[논문 리뷰] Data-Centric Engineering: integrating simulation, machine learning and statistics. Challenges and Opportunities

Indranil Pan, Lachlan Mason외 1명|arXiv (Cornell University)|2021. 11. 07.

Model Reduction and Neural Networks참고 문헌 86인용 수 5

한 줄 요약

이 논문은 공학 설계 및 운영을 향상시키기 위해 시뮬레이션, 머신러닝, 통계를 통합하는 데이터 중심 공학 프레임워크를 제안한다. 물리 기반 모델과 데이터 기반 AI를 융합함으로써 더 정확하고 해석 가능하며 효율적인 해결책을 가능하게 하며, 주요 기여는 하이브리드 모델링, 시뮬레이션 간 상호운용성, 산업 현장에서의 도입을 위한 인재 역량 강화이다.

ABSTRACT

Recent advances in machine learning, coupled with low-cost computation, availability of cheap streaming sensors, data storage and cloud technologies, has led to widespread multi-disciplinary research activity with significant interest and investment from commercial stakeholders. Mechanistic models, based on physical equations, and purely data-driven statistical approaches represent two ends of the modelling spectrum. New hybrid, data-centric engineering approaches, leveraging the best of both worlds and integrating both simulations and data, are emerging as a powerful tool with a transformative impact on the physical disciplines. We review the key research trends and application scenarios in the emerging field of integrating simulations, machine learning, and statistics. We highlight the opportunities that such an integrated vision can unlock and outline the key challenges holding back its realisation. We also discuss the bottlenecks in the translational aspects of the field and the long-term upskilling requirements of the existing workforce and future university graduates.

연구 동기 및 목표

• 순수한 데이터 기반 머신러닝의 한계를 극복하기 위해 도메인 특화 물리 모델을 통합함으로써 공학 분야의 문제를 해결한다.
• 딥러닝의 투명성 부족과 데이터 집약적 성향을 하이브리드 시뮬레이션-ML 접근 방식을 통해 극복한다.
• 통합된 데이터, 시뮬레이션, AI 워크플로우를 통해 더 빠르고 신뢰할 수 있는 공학 설계 및 운영을 가능하게 한다.
• 사용자 친화적인 소프트웨어 스택과 전문가 및 미래 공학도를 위한 역량 강화 경로를 개발함으로써 산업 현장에서의 도입을 촉진한다.
• 데이터 중심 공학 파이프라인 내에서 다양한 시뮬레이션 툴을 즉시 통합할 수 있도록 표준화되고 확장 가능한 생태계(SimOps)를 구축한다.

제안 방법

• 기계적 시뮬레이션과 데이터 기반 머신러닝을 융합하는 하이브리드 모델링 패러다임을 제안하여 예측 정확도와 해석 가능성을 향상시킨다.
• SimOps—표준화되고 클라우드 네이티브인 소프트웨어 계층을 도입하여 다양한 시뮬레이션 툴과 데이터 파이프라인 간의 상호운용성을 보장한다.
• 고성능 컴퓨팅(HPC), GPU, 저비용 센서를 활용하여 실시간 공학 응용을 위한 시뮬레이션 및 데이터 처리의 스케일링을 실현한다.
• 통계적 방법을 머신러닝과 융합하여 불확실성 측정, 모델 검증, 위험 기반 의사결정 지원을 가능하게 한다.
• 버전 관리 및 감사 가능한 시뮬레이션 환경을 개발하여 협업, 재현성, 지식 공유를 지원한다.
• TensorFlow 및 Keras와 유사한 개방형 모듈러 소프트웨어 스택을 통해 민주화를 추구하여 보다 넓은 접근성과 빠른 구현을 가능하게 한다.

실험 결과

연구 질문

• RQ1 물리 기반 시뮬레이션과 데이터 기반 머신러닝은 어떻게 효과적으로 통합되어 공학 모델의 정확도와 해석 가능성을 향상시킬 수 있는가?
• RQ2 산업 및 학술 분야 전반에서 데이터 중심 공학을 확장하는 데 있어 핵심적인 기술적 및 조직적 과제는 무엇인가?
• RQ3 SimOps 프레임워크를 통해 시뮬레이션 툴은 어떻게 표준화되고 상호 연결되어 데이터 중심 워크플로우에서 즉시 통합이 가능한가?
• RQ4 현행 및 미래의 공학도들이 데이터 중심 공학 실천에 대비하기 위해 필요한 역량 강화 및 커리큘럼 개편은 무엇인가?
• RQ5 하이브리드 시뮬레이션-ML 접근 방식이 공학 설계 속도, 운영 효율성, 의사결정 품질에 미치는 측정 가능한 영향은 무엇인가?

주요 결과

• 하이브리드 데이터 중심 공학 접근 방식은 물리 법칙을 데이터 기반 시스템에 통합함으로써 모델 신뢰성 향상을 크게 개선하여 대규모 레이블링 데이터셋에 대한 의존도를 감소시킨다.
• SimOps 프레임워크는 다양한 시뮬레이션 툴을 표준화된 클라우드 기반 방식으로 통합함으로써 협업, 버전 제어, 재현성을 향상시킨다.
• 다른 강력한 기술 잠재력에도 불구하고, 산업 현장에서의 데이터 중심 공학 도입은 소프트웨어 상호운용성 부족, 인재 역량 부족, ROI 명확성 부족으로 인해 제한된다.
• 현재의 딥러닝 모델은 여전히 계산 및 환경적으로 비용이 높아, 데이터가 부족한 공학적 맥락에서는 하이브리드 접근 방식이 더 지속 가능하고 확장 가능하다.
• 시뮬레이션, 머신러닝, 통계의 융합은 더 빠른 제품 프로토타이핑, 실시간 '가정 기반' 시나리오 분석, 운영 환경에서의 고장 예측 향상에 기여한다.
• 장기적인 성공은 시뮬레이션, 데이터 과학, AI에 능숙한 공학자를 처음부터 양성하기 위한 커리큘럼 개편과 역량 강화에 달려 있다.