다이슨(Dyson)은 최적의 물청소 솔루션을 개발하기 위해 새로운 접근 방식이 필요하다는 연구 결과를 도출했다. 그 결과물이 바로 수세기의 역사를 지닌 가정용 청소 도구인 대걸레를 재해석한 청소기 ‘다이슨 워시G1(Dyson WashG1)’이다. 다이슨 엔지니어들은 이 제품을 개발하기 위해 항공우주 산업 등 복잡한 시스템 설계에 쓰이는 엔지니어링 방법론을 일상 제품에 적용했다. 기존 제품의 개선 버전을 개발할 때는 효과적이었던 다이슨의 문서 기반 워크플로가 완전히 새로운 제품군을 만드는 데는 적합하지 않았기 때문이다. 이에 다이슨의 첨단 제어 시스템 수석 엔지니어인 로맹 기셰르(Romain Guicherd)는 팀을 설득해 모델 기반 설계(model-based design : MBD)를 도입했다. 모델 기반 설계란 시스템 레벨 시뮬레이션 모델을 활용해 시스템 개발 방식을 개선하는 방법론이다. 이를 통해 개발 워크플로를 가속화하고, 테스트를 위한 보다 강건한 코드를 구현할 수 있었다.   모델 기반 설계로 바꾼 제품 개발 방식 다이슨은 진공청소기 등 기존 제품 라인업의 신제품을 개발할 때, 팀 간 요구사항의 전달에서 서면으로 된 문서 기반 방식을 사용해 왔다. 이러한 방식은 이전의 설계 및 임베디드 소프트웨어를 참고하고 반복 개선할 수 있어, 이미 안정화된 기존 제품군 개발에 적합한 방식이다. 그러나 완전히 새로운 제품군을 개발하는 과정에서는 이러한 문서 전달 방식이 오히려 혼선을 초래할 수 있었다. 문서로 작성된 설계 사양은 엔지니어마다 요구사항을 다르게 해석할 가능성이 있기 때문이다. 새로운 제품군 개발은 팀 간 오해를 줄이고 보다 원활한 협업을 가능하게 하는 새로운 개발 방식을 모색하게 하는 계기가 됐다.    ▲ 다이슨 워시G1은 습식 오염과 건식 이물질을 모두 제거한다.   다이슨은 모델 기반 설계가 새로운 기능과 설계 방향을 탐색하는 데 적합한 개발 방식이라고 봤다. 개발 초기에는 다양한 개념과 방향을 동시에 검토해야 했는데, 시뮬링크(Simulink) 기반의 모델 기반 설계를 도입한 덕분에 팀은 기존 문서 기반 프로세스 대비 두 배 빠르게 새로운 아이디어를 구현할 수 있었다. 워시G1의 핵심 세척 방식은 촘촘한 마이크로파이버 천으로 감싼 역방향 회전 롤러를 탑재한 세척 헤드를 중심으로 구성된다. 습식 오염과 건식 이물질을 분리하기 위해 보조 롤러가 고체 이물질을 트레이에 모으고, 트레이 바닥의 메시 필터를 통해 액체가 오수 탱크로 흘러내려가는 구조다. 기셰르의 팀은 이 모든 기능을 구현하고 다양한 상황에 대응하기 위해, 상호작용하는 시스템 구성요소의 시뮬레이션을 용이하게 하고 설계부터 코드 생성, 소프트웨어 테스트까지 전 과정을 아우르는 툴이 필요했다. 팀은 세척 롤러 제어 장치 개발을 위해 심스케이프 일렉트리컬(Simscape Electrical)로 폼 롤러 모터와 모터 드라이브를 모델링했다. 또한 스테이트플로(Stateflow)를 활용해 청소기에 탑재된 두 개의 펌프, 즉 깨끗한 물로 롤러에 수분을 공급하는 펌프와 오수를 배출하는 펌프의 스케줄링과 제어 로직을 설계했다. 제품의 자동 세척 메커니즘 구현에도 스테이트플로가 활용됐다. 워시G1의 세척 성능을 구현하기 위해서는 단계별로 선택 가능한 수분 공급 수준과 각 단계의 세밀한 민감도 조정이 모두 뒷받침돼야 했다. 다양한 설정 값과 세척 부하 변화에 대응하려면 정밀한 전압 제어가 필수였다. 팀은 시뮬링크 모델로 매개변수를 조정하고 다양한 값을 반복 테스트하며 모터 전압 제어 로직을 빠르게 최적화했다. 실제 프로토타입을 제작하지 않고도 시뮬레이션만으로 설계 변경의 영향을 사전에 파악할 수 있었다는 점도 개발 효율을 높이는 데 크게 기여했다.   ▲ 심스케이프로 모델링된 다이슨의 롤러 기술   다이슨은 요구사항 툴박스(Requirements Toolbox)를 활용해 요구사항을 시뮬링크 모델에 연결함으로써 각 요구사항이 제품 기능으로 어떻게 구현되는지 확인할 수 있었다. 