물리 AI로 바뀌는 항공기 설계, 스탠퍼드 알론소 교수가 말하는 속도 혁신과 인증의 벽

핵심 메시지

• 전통적인 전산 유체 시뮬레이션은 12시간이 걸리고 GPU 기반 고정밀 방식으로도 10분이 필요하지만, 물리 AI 모델은 같은 계산을 1초 이내로 줄인다고 알론소 교수는 말한다.
• 이 도약을 만든 것은 알고리즘보다 데이터다. 시뮬레이션으로 합성 데이터를 대규모로 생성할 수 있게 되면서 학습 규모가 수천 건에서 수십만, 수백만 건으로 커졌다.
• 합성 데이터만으로는 현실과의 간극이 남는다. 항공기 전체 운용 범위의 약 90%는 합성 데이터로, 나머지 10%는 실제 비행 시험 데이터로 채우는 조합이 제시된다.
• 가장 큰 장벽은 기술이 아니라 인증이다. AI 기반 시뮬레이션에 근거한 설계가 비행 시험만큼 믿을 만하다는 것을 미국 FAA와 유럽 EASA에 설득해야 한다.
• 알론소 교수는 이 도구들이 앞으로 5~10년간은 사람을 대체하는 것이 아니라 설계자의 능력을 크게 키우는 보조 수단에 머물 것이라고 본다.

쉽게 이해하기

스탠퍼드대 항공우주공학과 교수이자 루미너리 AI의 공동창업자인 후안 알론소는 자신이 하는 일을 '물리 AI'라고 부른다. 대형 언어 모델이 인터넷의 텍스트와 이미지를 학습해 새로운 정보를 만들어 내듯, 물리 세계에 대해 같은 일을 하려는 시도다. 전기차 주변을 흐르는 공기, 제트 엔진 내부의 열전달처럼 지금까지 오래 걸리는 계산에 의존해 온 문제들이 대상이다.

속도 차이가 이야기의 핵심이다. 전통적인 전산 유체 시뮬레이션이 12시간 걸리던 계산을 GPU 기반 고정밀 방식은 약 10분으로 줄였고, 물리 AI 모델은 여기서 한 자릿수 이상을 더 줄여 1초 이내로 끝낸다고 그는 설명한다. 적용 대상도 항공기와 자동차에 그치지 않는다. 풍력 터빈, 인공 심장, 각종 공정 산업처럼 설계 검증에 며칠씩 걸리던 분야가 모두 후보다.

회의적인 엔지니어를 어떻게 설득하느냐는 질문에 그는 자신도 놀랐다고 답한다. 15년간 이 주제를 연구해 왔지만 최근 2~3년의 진전 속도는 예상 밖이었고, 그 원동력은 시뮬레이션으로 합성 데이터를 전례 없는 규모로 만들어 낼 수 있게 된 것이다. 수천 건으로 학습하던 모델이 이제 수십만, 수백만 건으로 학습되면서 훈련 대상 밖의 영역까지 일반화되기 시작했다.

다만 합성 데이터가 세계를 완벽히 재현하지는 못한다. 그래서 시뮬레이션이 잘 맞지 않는 구간을 실제 운용 데이터로 메우는 조합이 필요하다. 예컨대 전 세계를 나는 제트 엔진마다 150개쯤 달린 센서에서 모인 데이터를 시뮬레이션과 함께 학습에 쓰는 식이다. 항공기 운용 범위 전체를 놓고 보면 대략 90%는 합성 데이터로, 10%는 실제 비행 시험 데이터로 채우는 것이 현실적인 비율이라고 그는 말한다.

기술만큼 중요한 것이 규제다. 상업 항공기는 모두 안전 인증을 받아야 하고 그 기준은 대단히 높다. 시뮬레이션이나 AI 기반 계산만으로 설계를 결정하려면, 그 근거 데이터가 비행 시험만큼 믿을 만하다는 것을 FAA와 EASA에 납득시켜야 한다. 알론소 교수는 이를 '해석에 의한 인증'이라 부르며 지난 15년간 상당한 작업이 진행돼 왔다고 전한다. 이것이 풀리면 개발 비용과 기간이 크게 줄고, 새 기술이 더 빨리 실제 기체에 들어갈 수 있다.

인터뷰는 환경과 미래 기체 설계로 이어진다. 연료를 1kg 태울 때마다 이산화탄소를 비롯한 오염물질이 나오므로, 설계 초기 단계에서 훨씬 넓은 대안을 검토할 수 있으면 환경 성능에서 큰 도약이 가능해진다. 수소는 질량 기준 에너지 밀도가 항공유보다 낫지만 부피가 커서 날개 안에 연료를 담는 기존 구조로는 감당이 안 되고, 그래서 블렌디드 윙 보디 같은 다른 형태를 검토해야 한다. 기술 자체는 5~10년이면 가능하다고 보지만 공항마다 수소를 공급할 기반 시설은 훨씬 오래 걸릴 것이라는 전망이다.

마지막 질문은 사람의 자리에 대한 것이다. 알론소 교수는 사람이 1년에 세 가지 설계를 시험해 보던 것을 하루에 30만 가지로 바꾸는 것이 이 기술이라며, 그럼에도 설계 문제를 정의하는 일은 여전히 사람의 몫이라고 답한다. 항공기는 온갖 고도와 비정상 상황에서 작동해야 하고, 시뮬레이션으로 표현되지 않는 측면도 남아 있다. 그는 앞으로 5~10년간 이 도구들이 설계자를 대체하기보다 능력을 크게 확장하는 역할에 머물 것으로 본다.

주요 인사이트

• 물리 AI의 병목이 알고리즘이 아니라 데이터였다는 진단이 핵심이다. 텍스트와 이미지는 전 세계 사용자가 사실상 대신 만들어 줬지만, 물리 데이터는 그렇지 않았고 시뮬레이션이 그 공백을 메우기 시작했다.
• 속도가 100배 빨라지면 같은 일을 빨리 하는 것이 아니라 다른 일을 하게 된다. 한 가지 설계를 검증하던 작업이 수십만 가지 후보를 탐색하는 생성적 설계로 성격 자체가 바뀐다.
• 보수적인 설계 관행의 이유가 위험 회피였다는 점도 짚어 볼 만하다. 기존 기체를 조금 고치면 위험은 작지만 개선도 작다. 예측 정확도가 올라가면 급진적인 설계를 시도할 때의 위험이 줄어든다.
• 인증 규제가 병목이라는 지적은 다른 안전 필수 분야에도 그대로 적용된다. 모델이 잘 작동한다는 것과 규제 기관이 그 근거를 받아들이는 것은 전혀 다른 문제다.
• 수소 항공기를 두고 '기술은 5~10년, 기반 시설은 그 이상'이라고 나눠 말한 대목은 신기술 전망을 읽을 때 참고할 만한 구분이다. 실제로 대형 제작사들이 2035년 목표를 최근 철회했다는 언급도 나온다.

자주 묻는 질문

관련 AI 소식