이 포스팅은 Altair의 Joe Pajot이 알테어 커뮤니티에 작성한 글입니다.
알테어 커뮤니티에 가입하여 엔지니어링 및 데이터 과학이 어떻게 계속 발전할 것인지에 대한 생각을 공유해보세요.
머신러닝과 인공 지능은 일상 생활에서 점점 많이 적용되고 있으며, 어디에서든 이 용어들을 볼 수 있을 만큼 보편화 되었습니다.
시뮬레이션 세계의 엔지니어로서 이러한 기술이 일상 업무에 어떻게 통합되는지 궁금하지 않으신가요? Altair Knowledge Works와 같은 로우코드 또는 노코드 플랫폼은 진입 장벽을 낮춤으로써 점점 더 많은 청중이 데이터 과학 도구에 액세스할 수 있도록 합니다.
이러한 솔루션은 데이터 과학의 보편화에 큰 영향을 미치고 있긴 하지만, 여전히 추상적인 플롯, 차트 및 메트릭 모음에 익숙해져야 하는 것은 마찬가지입니다. Altair HyperWorks 2021의 Design Explorer 워크플로우는 시뮬레이션 된 물리학의 엔지니어 AI 통찰력을 일상 작업 환경으로 직접 가져오며, 원활히 통합되어 단 몇 번의 클릭만으로 직관적인 분석을 제공합니다.
CAE의 잠재력은 가상의 자동차를 충돌 시키거나 가상의 날개를 구부리는 테스트가 물리적 테스트보다 저렴하다는 것에 기반을 두고 있습니다. 물론 물리적 테스트를 통한 최종 검증은 여전히 필요하지만, 가상 설계 프로세스의 예상 결과를 확인할 때만 필요합니다. 지금까지 CAE는 주로 설계 개선의 시행 착오 프로세스로 사용되어 왔습니다. 최근에는 클라우드 환경을 포함한 확장 가능한 컴퓨팅 클러스터에서 이전에는 상상할 수 없었던 엄청난 규모의 시뮬레이션을 지원하고 있습니다. 머신러닝 기술은 방대한 양의 데이터를 검색하는 데 이상적인 도구입니다. 사용하기 쉬운 솔루션이려면 프로세스의 3가지 중요한 사항을 충족하며 사용자 친화적인 솔루션을 제공해야 합니다.
1 – 문제의 범위를 정의합니다. 입력 및 출력은 수동으로 정의하거나 자동으로 수집할 수 있습니다. 예를 들면 재료, 형상 또는 하중과 같은 기능이나 응력 또는 질량과 같은 핵심 성과 지표가 있습니다.
2- 가상 샘플을 수집합니다. 모든 데이터를 추적하려면 관리 시스템이 필요하며 데이터가 아직 존재하지 않는 경우 필요에 따라 데이터를 합성하기 위한 통합 시뮬레이션 및 데이터 관리 시스템이 필요합니다.
3- 시각적 설명을 제공합니다. 이 부분은 자연스러운 사용자 경험이 핵심입니다. 궁극적인 목표는 정보 디자인 분야의 선도적인 전문가인 Edward Tufte가 “생각이 아닌, 눈으로 보세요.”라고 표현했습니다.
Design Exploration 워크플로우는 3가지 요구 사항을 각각 충족합니다. 사용자 인터페이스의 전용 리본을 사용하면 사용자가 3D 모델을 직접 클릭하여 문제를 직관적으로 설정할 수 있습니다.
문제 범위가 제대로 제시되면 다음 단계는 시뮬레이션 및 데이터 수집을 관리하는 것입니다. 포괄적인 샘플링 전략을 만들고, 일련의 시뮬레이션을 실행하고, 진행중인 프로세스의 상태를 표시하는 것은 사용자 인터페이스 내에서 처리됩니다.
마지막으로, 사용자가 엔지니어링에 집중할 수 있도록 쉽게 해석 할 수 있는 분석을 제공합니다. 설계 성능에 대한 입력의 영향은 시각화를 돕기 위해 색상과 채도를 사용하여 모델에 직접 표시됩니다.
2021년의 새로운 기능은 설계 변경의 영향을 실시간으로 시각화하기 위한 전체 시뮬레이션 예측을 도입한 것입니다. 이 최첨단 AI는 가상 데이터에서 학습하여 코딩이나 매개 변수 조정없이 즉각적인 통찰력을 제공합니다. 이것이 바로 모든 사용자를 위한 진정한 자동 머신러닝입니다.
이러한 예는 알테어가 엔지니어링 데이터 과학이라고 부르는 것의 시작에 불과합니다. 앞으로도 미래에 대한 더 많은 내용들을 소개해드리겠습니다. #onlyforward
감사합니다.
한국알테어
