공학 혁신: 복잡한 방정식을 슈퍼컴퓨터보다 빠르게 해결하는 AI의 새로운 역할

슈퍼컴퓨터는 높은 성능으로 복잡한 계산 문제를 해결할 수 있는 것으로 알려져 있습니다. 세계에서 가장 빠른 컴퓨터인 이 기계들은 방대한 데이터 세트를 처리하고 빠른 속도로 복잡한 계산을 수행할 수 있으며, 초당 최대 1경(10^18) 회의 계산을 수행할 수 있습니다.

흥미롭게도, 이번 주에 기술 대기업인 Google이 ‘Willow’라는 차세대 칩을 공개했으며, 초전도 큐비트를 사용해 복잡한 수학 문제를 단 5분 만에 해결하고 오류를 기하급수적으로 감소시킵니다.

그 뛰어난 성능에도 불구하고, 양자 칩은 현대 암호화를 깨는 데는 아직 먼 거리 현대 암호화.

이 모든 가운데, 새로운 인공지능(AI)이 등장하여 슈퍼컴퓨터보다도 더 빠르게 복잡한 엔지니어링 문제를 해결할 수 있는 능력을 갖추었습니다. 이 새로운 기술 솔루션은 Johns Hopkins 연구진에 의해 개발되었으며, 엔지니어링 분야의 게임 체인저가 될 수 있습니다.

AI의 새로운 시대

수년간 화두였던 AI가 마침내 주요 산업 전반에 의미 있게 활용되기 시작했습니다. 효율성과 생산성을 크게 향상시킬 수 있는 막대한 잠재력으로 인해 시장 규모는 올해 1,840억 달러를 넘어 성장하고 있으며, 2020년대 말까지 매출이 15조 달러 이상 증가할 것으로 예상됩니다.

최근 보고서에 따르면, 조직의 68%가 적극적으로 생성 AI를 활용하거나 성공적인 파일럿 구현 이후 로드맵을 개발한 것으로 나타났습니다.

AI가 다양한 산업을 변화시키면서, 특히 엔지니어링 분야에서 사람들은 시대에 뒤처지는 도전에 직면하고 있습니다. 추정에 따르면 향후 10년 동안 엔지니어링 작업의 최대 40%가 자동화될 수 있습니다.

AI가 세계에 미치는 영향을 이해하려면, 먼저 AI가 인간의 사고, 학습, 이해, 문제 해결, 의사 결정 및 창의성을 기계와 컴퓨터가 시뮬레이션하도록 하는 기술에 불과하다는 점을 알아야 합니다.

AI의 기반에는 머신러닝이 있으며, 이는 데이터를 활용해 의사 결정 및 예측을 수행하는 모델을 만들기 위해 알고리즘을 학습시키는 과정을 포함합니다.

다양한 머신러닝 알고리즘이나 기법이 존재하는데, 인공 신경망은 가장 널리 사용되는 유형 중 하나입니다. 이러한 네트워크는 인간 뇌의 구조와 기능을 모델링한 것입니다.

머신러닝의 하위 분야인 딥러닝은 다층 신경망을 사용하여 인간 뇌의 복잡한 의사 결정 능력을 더욱 효과적으로 시뮬레이션합니다. 이러한 네트워크는 데이터를 학습해 이미지 및 음성 인식부터 자연어 처리에 이르는 다양한 문제를 해결하는 데 활용됩니다.

딥러닝은 기계가 복잡한 데이터를 다루는 방식을 완전히 바꾸고 있으며, 인간 수준의 성능을 뛰어넘고 높은 정확도를 달성할 수 있는 능력을 가지고 있습니다.

복잡한 문제 해결을 위한 AI 활용

AI는 반복 작업 자동화, 인간 오류 감소, 24시간 가용성, 향상된 의사 결정 등 다양한 이점을 제공하며, 이로 인해 모든 산업 분야의 다양한 비즈니스에 적용되고 있습니다.