요구사항 툴박스(Requirements Toolbox)를 사용하기 전에는 하드웨어 테스트 단계에 이르러서야 요구사항의 오류를 발견할 수 있었다. 하지만 요구사항을 모델에 연결한 이후로는 각 요구사항의 구현 방식과 요구사항 간 상호 관계를 사전에 명확히 파악할 수 있게 됐다.   시스템 시뮬레이션이 설계에 가져온 변화 시뮬링크와 심스케이프를 활용한 모델 기반 설계는 보다 체계적인 개발 접근 방식을 가능하게 했고, 다이슨이 프로토타입을 제작하고 테스트하기에 앞서 다양한 유형의 인더루프(in-the-loop) 테스트를 수행할 수 있도록 하였다. 모델 기반 설계 덕분에 엔지니어는 멀티도메인 모델링을 수행하고 타 팀과 긴밀하게 협업할 수 있었다. 일례로 기셰르의 팀은 배터리 셀 및 배터리 관리 시스템 팀의 데이터를 활용해 정밀한 4셀 배터리팩 모델을 구축했다. 또한 전자팀과 협력해 심스케이프 일렉트리컬로 전력전자 하드웨어의 동작을 모델링하고 시뮬레이션했다. 시뮬링크를 통한 시스템 레벨 시뮬레이션은 더 많은 설계 옵션을 검토하고 트레이드오프를 비교할 수 있는 환경을 만들어줬다. 그 결과 팀은 프로젝트의 설계 단계에 더 많은 시간을 투자할 수 있었고, 설계 오류와 통합 문제를 수정하기 훨씬 쉽고 비용도 적게 드는 초기 단계에서 발견할 수 있었다.   소프트웨어 아키텍처와 임베디드 코드 개발 이후 프로젝트에서 팀은 소프트웨어 아키텍처 개발을 위해 시스템 컴포저(System Composer)를 추가로 도입했다. 시스템 컴포저를 통해 제품팀과 소프트웨어팀은 소프트웨어 인터페이스와 스케줄링을 함께 개발하고 다양한 시나리오를 모델링할 수 있었다. 또한 대규모 모델을 논리적 단위로 구조화해 병합 충돌 없이 원활한 팀 간 협업이 가능해졌다. 시뮬링크 모델은 제품 동작을 시각적으로 표현함으로써 개발 전 과정에 걸쳐 팀원 간의 협업을 촉진했다. 제어 시스템 모델에서는 C 코드가 생성됐다. 팀은 모델을 수정하고 일부 구간에 주석을 달거나 새로운 블록을 추가하는 방식으로 소프트웨어 엔지니어에게 청소기의 새로운 동작을 보여줬다. RCP(Rapid Control Prototyping)를 활용하면 코드를 빠르게 생성하고, 다음 날 바로 실험실에서 제품의 동작을 확인할 수 있었다. 팀은 직접 코딩 대신 임베디드 코더(Embedded Coder)로 시뮬링크 모델에서 C 코드를 자동 생성했고, 소프트웨어팀은 이를 NXP 마이크로컨트롤러의 메인 코드에 통합했다. 임베디드 코더 도입 이후 소프트웨어 릴리스 주기는 기존 약 10주에서 9일로 단축됐다. 초기에는 실험실 환경에서의 동작 구현에 집중하였기 때문에 모델과 코드 생성을 핵심으로 삼았지만, 곧 모델과 코드, 테스트, 커버리지가 함께 어우러질 때 제품 완성도가 한층 높아진다는 사실을 확인했다.   테스트 효율을 높인 모델 기반 개발 팀은 이전 제품 개발 때보다 설계 개선에 더 많은 시간을 쏟았다. 시뮬링크를 통해 시뮬레이션 중 발생한 오류를 신속하게 수정할 수 있었고, 그 효과는 테스트 단계에서 그대로 나타났다. 이 테스트 단계는 과거보다 훨씬 단순하고 빨라졌으며, 팀의 개발 시간과 노력을 절감하는 데 기여했다. 모델에서 정상 작동하도록 설계한 것은 실제 제품에 적용해도 동일하게 구현됐고, 이는 무결점 제품 출시로 이어졌다. 워시G1의 모델 기반 설계와 코드 자동 생성이 성공을 거두면서, 초기에 회의적이었던 소프트웨어팀의 시각도 달라졌다. 자동 생성 코드가 내부 표준 준수와 실행 효율성을 담보할 수 있을지 우려하던 소프트웨어팀은 이제 코드에 대한 확신을 갖게 됐다. 현재 소프트웨어팀은 하드웨어팀과 협력해 자동 생성 코드의 API를 함께 정의하고 있으며, 모델 기반 설계에 시뮬링크를 활용하면서 유연성과 개발 속도 모두를 향상시켰다. 이제는 소프트웨어팀이 먼저 나서서 동일한 프로세스를 다른 제품에도 적용해 달라고 요청할 만큼, 프로젝트 복잡도가 높아질수록 모델 기반 설계의 가치는 더욱 분명해지고 있다. 다이슨 팀은 향후 워시G1 후속 모델 개발 시 기존 모델의 구성 요소를 재사용할 수 있다. 또한 이번 모델 기반 설계 방법론의 성공 사례는 사내 다른 부서에서도 주목받고 있다. 헤어 케어 제품과 다른 플로어 케어 제품군에도 이를 적용하는 방안이 검토되고 있어, 다이슨 내 추가 혁신 가능성을 넓히고 있다.   ■ 이웅재 | 매스웍스코리아 이사

