 이 범위 내에서 신뢰할 수 있는 설정을 찾으면 대학, 소규모 제조업체 및 특수 연구 시설이 더 비싼 시스템이 필요했을 수 있는 합금을 다룰 수 있게 됩니다.

저출력 운영은 왜곡을 감소시키고, 표면 품질을 향상시키며, 레이저 광학 부품의 마모를 제한하고, 후처리 요구사항을 줄일 수도 있습니다. 이러한 이점은 특정 생산 공정에 대해 측정되어야 하지만, 파라미터 발견이 기술적 실현 가능성만큼 제조 경제성에도 영향을 미치는 이유를 보여줍니다.

잠재적인 장점은 다음과 같습니다:

• 재료 개발 중 실패한 적층이 감소
• 장비 및 후처리 요구사항 감소
• 신규 재료 및 부품의 인증이 빨라짐
• 특수 금속 부품의 보다 분산된 생산

마지막 요점은 특히 항공우주 및 방위 산업과 관련이 깊습니다. 이들 산업은 소량의 특수 부품이 필요하고, 자격을 갖춘 공급자가 적은 공급망에 직면하는 경우가 많습니다. 더 많은 기계에 적용 가능한 공정은 제한된 생산량이 단일 시설에 의존하는 정도를 낮출 수 있습니다.

AI가 소재 상용화 도구가 될 수 있다

이보다 더 큰 기회는 GRCop-42에만 국한되지 않습니다. 금속 적층 제조는 많은 잠재적으로 가치 있는 합금을 지원하지만, 각 새로운 재료와 기계 조합마다 고유한 공정 윈도우가 필요합니다. 한 프린터에서 작동하는 설정이 레이저, 파우더, 분위기, 형상 및 열 거동의 차이로 인해 다른 프린터에 완벽히 전이되지 않을 수 있습니다.

이는 숨겨진 병목 현상을 만들게 됩니다. 소재 과학자는 인상적인 특성을 가진 합금을 설계할 수 있지만, 제조업체는 이를 완성된 부품으로 전환할 수 있는 저렴하고 반복 가능한 방법이 아직 부족할 수 있습니다. 유사한 AI 지원 방법은 이미 더 강하고 부식에 강한 3D 프린팅 가능한 강철을 개발하는 데 사용되고 있습니다. AI가 안내하는 실험 설계는 실패한 실험을 유용한 데이터로 활용하고, 검색 공간 중 실현 가능성이 높은 영역에 자원을 집중함으로써 남은 제조 격차를 메우는 데 도움을 줄 수 있습니다.

기업이 기계와 재료 전반에 걸친 데이터를 축적함에 따라, 모델은 결국 유사한 합금에서 학습한 지식을 바탕으로 프로젝트를 시작할 수 있게 될 것입니다. 이는 공정 개발 역사를 재사용 가능한 제조 자산으로 전환하는 효과를 가집니다.

하지만 현재 연구를 500와트에서 비행 준비가 된 부품을 프린팅할 수 있다는 증거로 해석해서는 안 됩니다. 연구진은 인증된 로켓 엔진이 아닌 실험실 샘플을 제작했습니다. 항공우주 분야에서의 채택은 여전히 반복성 연구, 기계적 테스트, 부품 수준 검증 및 엄격한 품질 시스템에 따른 승인이 필요합니다. BEAM은 실행 가능한 설정을 발견하는 과정을 가속화했으며, 이는 훨씬 더 긴 상용화 과정의 초기이지만 비용이 많이 드는 단계입니다.

AI 기반 금속 적층 제조에 투자하기

항공우주, AI, 적층 제조가 교차하는 분야에서 활동하는 기업에 관심이 있는 투자자를 위해, Velo3D (VELO )는 특히 관련성이 높은 사례를 제공합니다. 이 회사는 임무 핵심 항공우주 및 방위 응용을 위한 Sapphire 계열의 금속 적층 제조 시스템을 개발합니다.

Velo3D는 이미 자사의 플랫폼에 GRCop-42를 인증했습니다. 이 기술은 논문에서 테스트된 직접 에너지 증착 공정이 아니라 레이저 파우더 베드 퓨전을 사용하므로, BEAM의 구성은 Sapphire 프린터에 그대로 적용할 수 없습니다. 그러나 더 넓은 원칙은 여전히 관련이 있습니다: AI가 안내하는 발견은 프린터 제조업체가 어려운 재료를 인증하고 개발 비용을 줄이는 데 도움을 줄 수 있습니다.

이는 공정 지식 축적을 중심으로 한 자연스러운 투자 논리를 제공합니다. 금속 프린팅에서 장기적인 경쟁 우위는 레이저 출력이나 적층 부피만으로 결정되지 않을 수 있습니다. 또한 어떤 기업이 가장 다양한 고급 재료를 신뢰성 있게 반복 가능하고 인증 가능한 부품으로 전환할 수 있는가에 달려 있습니다.

Velo3D는 실행, 자금 조달, 경쟁 및 고객 집중 위험에 노출된 투기성 소형주 기업입니다. 그럼에도 불구하고, 항공우주에 초점을 맞추고 기존의 GRCop-42 역량을 보유하고 있어 AI가 산업 공정 개발에 더욱 깊이 통합됨에 따라 주목할 만한 상장 기업입니다.

AI가 물리적 기술 개발 방식을 변화시키고 있다

BEAM의 가장 중대한 특징은 AI를 물리적 산업 제약에 적용한다는 점입니다. 이는 아직 테스트가 필요한 개념을 생성하지 않습니다. 대신 다음에 수행할 실제 테스트를 선택하고, 결과로부터 학습하며, 이후 실험을 보다 정보에 기반해 진행하도록 합니다.

이 폐쇄 루프는 제조 분야에서 AI의 정의적인 패턴이 될 수 있습니다. 재료와 부품이 더욱 특수화됨에 따라 전면적인 실험은 너무 느리고 비용이 많이 듭니다. 머신러닝과 전문가 지식을 결합한 시스템은 과학자나 엔지니어를 과정에서 배제하지 않으면서 탐색 범위를 좁힐 수 있습니다.

항공우주 제조업체에게 즉각적인 결과는 가치 있는 NASA 합금을 보다 쉽게 프린팅할 수 있는 방법이 됩니다. 더 깊은 의미는 AI가 고급 소재를 발견하고 이를 활용한 유용한 부품을 생산하는 과정을 단축시킬 수 있다는 점입니다. 이는 적층 제조가 기하학적 자유도를 넘어, 소재 자체를 상용화하는 더 빠른 플랫폼으로 확장될 수 있음을 의미합니다.

참고 문헌:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). AI 기반 적응형 실험 설계를 통한 금속 합금의 실행 가능한 3D 프린팅 구성 발견. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}