방대한 데이터를 효율적으로 분석하고, 인간이 놓칠 수 있는 패턴을 식별하며, 빠른 계산을 수행하는 기술적 능력 덕분에 AI는 복잡한 문제를 해결하는 훌륭한 도구가 됩니다. 대규모 데이터 세트와 복잡한 의사 결정 상황을 다룰 때, 인간만으로는 시간 소모가 크거나 불가능한 경우 AI는 크게 도움이 됩니다.

따라서 AI를 활용해 복잡한 문제를 해결하려는 관심이 커지고 있습니다. 1년 전, MIT와 ETH Zurich의 연구원들은 머신러닝을 사용해 최적화 문제를 해결했으며, 이는 FedEx와 같은 기업의 휴가 패키지 효율적 라우팅을 의미합니다.

이들 기업은 혼합 정수 선형 프로그래밍(MILP) 솔버라는 소프트웨어를 사용해 문제를 작은 조각으로 나누고 일반 알고리즘으로 최적 해를 찾으며, 이는 몇 시간에서 며칠까지 걸릴 수 있습니다.

여기서 전체 프로세스를 지연시키는 핵심은 MILP 솔버가 너무 많은 가능한 해를 가지고 있다는 점입니다. 연구원들은 이 단계를 단순화하기 위해 필터링 메커니즘을 사용했으며, 정확도에 영향을 주지 않으면서 MILP 솔버를 30-70% 가속화했습니다. 이를 위해 해당 기법은 한계 수익 감소 원칙에 의존한 뒤, 문제에 특화된 데이터셋으로 학습된 머신러닝을 활용해 감소된 옵션 중 최적 해를 찾았습니다.

이번 달 초, 런던 기반 스타트업 PhysicsX는 항공우주 공학을 위한 대형 기하학 모델인 LGM-Aero를 소개했습니다. 이 기하학 및 물리 모델은 항공기 개념 개발 시간을 크게 단축할 것으로 기대됩니다. 회사는 LGM-Aero를 기반으로 만든 참조 애플리케이션(‘Ai.rplane’)을 공개하여 모델이 항공기 설계를 생성하고 항공기 성능과 관련된 물리를 예측하는 능력을 보여주고 있습니다.

이 모델은 2,500만 개 이상의 다양한 형태와 100억 개 이상의 정점을 포함하는 데이터를 사용해 Amazon Web Services(AWS) 클라우드 컴퓨팅에서 학습되었습니다. 학습 데이터에는 Siemens와 협업으로 생성된 계산 유체 역학(CFD) 및 유한 요소 해석(FEA) 시뮬레이션도 포함됩니다.

LLM이 텍스트를 이해하는 방식과 마찬가지로, LGM은 항공우주 공학에 중요한 형태와 구조에 대한 방대한 지식을 보유하고 있으며, 따라서 \”수초 내에 여러 물리 유형을 최적화할 수 있으며, 수치 시뮬레이션보다 수십 배 빠르고 동일한 정확도를 유지한다\”고 CEO Jacomo Corbo가 말했습니다.

올해, ChatGPT 뒤에 있는 Microsoft (MSFT ) 지원 AI 연구 기업인 OpenAI는 최신 모델인 o1-preview와 o1-mini를 공개했으며, 대형 언어 모델(LLM)의 추론 능력에서 큰 도약을 주장했습니다.

이 모델은 문제 해결 시 인간이 하는 것과 유사한 ‘사고 사슬(chain-of-thought) 추론’ 능력을 갖추고 있으며, 복잡한 문제를 작은 관리 가능한 작업으로 나누는 방식을 사용합니다. 인간과 유사한 추론을 LLM에 적용한 사례는 Google Research 등에서도 이전에 관찰되었습니다.

PDE를 해결하는 새로운 AI 모델

AI의 사용과 인기가 계속 증가함에 따라 그 능력도 향상되고 있으며, 연구자와 기업들은 기술을 더욱 개선하고 정확하게 만들기 위해 노력하고 있습니다.