매스웍스는 국내 대학생들의 인공지능(AI) 실무 역량 강화를 지원하는 ‘제5회 매트랩(MATLAB) 대학생 AI 경진대회’ 시상식을 개최했다. 이번 대회는 국내 대학생의 실용적인 AI 역량 강화에 중점을 두었다. 수상팀은 드론 추적, 로봇 제어, 이상 탐지 등 산업과 실생활의 다양한 문제 해결을 목표로 한 프로젝트를 출품하면서 최신 AI 기술의 실질적 응용 가능성을 보여주었다. 2021년부터 개최되어 5회째를 맞이한 ‘매트랩 대학생 AI 경진대회’는 대학생들이 매트랩(MATLAB)과 시뮬링크(Simulink)를 활용해 창의적이고 실용적인 AI 설루션을 구현할 수 있도록 지원해왔다. 올해 대회 참가자들은 강화학습, 합성곱 신경망(CNN), 장단기 메모리(LSTM), 어텐션(Attention) 메커니즘 등 다양한 AI 기술을 접목해 사회적, 산업적 문제 해결 프로젝트를 선보였다. 프로젝트로는 강화학습 기반 제어기 설계, 생체 신호 기반 드론 제어, 산업용 이상 탐지, 배터리 성능 예측 등 실질적 응용 사례가 출품되었다. 또한 딥러닝 모델링 및 학습 과정에 활용되는 대표적 툴인 딥러닝 툴박스(Deep Learning Toolbox)뿐만 아니라 병렬 컴퓨팅 툴박스(Parallel Computing Toolbox), 심스케이프 멀티바디(Simscape Multibody), 시뮬링크 3D 애니메이션(Simulink 3D Animation) 등 고급 툴까지 활용되었다. 참가자들은 데이터 전처리부터 모델링, 배포까지 AI 워크플로 전반을 구현해 매스웍스가 강조하는 엔지니어드 시스템(Engineered Systems)의 비전을 보여주었으며, 실제 하드웨어 연동, 실시간 데이터 처리, 시뮬레이션, GUI 개발 등을 통해 높은 완성도와 응용력을 입증했다.     국립부경대학교 에어펜스(AirFence) 팀은 레이더와 카메라 데이터를 결합해 드론 추적의 정확도를 높이는 AI 시스템을 개발해 1등을 차지했다. 이 팀은 데이터 증강, 네트워크 아키텍처 개선, 시계열 분석에 어텐션 매커니즘을 적용하는 등 다양한 시도를 통해 기술적 혁신성과 실용성을 동시에 입증했다. 심사위원단은 매트랩 기반의 전처리부터 하드웨어 구현까지 전 과정을 아우른 점을 높이 평가했다. 2등은 한양대학교 옥수수인턴즈 팀이 차지했다. 이들은 근전도(EMG) 신호 기반의 드론 제어 시스템을 개발해 소방 현장에서 활용 가능한 직관적 제어 방안을 제시했다. 시뮬링크와 앱 디자이너(App Designer)를 활용한 사용자 친화적 인터페이스와 실시간 제어 기능으로 인정받았다. 3등은 아주대학교 fhfr(for human for robot) 팀에게 돌아갔다. 이 팀은 3D 시뮬레이션 환경을 갖춘 강화학습 기반 로봇 제어 시스템을 앱디자이너를 사용하여 구현했다. 로봇이 실시간으로 장애물을 회피하고 경로를 최적화하는 시스템을 선보였으며, 특히 매트랩을 사이버보틱스(Cyberbotics) 등 제3자의 설루션과 연동하여 시스템 통합 역량을 입증한 점에서 호평을 받았다. 매스웍스코리아의 김경록 교육 기관 세일즈 매니저는 “학생들이 매트랩과 시뮬링크를 비롯한 다양한 매스웍스 툴을 활용해 사회적 가치를 창출하고, 글로벌 경쟁력을 확보할 수 있는 전문성을 강화한 점이 의미 있었다”면서, “이번 대회의 참가자들은 일상생활의 안전, 편의, 건강을 개선하는 실질적 AI 설루션부터 제조, 모빌리티, 에너지 분야에 적용 가능한 첨단 기술까지 폭넓게 제시했다”고 전했다.

