제품 디자인의 딥러닝

[힘힘]

제품 디자인의 딥러닝

2022년 12월 14일| 기사

에 의해미카엘 브로사드, 자코모 코르보 , 마리 클레이일 ,빌 와이즈먼

공유하다

인쇄

다운로드

구하다

혁신적인 접근 방식은 기업이 까다로운 엔지니어링 최적화 문제에 접근하는 방식을 변화시키고 있습니다.

다운로드

기사(4페이지)

수십 년 동안 디지털 기술은 엔지니어링 설계 세계에 조용히 혁명을 일으켰습니다. 3차원 디지털 모델이 도면을 대체했으며, 시뮬레이션 소프트웨어의 개발로 엔지니어는 많은 물리적 테스트를 더 빠르고 저렴한 가상 테스트로 대체할 수 있었습니다. 엔지니어링 회사는 이러한 계산 및 데이터 집약적 솔루션을 보다 효율적으로 만들기 위해 수억 달러를 투자했습니다.

컴퓨터가 더욱 강력해짐에 따라 엔지니어링 팀은 제품의 특성과 예상되는 동작을 더 많이 복제하는 더욱 상세한 디지털 모델을 개발할 수 있게 되었습니다. 오늘날 디지털 트윈은  산업 기계부터 의료 기기에 이르기까지 다양한 분야에서 제품을 설계, 운영 및 유지 관리하는 방식을 변화시키고 있습니다.

또한 디지털화를 통해 엔지니어는 엔지니어링 프로세스에서 컴퓨터에 보다 적극적인 역할을 부여할 수 있습니다. 생성 설계  및 관련 최적화 접근 방식은 수백 또는 수천 개의 시뮬레이션을 실행하도록 컴퓨터를 프로그래밍하고 가능한 최상의 솔루션을 찾을 때까지 각 실행 사이에 설계를 조정하는 방식으로 작동합니다. 결과적인 기하학적 구조는 가장 경험이 풍부한 인간 디자이너의 작업보다 더 나은 성능을 발휘할 수 있습니다.

아직 최적이 아님

가장 인기 있는 통찰력

1. 디코딩 리더십: 정말로 중요한 것은 무엇인가
2. 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
3. 인력 참여
4. 인플레이션이란 무엇입니까?
5. 생성 AI란 무엇인가?

분명한 잠재력에도 불구하고 디지털 설계 최적화에는 몇 가지 중요한 한계가 있습니다. 구조 또는 유체 흐름의 성능을 시뮬레이션하는 것은 계산 집약적인 미분 방정식 솔버에 의존하므로 설계 최적화는 몇 가지 동시 매개변수에만 집중할 수 있습니다. 결과적으로 오늘날의 시스템은 설계 공간의 작은 부분만을 탐색하고 점진적인 개선만을 제공하는 경향이 있습니다.

같은 이유로 기업은 프로젝트에 적합한 매개변수를 선택하고 최적화하기 위해 여전히 인간 공학 전문 지식에 크게 의존하고 있습니다. 재능이 부족할 때는 이것이 어렵고, 인간의 편견이 차선의 디자인으로 이어질 위험이 커집니다. 더 나쁜 것은 시뮬레이션 시스템이 너무 복잡해지면서 기업이 시뮬레이션을 실행하기 위해 점점 더 외부 공급업체에 의존하게 되어 내부 지식과 역량이 약화되고 있다는 것입니다.

경쟁 우위가 속도와 혁신에 달려 있는 세상에서는 전통적인 시뮬레이션 접근 방식으로는 더 이상 충분하지 않을 수 있습니다. 엔지니어링 회사는 설계 최적화에 대한 접근 방식과 이를 달성하기 위해 사용하는 기술에 대해 다르게 생각해야 할 수도 있습니다.

더 빠른 경로

오늘날 일부 선두 기업에서는 자동화된 설계 최적화의 속도와 효율성을 높이고 더 크고 복잡한 엔지니어링 문제에 적용 범위를 확장할 수 있는 대안을 모색하고 있습니다. 이 새로운 접근 방식은 이미지 인식에서 바둑 게임 마스터링에 이르기까지 다른 많은 어려운 컴퓨팅 문제의 핵심이었던 것과 같은 인공 지능 모델을 기반으로 합니다. 우리는 이러한 모델을 DLS(Deep Learning Surrogate)라고 부릅니다.