Johns Hopkins 연구진이 개발한 최신 AI 프레임워크는 일반적인 접근 방식을 사용해 시간 소모가 크고 널리 사용되는 수학 방정식의 해를 예측합니다. 편미분 방정식(PDE)은 엔지니어링 및 의학 연구 분야에서 널리 사용되는 과제입니다.

하지만 이러한 방정식을 해결하는 데 드는 계산 비용은 매우 높을 수 있습니다. 또한, 이러한 대규모 수학 문제를 해결하려면 일반적으로 슈퍼컴퓨터가 필요했지만, 이제는 그렇지 않습니다.

새로운 AI 프레임워크는 개인용 컴퓨터조차도 과학자들이 실제 세계의 과정이나 시스템을 시간과 공간에 따라 물체가 어떻게 변하는지 수학적으로 표현하는 편미분 방정식을 다룰 수 있게 합니다.

AI 모델이 PDE를 해결하기 위해 제안된 것은 이번이 처음이 아닙니다; 실제로 그 아이디어는 수십 년 전 처음 공유되었습니다. 과학적 머신러닝이라는 신흥 분야에서, 신경망을 이용한 편미분 방정식 해결은 지난 10년 동안 계산 능력 향상 덕분에 큰 주목을 받아왔습니다.

AI를 사용해 PDE 솔루션 연산자를 학습하는 신경 연산자(Neural Operator)의 성공에도 불구하고, 최신 연구에 따르면 최적화 및 예측 작업을 수행할 때 여전히 계산 병목 현상이 존재합니다. 이는 신경 연산자가 기하학에 의존하는 PDE 솔루션을 평가할 수 없기 때문입니다.

현재 대부분의 신경 연산자 프레임워크는 고정된 경계가 있는 도메인에서 개발되며, 형태 변형이 있을 경우 신경망을 재학습해야 합니다.

따라서 이러한 계산적 과제를 해결하기 위해 연구진은 DIMON — Diffeomorphic Mapping Operator Learning을 제안했습니다. 이를 위해 신경 연산자와 도메인 및 형태 간의 미분동형 매핑을 결합했습니다.

이 모델은 형태가 바뀔 때마다 격자를 재계산할 필요를 없애며, 이를 통해 DIMON은 시뮬레이션을 가속화하고 물리 요소(운동, 응력, 열 등)의 행동을 다양한 형태에 대해 예측함으로써 설계를 최적화할 수 있습니다.

일반적으로 이러한 방정식을 해결하려면 인간 기관이나 비행기 날개와 같은 복잡한 형태를 작은 요소들로 구성된 격자나 메쉬로 분할하고, 각 단순 조각에서 문제를 해결한 뒤 다시 결합합니다.

하지만 이러한 형태가 충돌이나 변형으로 바뀌면 격자를 업데이트해야 합니다. 이는 솔루션도 재계산해야 함을 의미하며, 전체 계산 과정이 비용이 많이 들고 느려집니다.

DIMON은 AI를 활용해 물리 시스템이 다양한 형태에서 어떻게 작동하는지를 이해합니다. 따라서 연구자들은 형태를 격자로 나누어 방정식을 반복적으로 풀 필요 없이, AI가 학습한 패턴을 이용해 다양한 요인이 어떻게 행동할지를 예측함으로써 형태별 시나리오를 더 효율적이고 빠르게 모델링하고 설계를 최적화할 수 있습니다.

Johns Hopkins University의 생물의공학 및 의학 교수이자 공동 책임자인 Natalia Trayanova에 따르면:

“우리가 직접 연구하면서 이 기술을 개발하게 된 동기가 있었지만, 이 솔루션은 매우 일반적이고 확장 가능하기 때문에 다양한 엔지니어링 분야에 큰 영향을 미칠 것이라고 생각합니다.”

엔지니어링 설계의 전환점

새로운 AI 프레임워크는 여러 도메인에서 PDE 솔루션을 빠르게 예측할 수 있는 접근 방식을 제공하며, AI를 활용한 다양한 하위 응용 프로그램을 촉진합니다.

모델의 능력에 대해 이야기하자면, Trayanova는 DIMON이 사실상 모든 과학 및 엔지니어링 분야의 문제에 적용되어 다중 기하학에서 PDE를 해결할 수 있다고 언급했습니다.