디지털 트윈과 AI가 시뮬레이션과 현실의 간극을 메우다   제조 시설은 지속적인 문제에 직면해 있다. 정비 일정은 일반적으로 실제 마모와 관계없이 3개월마다 부품을 점검하고 6개월마다 구성 요소를 교체하는 등 엄격한 일정을 따른다. 그 결과 불필요한 점검과 교체로 인한 비효율적인 시간 낭비가 발생하고, 반대로 정비 일정 전에 부품이 고장 나는 일도 생긴다. 센트랄수펠렉-파리 사클레대학교(CentraleSupélec–Université Paris-Saclay)의 지궈 젠(Zhiguo Zeng) 교수와 그의 연구팀은 디지털 트윈 기술과 딥러닝을 결합한 혁신적인 접근 방식을 통해 이 문제를 해결하고 있다. 그들의 목표는 모든 중요 부품에 센서를 배치할 필요 없이 시스템 수준의 모니터링 데이터만으로 로봇 시스템의 구성요소 수준의 고장을 감지하는 것이다. 젠 교수는 “유지보수는 공장에서 매우 큰 문제”라면서, “기계에 유지보수가 필요한 시기를 미리 안다면 주문이 적은 시기에 수리 일정을 잡을 수 있어 생산성 손실을 최소화할 수 있다”고 말했다. 그는 신뢰성 공학과 수명 예측 분야에서 풍부한 경험을 갖고 있지만, 디지털 트윈 기술은 그의 이전 연구와는 결이 다른 새로운 영역이었다. 센트랄수펠렉의 안 바로스(Anne Barros) 교수와 페드로 로드리게스-아예르베(Pedro Rodriguez-Ayerbe) 교수가 주도하는 학제 간 프로젝트인 ‘미래의 산업(Industry of the future)’에 참여하면서, 그는 디지털 트윈이 어떻게 강력한 시뮬레이션 도구를 물리적 시스템에 실시간으로 직접 연결할 수 있는지 깨달았다. 젠 교수는 “디지털 트윈은 결함 진단에 매우 유용하다. 이를 실제 기계의 데이터에 연결하여 그 데이터로 모델을 개선할 수 있다”고 설명했다.  제조업, 자동차, 항공우주 및 기타 분야로 활용 영역이 확대되면서, 디지털 트윈은 인더스트리 4.0에서 유망한 기술 중 하나로 자리잡고 있다. 물리적 객체나 시스템의 가상 복제본인 디지털 트윈(digital twin)을 생성함으로써, 조직은 운영 현황과 유지보수 필요성을 명확하게 파악할 수 있다. 또한 디지털 트윈은 예측 유지 관리 시스템 개발의 어려운 측면 중 하나인 고장 데이터의 부족에 대한 해결책을 제시한다. 젠 교수는 “현실에서는 고장이 자주 발생하는 걸 보기는 어렵다. 그래서 이제는 시뮬레이션을 통해 고장 데이터를 만들어낸다”고 설명했다.   가상과 물리의 가교 역할 디지털 트윈 프로젝트는 물리적 시스템과 가상 시스템 간의 다양한 수준의 통합을 통해 구현 옵션을 제공한다. 젠 교수의 연구팀은 세 가지 서로 다른 수준의 디지털 표현으로 작업했다. 기본 수준에서 디지털 모델은 기존 시뮬레이션처럼 작동하며, 물리적 시스템과 데이터를 교환하지 않는 정적 모델로 오프라인에서 실행된다. 그다음 단계는 디지털 섀도로, 가상 모델이 물리적 시스템의 데이터를 받아 그 행동을 미러링하지만 제어하지는 않는다. 가장 발전된 구현은 데이터와 정보의 양방향 흐름을 갖춘 진정한 디지털 트윈이다. 여기서 모델은 관찰을 바탕으로 스스로 업데이트하고 물리적 시스템을 제어하는 실시간 결정을 내린다. 연구팀은 테스트용으로 ArmPi FPV 교육용 로봇을 선택했다. 이 로봇은 5개의 관절과 하나의 엔드이펙터로 구성되며, 6개의 서보 모터로 제어된다. 결함 진단의 기초가 될 만큼 정확한 디지털 트윈을 만드는 것은 어려운 일이었다. 또한 기존 모니터링 접근 방식의 한계를 해결해야 했다. 젠 교수는 “대부분의 산업 사례에서 베어링을 진단하려면 베어링 수준의 센서가 필요하며, 이는 쉽지 않은 일이다. 