챕터 1
시뮬레이션 및 모델 기반 설계에 왜 AI를 사용할까요?
개발 공정 전반에 Simulink® 모델을 사용하는 모델 기반 설계라고 불리는 이 접근법은 효율성과 낮은 위험으로 복잡한 시스템을 개발하는 검증된 방식입니다. AI 전문가가 아니더라도 워크플로에 AI 기법을 추가하면 시간을 절약하고 설계를 개선할 수 있습니다.
시뮬레이션과 모델 기반 설계에 AI를 사용하는 주된 이유는 네 가지가 있습니다.
- 정확도 개선: 고품질 훈련 데이터로 AI 알고리즘을 구축하여 알고리즘 정확도를 개선할 수 있습니다.
- 복잡성 감소: 다른 방법으로는 계산이 복잡하거나 모델링이 불가능한 알고리즘을 AI로 대체할 수 있습니다.
- 시간 절약: 제1원리에서 도출하는 고충실도 모델이 구축하고 시뮬레이션하기에 너무 많은 시간이 걸리는 경우 AI를 사용하여 시스템의 차수 축소 모델을 생성할 수 있습니다.
- 협업: Simulink를 사용하여 오픈 소스 프레임워크나 MATLAB에서 개발한 AI 모델을 시스템 수준 설계에 통합할 수 있습니다.
- 최종적으로 임베디드 시스템에 배포하게 될 알고리즘의 AI 모델을 개발합니다. 예제를 심층적으로 살펴보려면 챕터 2를 참조하십시오.
- 데이터 주도 플랜트 또는 환경 모델링에 AI를 활용합니다. AI 모델을 훈련시키는 데 사용되는 데이터는 하드웨어 또는 고충실도 시뮬레이션 모델에서 올 수 있는데, 이 모델은 시스템 수준 시뮬레이션을 하기에는 너무 계산 집약적입니다. AI를 사용하여 고충실도 구성요소의 차수 축소 모델을 만드는 방법에 대해 심층적으로 살펴보려면 챕터 3을 참조하십시오.
임베디드 알고리즘 개발: 이 활용 사례에는 최종적으로 임베디드 시스템에 배포될 AI 기반 제어기, 센서, 센서 융합, 이미지 프로세서, 객체 검출기가 포함되어 있습니다.
차수 축소 모델: AI를 사용하여 복잡한 시스템의 차수 축소 모델을 만들어서 많은 엔지니어들이 시스템 구성요소를 정교화하고 검증할 수 있도록 할 수 있습니다.
많은 경우에 하나의 AI 모델은 두 활용 사례에 모두 활용될 수 있습니다. 또 다른 옵션은 Simulink를 ML(머신러닝)의 한 분야인 강화 학습을 위한 역동적인 환경으로 활용하는 것입니다.
임베디드 알고리즘 개발을 위한 모델 기반 설계에 AI를 통합하면 다음과 같은 작업을 할 수 있습니다.
- 하나의 알고리즘에 대해 여러 AI 모델로 실험 및 정확도와 기기에서의 성능 사이의 절충점을 빠르게 비교.
- 알고리즘의 AI 모델을 배포하기 전에 시스템 요구사항에 부합하는지 평가.
- 시뮬레이션된 환경에서 다른 모델들과 함께 AI 모델을 실행하여 시스템 통합 문제 발견.
- 하드웨어나 물리적 환경에서 실행하기가 어렵거나 비용이 많이 들거나 위험한 시나리오 테스트.
데이터 주도 차수 축소 모델링에 AI를 사용하면 다음과 같은 작업이 가능합니다.
- 느린 고충실도 모델 시뮬레이션의 속도 향상.
- 설계 공정 초기에 AI 기반 차수 축소 모델을 사용한 설계 가속화 및 설계 공정 후기에 고충실도 시뮬레이션 모델을 사용한 결과 검증.
- 완전한 시스템 하드웨어 없이 제어기 설계를 검증하여 HIL(Hardware-in-the-Loop) 테스트 수행.
- 경계 조건 탐색, 설계에 대한 반복, 대안 평가 등에 더 많은 시간 할애.
이 사례에서의 팀은 폐루프 파워트레인 제어의 AI 기반 제어기를 개발했습니다.