여기에는 충돌 테스트, 우주선이 극한 환경에 대응하는 방식 분석, 교량의 응력 저항 평가, 다양한 기하학에서 유체 전파 연구, 정형외과 연구, 그리고 재료와 형태가 변하는 복잡한 문제 등이 포함됩니다. 새로운 AI 프레임워크 덕분에 이러한 모든 시나리오의 모델링이 훨씬 빨라졌습니다.

새 모델이 다른 엔지니어링 문제에 적용 가능함을 보여주기 위해, 팀은 1,000개 이상의 심장 ‘디지털 트윈’에 DIMON을 테스트했습니다. 이 디지털 트윈은 실제 환자의 심장을 고도로 상세하게 모델링한 컴퓨터 모델입니다.

심장 부정맥은 편미분 방정식을 풀어 연구합니다. 이 상태는 전기 신호의 이상으로 인해 심장이 불규칙하게 뛰게 합니다. 디지털 트윈을 통해 연구자들은 환자가 이 치명적인 상태에 걸릴 위험이 있는지 판단하고, 치료 방안을 제시할 수 있습니다.

새 AI 프레임워크는 각기 다른 심장 형태에서 전기 신호가 어떻게 전달되는지를 높은 정확도로 예측하는 데 성공했으며, 비용이 많이 드는 수치 시뮬레이션을 수행할 필요조차 없었습니다.

Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation의 이사인 Trayanova는 데이터 기반 접근, 계산 모델링, 심장 영상 혁신을 활용해 심혈관 질환을 진단하고 치료합니다. 그녀는 지속적으로 새로운 기술을 임상에 도입하고 있습니다.

하지만 그녀는 현재 솔루션이 여전히 너무 느리며, 환자의 심장을 스캔하고 PDE를 풀어 급성 심장 사망 위험을 예측하고 최적 치료 계획을 제공하는 데 약 일주일이 걸린다고 지적했습니다.

하지만 최신 모델을 통해 이 상황에 거대한 변화가 일어나고 있습니다.

“이 새로운 AI 접근 방식으로 우리는 해결 속도가 믿을 수 없을 정도로 빨라졌습니다.”

– Trayanova

심장 디지털 트윈의 예측을 수행하는 데 걸리는 시간이 몇 시간에서 단 30초(반 분)로 단축되었습니다. 이것만으로도 충분히 놀라운데, 계산에 슈퍼컴퓨터가 필요하지 않고 데스크톱 컴퓨터만으로도 수행됩니다. Trayanova는 이를 통해 “일상 임상 워크플로우의 일부로 만들 수 있다”라고 말했습니다.

이 기술의 다재다능함은 새로운 형태에 대해 편미분 방정식을 반복적으로 해결해야 하는 상황에 완벽합니다.

“각 문제에 대해 DIMON은 먼저 단일 형태에서 편미분 방정식을 해결한 뒤, 그 해를 여러 새로운 형태에 매핑합니다. 이러한 형태 변환 능력은 엄청난 다재다능성을 강조합니다. 우리는 이 모델을 다양한 문제에 적용하고, 더 넓은 커뮤니티에 제공해 그들의 엔지니어링 설계 솔루션을 가속화할 수 있게 되어 매우 기대됩니다.”

– Johns Hopkins Biomedical Engineering의 박사후 연구원 Minglang Yin, 플랫폼을 개발한 사람

AI를 선도하는 기업들

이제 AI 기술 혁신을 새로운 차원으로 끌어올리는 기업들을 살펴보겠습니다.

1. NVIDIA Corporation

GPU를 선도적으로 제공하는 Nvidia (NVDA ) 는 세계에서 두 번째로 큰 기업이며, 시가총액은 3.28조 달러입니다. 작성 시점에 주가는 133.91달러이며, 연초 대비 171.9% 상승했으며, EPS(TTM)는 2.54, P/E(TTM)는 52.90, ROE(TTM)는 127.21%이며, 배당 수익률은 0.03%입니다.