내부에 베어링이 있는 큰 기계를 상상해보면 센서를 설치하기 위해서는 기계를 분해해야 하는데 때로는 공간이 충분하지 않을 때도 있다”고 말했다.   그림 1. ArmPi FPV 교육용 로봇(출처 : 센트랄수펠렉)   그들의 접근 방식은 시스템 수준 데이터(로봇 엔드 이펙터의 이동 궤적)를 사용하여 구성 요소 수준의 오류(개별 모터 문제)를 진단하는 것이었다. 또한 디지털 트윈을 사용하여 관찰할 수 있는 것과 감지해야 할 것 사이의 격차를 해소하고자 했다. 연구팀은 시뮬링크(Simulink)와 심스케이프 멀티바디(Simscape Multibody)를 사용하여 디지털 트윈을 구축했으며, 구성요소와 시스템 수준 동작을 모두 나타내는 계층적 모델을 만들었다. 젠 교수는 “모든 것은 시뮬레이션 모델을 설계하는 것으로 시작한다. 동적 시스템과 그 제어기를 모델링하고 싶다면 시뮬링크는 매우 강력하다”고 말했다. 연구팀은 시뮬링크를 사용해 모터 제어기를 PID 제어기로 모델링하면서 실험적으로 조정한 게인 값을 활용했다. 또한, 시뮬링크의 시각화 기능을 적극적으로 활용해 시뮬레이션 데이터와 실제 로봇의 센서 데이터를 연동할 수 있는 인터페이스를 구축하고, 실시간 모니터링 환경을 구성하였다. ROS 툴박스(ROS Toolbox)는 로봇 하드웨어와의 연결에서 유용한 역할을 했다. 젠 교수는 “로봇 운영 체제(Robot Operating System : ROS)를 사용하려면 일반적으로 ROS와 파이썬(Python) 환경을 별도로 구성하고 모든 연결을 직접 처리해야 한다”면서, “ROS 툴박스를 사용하면 이런 설정이 자동으로 관리되기 때문에 많은 노력을 아낄 수 있다”고 설명했다. 연구팀은 AI 모델 학습을 위한 데이터 준비 과정에서는 두 가지 접근 방식을 시도하였다. 먼저, 로봇에 입력되는 모터 명령과 그에 따른 그리퍼(gripper)의 움직임 패턴과 같은 원시 계측값을 기반으로 데이터를 수집하였다. 이후에는 디지털 트윈을 활용한 방식을 도입하였다. 시뮬레이션을 통해 로봇이 명령에 따라 어떻게 움직여야 하는지를 예측하고, 이 결과를 실제 움직임과 비교함으로써 예상과 실제 간의 차이를 도출하였다. 이러한 차이는 미세한 고장을 감지하는 데 유용한 지표로 작용하였다.   그림 2. 심스케이프 멀티바디의 로봇 팔에 대한 시뮬링크 모델(출처 : 센트랄수펠렉)   연구팀은 딥 러닝 툴박스(Deep Learning Toolbox)를 사용하여 장단기 메모리(Long Short-Term Memory : LSTM) 신경망을 훈련하여 특정 실패를 나타내는 패턴을 식별했다. 모델 아키텍처에는 각각 100개의 숨겨진 단위가 있는 두 개의 LSTM 계층, 그 사이의 드롭아웃 계층 및 완전히 연결된 분류 계층이 포함된다. 연구팀은 매트랩 앱 디자이너(MATLAB App Designer)를 사용하여 각 모터의 위치, 전압 및 온도를 포함한 실시간 데이터를 수집하는 그래픽 사용자 인터페이스를 설계했다. 이 인터페이스를 통해 로봇의 상태를 모니터링하고 오류 진단 모델의 예측을 검증할 수 있었다. 이러한 통합 도구들이 원활하게 함께 작동하면서, 연구팀은 소프트웨어 호환성 문제와 씨름하기보다는 효율적으로 기술적 과제 해결에 집중할 수 있었다.   현실 격차에 도전하다 연구팀은 실제 로봇에서 훈련된 모델을 테스트했을 때 연구원들이 ‘현실 격차’라고 부르는 시뮬레이션과 현실 세계 간의 불일치에 직면했다. 결함 진단 모델은 시뮬레이션에서 98%의 정확도를 달성하여 모터 고장의 위치와 유형을 모두 정확하게 식별했지만, 실제 로봇에서 테스트했을 때 성능은 약 60%로 떨어졌다. 