폐루프 파워트레인 제어의 강화 학습 제어기. (이미지 출처: Vitesco Technologies)
이 사례에서의 팀은 라이프사이클 비용을 절감하고 준비 정도를 개선하기 위해 전체 비행기의 Simulink 모델을 개발했습니다. 이 모델은 항공기 성능 및 정비 가동 중단 시간의 정확한 예측에 의존합니다. 이 팀은 항공기의 고충실도 Simulink 모델을 개발한 후 빠른 분석을 위해 Simulink 모델의 출력 데이터를 사용하여 다양한 시나리오에 걸쳐 AI 모델을 훈련시켰습니다.
비행 준비 중인 비행기. (이미지 출처: Lockheed Martin)
이 사례에서의 팀은 동적 셰이커 장비를 만들어 레이싱카 팀이 경주 전, 트랙 특정 조절을 통해 경주 성능을 향상시킬 수 있도록 할 수 있었습니다. AI 모델은 셰이커 기기 성능을 시뮬레이션하기 위해 사용된 복잡한 가상 모델의 일부입니다.
동적 셰이커 장비를 통해 팀은 경주 전 성능 조정을 할 수 있습니다. (이미지 출처: Penske Technology Group)
이 사례에서의 팀은 AI를 사용해 자동으로 간질 환자의 비디오 데이터에서 발작을 검출하는 알고리즘을 개발했습니다. 의사들은 통상적으로 뇌전도 및 시각적 단서를 사용하여 환자들을 모니터링하는데 이런 접근법은 노동 집약적이며 환자 입장에서는 불편합니다.
"우리는 직원을 늘리지 않고도 세 배 이상의 환자를 돌볼 수 있을 것으로 보고 있습니다. 이 새로운 기법이 홈 모니터링에 사용이 된다면 높은 병원 입원 및 임상적 관찰 비용이 줄어들어 비용을 더 절감할 수 있을 것입니다."
비디오를 통한 간질발작 검출. (이미지 출처: Dutch Epilepsy Clinics Foundation)
로봇 용접 등 로보틱 시스템을 사용한 스마트 제조를 지원하기 위해 이 팀은 용접해야 할 부분의 위치 및 방향을 추정하는 AI 알고리즘을 개발했습니다. 이 알고리즘은 다른 알고리즘과 함께 시뮬레이션에서 사용되어 로보틱 시스템의 디지털 트윈을 생성하였습니다.
디지털 트윈은 로봇 용접 시스템의 설계, 구축 및 검증 작업을 돕습니다. (이미지 출처: Hong Kong Applied Science and Technology Research Institute)
"MBSE 디지털 트윈 접근법은 통합 시간을 40%, 개발 시간을 30% 감소시켰습니다.
이 사례에서 AI 모델은 연료전지 시스템에 대한 전력 수요를 예측합니다. 이 팀은 이와 기타 알고리즘을 함께 사용해 차세대 연료 시스템의 시스템 수준 시뮬레이션을 구축했습니다.
"우리는 우리의 아이디어를 시뮬레이션하고 오류 또는 비효율성을 찾아 시스템에서 알고리즘을 테스트하기 전에 이를 수정할 수 있습니다. 다시 말하면 MathWorks의 툴로 인해 우리는 예방 조치를 취할 수 있게 되었습니다."
연료전지 시스템. (이미지 출처: Plug Power)
이 사례에서의 팀은 스마트 전기 트랙터의 내비게이션 및 농장 관리 의사결정을 위해 온보드 카메라 및 센서 데이터를 분석하기 위해 AI를 사용하였습니다.
"우리는 모빌리티, 에너지, 유압, 기계 전력을 사용하는데 이런 매우 복잡한 시스템이 있는 경우 현장 내 테스트 또는 시뮬레이션 테스트만 수행하기란 힘듭니다. 우리는 이 모든 시스템이 동기화되기를 원했습니다."
운전자 불필요 스마트 전기 트랙터. (이미지 출처: Monarch Tractor)
이 사례에서의 팀은 통신 시스템에서 디지털 전치왜곡을 구현하는 신경망을 생성하고 훈련시켰습니다. 그들은 배포 전에 전체적인 시스템 성능을 이해하기 위해 시스템의 아날로그 부분으로 알고리즘을 시뮬레이션했습니다.
신경망 기반 DPD(디지털 전치왜곡)를 적용하여 PA(전력 증폭기)에서 비선형성의 효과를 상쇄할 수 있습니다.