DLS 기술은 기존 물리 시뮬레이션보다 수십 배 빠르게 실행되는 딥 러닝 모델을 통해 컴퓨팅 복잡성을 줄이고 속도를 획기적으로 높입니다. 이는 결과적으로 조직에 많은 경쟁 우위를 제공합니다. 엔지니어링 프로세스 시간을 단축하여 출시 시간을 단축합니다. 필요한 엔지니어링 노력의 복잡성과 강도를 줄여 비용도 절감됩니다. 또한 딥 러닝 시뮬레이션을 통해 기업은 제품 설계를 위한 훨씬 더 광범위한 매개변수 세트를 탐색하여 전문 엔지니어에게 알려지지 않은 새로운 최적화를 발견하고 더 나은 제품 성능을 얻을 수 있습니다.

DLS 설명

처음부터 DLS 프로세스는 다른 디지털 설계 최적화 접근 방식과 매우 비슷해 보입니다. 엔지니어링 팀은 제품의 제약 조건과 원하는 성능 특성을 정의하고 컴퓨터는 다양한 설계 옵션에 대해 여러 가지 기존 시뮬레이션을 실행합니다. 그러나 이것이 접근 방식이 다른 곳입니다.

이러한 초기 시뮬레이션이 실행되면 동일한 입력을 취하고 시뮬레이션 시스템의 출력을 복제하도록 시도하는 신경망을 훈련하는 데 사용됩니다. 훈련이 완료되면 이 딥 러닝 모델은 기존 시뮬레이션과 동일하게 작동하지만 훨씬 더 빠르게 작동합니다. 실제 프로젝트에서 딥 러닝 시뮬레이션 모델은 기존 모델보다 훨씬 더 빠르게 실행될 수 있습니다(전시물).

전시하다

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

그 속도 증가는 게임 체인저입니다. DLS를 사용하면 기계는 기존 시뮬레이션보다 훨씬 더 많은 설계 공간을 탐색할 수 있어 최상의 솔루션을 찾는 데 도움이 됩니다. 그리고 이 프로세스의 효율성은 광범위한 AI 연구 커뮤니티의 작업에서 파생된 고급 검색 알고리즘을 통해 더욱 향상됩니다. 초고속은 또한 복잡성이 장벽이 아니라는 것을 의미합니다. 엔지니어링 팀은 더 크고 정교한 구성 요소와 시스템을 처리하고 여러 도메인에 걸쳐 동시에 최적화할 수 있습니다.

그러나 제품 개발에 딥 러닝을 사용하는 것은 기술 선택을 넘어서는 기업에 중요한 의미를 갖습니다. 이를 위해서는 엔지니어링 부서가 조직을 조정하고 새로운 방식으로 리소스를 할당해야 합니다. 여기에는 새로운 인재, 특히 데이터 과학자, 데이터 엔지니어, 기계 학습 전문가를 확보하고 사내 또는 클라우드에서 새로운 컴퓨팅 리소스에 대한 액세스가 포함될 수 있습니다.

현실 세계의 DLS

딥 러닝 대체 도구는 악명 높은 일부 엔지니어링 환경에서 이미 그 가치를 입증하고 있습니다. 예를 들어, 발전 부문의 한 회사는 수력 발전소용 대형 터빈 설계를 최적화하기 위해 이 접근 방식을 사용했습니다. 이러한 기계는 각 설치의 특정 작동 조건에 맞게 개별적으로 구성되어야 하며, 이 프로세스는 완료하는 데 수천 시간, 최대 1년이 걸릴 수 있습니다.