젠 교수는 “시뮬레이션이 현실과 일치하지 않는 이유를 분석하고 있다”고 말하며, “실제 세계를 시뮬레이션 상에서 표현할 때 고려하지 못한 요소들이 있다”고 설명했다. 젠 교수와 그의 연구팀은 통신 신뢰성 문제, 시뮬레이션에서 고려되지 않은 모터 노이즈, 제어 명령과 모니터링 활동 간의 동기화 문제 등 성능 격차에 기여하는 여러 요인을 확인했다.   그림 3. 정상 상태 오류에서 로봇 팔의 애니메이션 및 관련 혼동 매트릭스(출처 : 센트랄수펠렉)   이러한 과제는 디지털 트윈 애플리케이션의 광범위한 문제를 반영한다. 현실은 가장 정교한 시뮬레이션보다 더 복잡하다. 연구팀은 낙담하기보다는 실제 노이즈 패턴을 시뮬레이션 하는 모듈을 디지털 트윈에 추가하고 전이 학습에 도메인 적응 기술을 적용하는 등 이러한 격차를 해소하기 위한 방법을 개발했다. 젠 교수는 “디지털 트윈 모델을 개발할 때 보정 테스트를 하긴 하지만, 이 역시 통제된 환경에서 이루어진다”고 말했다. 이어서 “하지만 산업 현장에 모델을 실제로 적용하면 훨씬 더 많은 노이즈가 포함된 데이터를 접하게 된다. 이처럼 현실의 노이즈를 알고리즘 관점에서 어떻게 보정할 것인가는 매우 도전적인 연구 주제”라고 설명했다. 이러한 수정을 통해 연구팀은 실제 세계 정확도를 약 85%까지 개선했다. 이는 실용적 구현을 향한 중요한 진전이다.   소규모 실험실에서 스마트 공장으로 연구팀의 작업은 단일 로봇을 넘어서 확장되고 있다. 이들은 다수의 로봇이 협업하며 생산 라인을 구성하는 소규모 스마트 공장 환경을 구축하고 있으며, 이를 통해 고장 진단 알고리즘을 보다 실제에 가까운 조건에서 실험하고자 한다. 젠 교수는 “우리는 미니 스마트 공장을 구축하려고 한다”면서, “생산 설비와 유사한 환경을 만들어 로봇에 알고리즘을 적용해, 실제 생산 스케줄링에 통합될 수 있는지를 실험하고 있다”고 설명했다. 이러한 접근 방식은 교육적 효과도 크다. 센트랄수펠렉의 공학과 학생들은 수업과 프로젝트를 통해 디지털 트윈, 로보틱스, 머신러닝 기술을 실습 기반으로 학습하고 있다. 젠 교수는 “학생들이 처음부터 가상 공간에서 모델을 직접 설계하고 이를 점차 실제 로봇과 연결해가는 과정을 보면, 그들이 이 과정을 진심으로 즐기고 있다는 걸 알 수 있다”고 전했다. 이 연구는 제조업뿐 아니라 물류, 스마트 창고 등 다양한 산업 분야로의 확장이 가능하다. 예를 들어 스마트 창고에서는 로봇이 정해진 경로를 따라 이동하지만, 장애물이 나타나면 이를 인식하고 경로를 유동적으로 조정해야 한다.   그림 4. 여러 로봇이 소규모 스마트 공장 환경의 생산 라인에서 협력하여 작동한다.(출처 : 센트랄수펠렉)   젠 교수는 “스마트 창고에서 로봇은 사전 정의된 규칙을 따르지만, 패키지가 떨어지고 경로가 막히는 등 경로를 리디렉션하고 다시 프로그래밍해야 하는 경우가 있을 수 있다. 이런 경우 로봇을 조정하기 위해 각 로봇의 실시간 위치를 알아야 하기 때문에 디지털 트윈 시스템이 필요하다”고 설명했다. 연구팀은 구성요소가 고장 날 때 로봇의 움직임을 조정하는 것과 같은 내결함성 제어를 포함한 추가 응용 프로그램을 모색하고 있다. 또한 연구자들은 에너지 소비만 고려하는 것이 아니라, 궤적 최적화 모델에서 각 모터의 성능 저하 수준과 잔여 유효 수명도 고려하는 건전성 인식 제어를 개발하고 있다. 그들의 코드, 모델, 데이터 세트를 깃허브 저장소(GitHub repository)를 통해 자유롭게 공개하고 있으며, 다른 연구자들이 이를 바탕으로 연구를 확장해 나가기를 기대하고 있다. 목표는 개선의 출처가 어디든 간에, 보다 나은 고장 진단 시스템을 구축하는 것이다. 젠 교수는 “누군가 우리보다 더 나은 결과를 만들어낸다면 정말 기쁠 것”이라고 전했다. 