이 회사의 하드웨어 및 소프트웨어 솔루션은 딥러닝 애플리케이션과 엔지니어링 시뮬레이션에 필수적이며, AI 혁명을 진전시키는 중요한 역할을 합니다.

AI 열풍에 힘입어 Nvidia는 2024년 10월 27일 종료된 3분기에 350억 달러 이상의 매출을 기록했으며, 이는 전 분기 대비 17% 증가, 전년 대비 94% 급증한 수치입니다.

“AI 시대가 전면에 들어섰으며, 이는 전 세계를 NVIDIA 컴퓨팅으로 전환시키고 있습니다,” 라고 CEO 겸 창업자인 Jensen Huang이 말했으며, AI가 기업과 산업뿐 아니라 “자국의 AI와 인프라 개발 중요성을 깨닫고 있는 국가들”까지도 변화시키고 있다고 덧붙였습니다.

2. Microsoft Corporation   

시가총액이 3.32조 달러인 Microsoft는 세계 상위 3대 기업에 속합니다. 현재 주가는 447.24달러이며, 연초 대비 약 19% 상승했습니다. 이는 EPS(TTM) 12.11, P/E(TTM) 36.92, ROE(TTM) 35.60%를 의미합니다. Microsoft가 지급하는 배당 수익률은 0.74%입니다.

Microsoft가 AI에 가장 크게 관여하는 분야는 OpenAI이며, 여기에는 130억 달러 이상을 투자했습니다. OpenAI와의 파트너십은 최근 1,500억 달러 가치로 평가되었으며, Microsoft는 AI 연구, 클라우드 솔루션, 엔지니어링 및 과학 컴퓨팅용 애플리케이션에도 막대한 투자를 하고 있습니다.

2023년 7월에서 9월 사이, 회사는 655억 달러의 매출을 기록했으며, 이는 전년 대비 16% 증가했고, 이익은 247억 달러로 11% 상승했습니다. 이 성장은 수요가 “우리의 가용 용량보다 높다”는 점에 힘입은 것입니다.

3. ANSYS, Inc.

이 회사는 복잡한 문제를 해결하기 위한 엔지니어링 시뮬레이션 소프트웨어를 전문으로 하며, 학생, 연구원, 디자이너, 엔지니어가 서비스를 이용하고 있으며, 효율성을 높이기 위해 AI를 점점 더 통합하고 있습니다.

시가총액이 297억 달러인 Ansys의 주가는 현재 339.51달러이며, 올해 6.24% 하락했습니다. 이는 EPS(TTM) 6.47, P/E(TTM) 52.55, ROE(TTM) 10.48%를 의미합니다.

2024년 3분기(3Q24)에서 Ansys는 6억 1,900만 달러의 매출을 기록했으며, 이는 전년 동기 대비 31% 증가했습니다. 연간 계약 가치(ACV)는 5억 4,050만 달러였습니다. GAAP 영업 이익률은 26.8%였으며, 비GAAP 영업 이익률은 45.8%였습니다. 해당 기간 영업 현금 흐름은 1억 7,420만 달러였고, 이연 수익 및 백로그는 14억 6,380만 달러였습니다.

결론

AI는 빠른 속도로 발전하고 있으며, DIMON과 같은 새로운 AI 프레임워크의 도입은 복잡한 엔지니어링 문제를 해결하고 시간 및 계산 비용을 크게 줄이는 혁신적인 단계입니다. 이를 통해 엔지니어링 설계 프로세스가 가속화될 뿐만 아니라 AI의 적용 범위가 다양한 분야로 확대됩니다.

연구자들과 Nvidia와 같은 기업들이 계속해서 큰 발견을 하고, 강력한 모델을 구축하며 기술을 진보시킴에 따라 AI를 일상 업무에 통합할 잠재력은 기하급수적으로 성장하고 있습니다. 이는 AI가 전례 없는 효율성과 혁신을 주도하는 새로운 시대를 예고합니다!

인공지능 투자에 대해 모두 알아보려면 여기를 클릭하세요.