파일럿 프로젝트에서 회사의 엔지니어링 팀은 외부 전문가와 협력하여 터빈의 네 가지 주요 구성 요소 성능을 시뮬레이션할 수 있는 딥 러닝 모델을 만들었습니다. 이 모델은 원하는 작동점을 입력으로 받아들이고 각 부품의 허용 가능한 질량 및 강도부터 캐비테이션이나 압력 맥동과 같은 유체 흐름 문제에 이르기까지 다양한 제약 조건을 고려하도록 설계되었습니다.

프로젝트 파트너가 모델을 개발하는 데 6개월이 걸렸지만 모델이 설계 프로세스에 미치는 영향은 즉각적이고 심오했습니다. DLS를 사용하여 회사는 새로운 터빈 설계를 작성하는 데 필요한 엔지니어링 시간을 50% 단축하고 전체 설계 프로세스를 1/4로 단축했습니다. 더욱이 이 접근 방식은 기존 설계보다 최대 0.4% 더 효율적인 터빈을 생성했습니다. 일반적인 수력 발전 댐의 경우 매년 13.5기가와트시(GWh)의 에너지를 추가로 생산하게 되며, 이는 3천 가구 이상의 수요를 충족하기에 충분한 에너지입니다.

풍력 에너지 부문에서는 또 다른 주요 업체가 대형 풍력 터빈의 제어 알고리즘을 최적화하기 위해 이 접근 방식을 적용했습니다. 강풍이 불면 이러한 터빈은 손상을 방지하기 위해 출력을 조정하거나 완전히 정지해야 합니다. 그러나 이러한 제어 결정은 운영자에게 중요한 영향을 미칩니다. 너무 보수적이어서 터빈이 귀중한 전력을 생성할 기회를 놓치게 됩니다. 너무 공격적이어서 신뢰성이 손상될 수 있습니다.

이 회사는 이미 기존 시뮬레이션 기술을 사용하여 각 터빈에 대한 현장별 제어 규칙을 개발하고 있었습니다. 그러나 이러한 시뮬레이션은 단일 현장에서 단일 터빈 구성을 평가하는 데 8시간 이상이 소요될 정도로 시간과 비용이 많이 소요되었습니다. 시뮬레이션 시스템을 딥러닝 모델로 교체하면 그 시간이 1초 미만으로 단축됩니다. 새로운 시스템을 통해 회사는 이제 고객이 새로운 풍력 발전 단지 프로젝트의 설계를 최적화하고 더 많은 터빈 구성과 현장 레이아웃을 평가하여 최상의 솔루션을 찾을 수 있도록 지원할 수 있습니다. DLS 시스템은 총 생산량에서도 의미 있는 증가를 가져옵니다. 회사의 데이터에 따르면 이번 10년 동안 유럽에서 계획된 풍력 에너지 투자의 10%에만 이 접근 방식을 적용하면 연간 발전량이 210GWh 이상 증가할 것이며 이는 50,000개 이상의 가정에 전력을 공급할 수 있는 양입니다.

미래는 깊다

제품 개발에 딥러닝을 적용하는 것은 이제 막 시작되었습니다. 초기 파일럿의 성공 이후 선도 기업들은 이제 여러 제품 범주에 대한 표준 엔지니어링 프로세스에 DLS를 구축하고 있습니다. 연구자들은 접근 방식을 더 많은 산업과 문제 영역으로 확장하는 것 외에도 근본적이고 새로운 방식으로 설계 프로세스에 접근 방식을 통합하기 위해 노력하고 있습니다. 한 가지 잠재적인 접근 방식은 기존 시뮬레이션을 완전히 포기하는 것입니다. 대신 연구자들은 현장에 있는 기존 제품의 실제 데이터를 사용하여 딥 러닝 모델을 훈련할 수 있다고 제안했습니다. 이는 이전 제품 세대의 성능에서 자동으로 학습하는 설계 및 최적화 도구를 사용하여 기업이 제품을 개선하는 방식을 변화시킬 수 있습니다.

저자 소개

Mickael Brossard는 McKinsey 파리 사무소의 파트너이며 Marie Klaeyle은 어소시에이트 파트너입니다. Jacomo Corbo는 런던 사무소의 파트너입니다. Bill Wiseman은 시애틀사무소의 수석 파트너입니다.