중국 제조업 현장에서 일하던 부모님의 영향을 받아 공학자의 길을 걷게 된 젠 교수에게 이번 연구는 단순한 학문적 탐구를 넘어선 개인적인 사명이기도 하다. 젠 교수는 “어릴 때 제조업에서 일하는 것이 얼마나 힘든 일인지 직접 보며 자랐다”면서, “내가 그렸던 비전은 그런 육체 노동을 로봇이 대체하게 해 사람들이 보다 나은 삶을 살 수 있도록 하는 것이었다”고 전했다.   ■ 이웅재 매스웍스코리아의 이사로 응용 엔지니어팀을 이끌고 있으며, 인공지능·테크니컬 컴퓨팅과 신호처리·통신 분야를 중심으로 고객의 기술적 성공을 지원하는 데 주력하고 있다. LG이노텍과 LIG넥스원에서 연구개발을 수행하며 신호처리와 통신 분야의 전문성을 쌓아왔다.     ■ 기사 내용은 PDF로도 제공됩니다.

매스웍스가 인텔의 자회사인 알테라(Altera)와 함께 알테라 FPGA(프로그래머블 반도체)의 무선 개발 가속화를 위한 협력 계획을 발표했다. 이를 통해 무선 시스템 엔지니어는 AI 기반 오토인코더를 사용해 채널 상태 정보(CSI) 데이터를 압축하고, 프론트홀 트래픽과 대역폭 요구사항을 크게 줄일 수 있게 된다. 또한 5G 및 6G 무선 통신 시스템을 다루는 엔지니어는 사용자 데이터 무결성을 보장하고, 무선 통신 시스템의 신뢰성과 성능 표준을 유지하는 동시에 비용을 절감할 수 있을 것으로 예상된다. 매스웍스는 알테라 FPGA에 특화된 AI 및 무선 개발을 강화하는 포괄적인 툴 제품군을 제공한다. ‘딥러닝 HDL 툴박스(Deep Learning HDL Toolbox)’는 FPGA 하드웨어에서 딥러닝 신경망을 구현하고자 하는 엔지니어의 요구사항을 충족한다. 딥러닝 HDL 툴박스는 ‘HDL 코더(HDL Coder)’의 기능을 활용함으로써, 사용자는 효율적인 고성능 딥러닝 프로세서 IP 코어를 커스터마이즈하고 구축 및 배포할 수 있다. 이는 표준 네트워크와 레이어를 지원함으로써 무선 애플리케이션의 성능과 유연성을 높인다. FPGA AI 스위트는 오픈비노(OpenVINO) 툴킷을 통해 널리 사용되는 산업 프레임워크의 사전 훈련된 AI 모델을 활용하여 알테라 FPGA에서 버튼 하나로 맞춤형 AI 추론 가속기 IP를 생성할 수 있도록 지원한다. 또한 FPGA AI 스위트는 FPGA 개발자가 쿼터스(Quartus) 프라임 소프트웨어 FPGA 플로를 사용해 AI 추론 가속기 IP를 FPGA 설계에 원활하게 통합할 수 있게 한다. 개발자들은 딥러닝 툴박스와 오픈비노 툴킷을 결합해 알테라 FPGA에서 AI 추론을 최적화할 수 있는 과정을 간소화할 수 있다.     알테라의 마이크 피튼(Mike Fitton) 버티컬 시장 담당 부사장 겸 총괄 매니저는 “매스웍스와 알테라의 협력을 통해 기업은 5G RAN(무선 접속 네트워크)에서 ADAS(첨단 운전자 보조 시스템)에 이르기까지 다양한 5G 및 6G 무선 통신 애플리케이션에 AI의 강력한 힘을 활용할 수 있게 됐다”면서, “개발자는 알테라의 FPGA AI 스위트(suite)와 매스웍스 소프트웨어를 활용해 알고리즘 설계부터 하드웨어 구현에 이르는 워크플로를 간소화하고, AI 기반 무선 시스템이 현대 애플리케이션의 엄격한 요구사항을 충족하도록 보장할 수 있게 됐다”고 말했다. 매스웍스의 후만 자린코우브(Houman Zarrinkoub) 수석 제품 매니저는 “AI 기반 압축은 통신 산업에 있어 매우 강력한 기술”이라며, “매스웍스 소프트웨어는 AI 및 무선 개발을 위한 강력한 기반을 제공한다. 무선 엔지니어는 매스웍스 툴과 알테라의 FPGA 기술을 통합해 고성능 AI 애플리케이션과 첨단 5G 및 6G 무선 시스템을 효율적으로 개발할 수 있다”고 말했다.

