[논문 리뷰] Data-Driven Aerospace Engineering: Reframing the Industry with Machine Learning

Steven L. Brunton, J. Nathan Kutz외 10명|arXiv (Cornell University)|2020. 08. 24.

Radiative Heat Transfer Studies인용 수 5

한 줄 요약

이 논문은 기계 학습을 활용한 항공우주 공학의 데이터 기반 전환을 제안하며, 안전이 핵심인 응용 분야에서 해석 가능하고 일반화 가능하며 인증 가능한 모델의 중요성을 강조한다. 이는 물리 기반 기계 학습과 산업용 데이터 파이프라인을 통합한 프레임워크를 제시하여 설계, 제조 및 인증 과정을 향상시키며, 기계 학습이 전통적인 공학을 대체하는 것이 아니라 보완할 수 있음을 입증한다. 또한 실제 항공우주 시스템에서의 규제 및 확장성 문제를 해결한다.

ABSTRACT

Data science, and machine learning in particular, is rapidly transforming the scientific and industrial landscapes. The aerospace industry is poised to capitalize on big data and machine learning, which excels at solving the types of multi-objective, constrained optimization problems that arise in aircraft design and manufacturing. Indeed, emerging methods in machine learning may be thought of as data-driven optimization techniques that are ideal for high-dimensional, non-convex, and constrained, multi-objective optimization problems, and that improve with increasing volumes of data. In this review, we will explore the opportunities and challenges of integrating data-driven science and engineering into the aerospace industry. Importantly, we will focus on the critical need for interpretable, generalizeable, explainable, and certifiable machine learning techniques for safety-critical applications. This review will include a retrospective, an assessment of the current state-of-the-art, and a roadmap looking forward. Recent algorithmic and technological trends will be explored in the context of critical challenges in aerospace design, manufacturing, verification, validation, and services. In addition, we will explore this landscape through several case studies in the aerospace industry. This document is the result of close collaboration between UW and Boeing to summarize past efforts and outline future opportunities.

연구 동기 및 목표

• 복잡하고 다목적이며 제약 조건이 많은 최적화 문제들이 널리 퍼져 있는 항공우주 공학 분야에서 데이터 기반 방법의 증가하는 필요성을 해결하기 위해.
• 기계 학습을 안전이 핵심인 항공우주 시스템에 구현할 때의 주요 과제, 즉 해석 가능성, 일반화 능력 및 규제 준수 문제를 식별하고 극복하기 위해.
• 설계, 제조 및 운용 중인 시스템에서의 실제 데이터를 활용하여 기계 학습 분야의 학술적 진전과 항공우주 분야의 산업 응용 간 격차를 메우기 위해.
• 다학제 팀에서 도메인 전문 지식과 데이터 과학 능력을 융합한 새로운 항공우주 R&D 패러다임을 제안하기 위해.
• 기존 및 발전 중인 규제 프레임워크 하에서 신뢰성, 추적 가능성 및 인증을 보장하는 항공우주 분야에 기계 학습을 도입하기 위한 로드맵을 제시하기 위해.

제안 방법

• 물리 기반 모델과 데이터 기반 기계 학습을 융합하여 고차원적이고 비凸인 최적화 문제에서 정확도와 신뢰성을 향상시키는 하이브리드 시스템을 구축한다.
• 희소성과 강건성을 확보한 기계 학습 알고리즘을 적용하여 실시간으로 대량의 다중 모odal 항공우주 데이터 스트림에서 핵심 특징을 추출함으로써 데이터 빚을 줄이고 엣지 컴퓨팅을 가능하게 한다.
• 특히 비결정적 행동을 보이는 시스템에서 규제 인증을 지원하기 위해 모델의 해석 가능성과 설명 가능성에 기반한 프레임워크를 제안한다.
• 波音과 워싱턴 대학교의 사례 연구를 활용하여 항공기 설계, 제조 및 운용 중 모니터링 분야에서 기계 학습의 실용적 구현을 입증한다.
• 특히 결정론적 검증이 부족한 시스템에서 안전 규정 준수를 지원하기 위해 통계적 및 확률적 모델의 활용을 강조한다.
• 기존 시스템의 운영을 방해하지 않으면서도 지속적인 분석을 지원하는 통합적이고 보안이 강화되며 실시간인 데이터 아키텍처로 데이터 사일로를 탈피할 것을 주장한다.

실험 결과

연구 질문

• RQ1 기계 학습이 설계, 제조 및 인증 과정에 안전성과 신뢰성을 유지하면서 효과적으로 통합될 수 있는 방법은 무엇인가?
• RQ2 기계 학습 기반의 해석 가능하고 인증 가능한 모델을 안전이 핵심인 항공우주 시스템에 구현할 때의 주요 기술적 및 규제 과제는 무엇인가?
• RQ3 물리 기반 기계 학습 모델은 데이터가 부족한 항공우주 응용 분야에서 일반화 능력을 향상시키고 대규모 데이터 의존도를 줄이는 데 어떻게 기여할 수 있는가?
• RQ4 데이터 기반 항공우주 R&D에서 항공우주 엔지니어, 데이터 과학자, IT 전문가 간 원활한 협업을 가능하게 하기 위해 필요한 아키텍처적 및 조직적 변화는 무엇인가?
• RQ5 기존 인프라를 대체하거나 보안 및 제어를 훼손하지 않으면서도 레거시 항공우주 시스템에 실시간 데이터 분석을 어떻게 구현할 수 있는가?

주요 결과

• 특히 물리 기반 모델과 융합된 기계 학습 기법은 항공우주 공학에서 흔히 발생하는 고차원적이고 제약 조건이 있는 다목적 최적화 문제를 해결하는 데 강력한 접근법을 제공한다.
• 보잉 787은 비행 시험 과정에서 20만 개 이상의 센서 신호를 생성하고 항공전자장치에서 1,800만 줄의 코드를 포함하며, 기계 학습 응용에 활용 가능한 데이터의 규모를 보여준다.
• 엄청난 데이터 용량에도 불구하고 많은 항공우주 시스템은 여전히 레거시 데이터 저장 및 처리 파이프라인에 의존하여 실시간 분석 및 모델 배포를 방해하는 병목 현상에 시달리고 있다.
• 논문은 데이터 빚(더 많은 시간이 데이터 정제에 소요되는 현상)을 주요 위험 요소로 지목하며, 엣지 컴퓨팅과 특징 추출을 활용한 '스마트 데이터' 전략을 주장한다.
• 규제 준수 문제 여전히 핵심적인 장벽으로 남아 있으며, 현재 민간 항공 표준은 결정론적 원칙에 기반하여 설계되어 비결정적이고 데이터 기반 모델을 처리하기에 부적절하다.
• 특히 전통적인 결정론적 검증이 실패하는 상황에서 안전 핵심 시스템의 기계 학습 모델을 검증하기 위해 통계적 및 확률적 방법의 통합이 필수적이다.