매스웍스코리아는 교육부와 한국연구재단 주최의 ‘2024 CO-SHOW’ 행사에서 첨단분야 혁신융합대학(COSS) 사업의 미래자동차 컨소시엄과의 협력을 발표했다. 교육부와 연구재단이 주관하는 COSS 사업은 지역 및 대학 간 교육 격차를 해소하고 국가 차원의 첨단 분야 인재 양성 체계를 구축하는 것을 목표로 한다. 국민대학교는 지난 2021년 이 사업의 미래자동차 컨소시엄 주관 대학으로 선정되어 계명대학교, 대림대학교, 선문대학교, 아주대학교, 인하대학교, 충북대학교와 협력해 COSS 미래자동차 컨소시엄을 구성하고, 미래 모빌리티 분야 우수 인재 양성에 힘쓰고 있다. 이번 협력의 일환으로, 매스웍스는 미래 자동차 분야의 혁신 인재 양성과 교육 프로그램 고도화를 위해 다양한 지원을 제공할 계획이다. 지원 내용에는 교육 과정 개발 및 연구 지원, 매트랩(MATLAB)과 시뮬링크(Simulink)를 포함한 매스웍스 소프트웨어 활용에 대한 전문적인 자문 및 세미나 제공 등이 포함된다. 매스웍스는 이번 협약을 통해 국내 대학과의 협력을 더욱 강화하고, 학생들이 자율주행 및 전기차를 포함한 자동차 솔루션의 실무 경험과 최신 기술을 습득할 수 있도록 지원할 예정이다. COSS 미래자동차 컨소시엄은 산업체 전문가와 함께 운영하는 캡스톤디자인 교과목인 '위밋(WE-MEET) 프로젝트’에서 ‘실사고 분석을 통한 자율주행 기능 개발’을 주제로 종횡 방향 제어기설계에 매트랩과 시뮬링크를 사용하고 있다. 또한, 모빌리티 제어 분야 교과목에서 무인 비행체의 궤적 설계를 위한 시각화, 자세제어 시뮬레이터 개발에도 매트랩과 시뮬링크의 다양한 툴박스를 활용 중이다.      매스웍스코리아의 김경록 교육 기관 세일즈 매니저는 “매스웍스의 소프트웨어는 전 세계 6500개 이상의 대학의 교육 과정 및 2000권 이상의 공학 및 과학 전공서에서 활용되고 있다”면서, “COSS 미래자동차 컨소시엄과 협력해 국민대를 비롯한 국내 대학생들이 최신 기술을 보다 효과적으로 습득하고 실무에 적용할 수 있도록 적극 지원할 것”이라고 말했다. COSS 미래자동차 컨소시엄 주관대학 사업단장인 국민대학교의 신성환 자동차융합대학장은 “이번 협약 체결을 통해 다양한 오토모티브 및 모빌리티 분야에 적용된 매스웍스의 솔루션을 COSS 미래자동차 컨소시엄의 7개 대학 학생들이 활용할 수 있게 됐다”면서, “글로벌 자동차 제조사에서 사용되는 매스웍스 솔루션을 교육 프로그램에 적용함으로써, 다양한 알고리즘 구현 및 시각화를 통해 학생들의 학습 효과를 극대화하고 실무 역량을 강화시킬 것”이라고 전했다.

매스웍스는 국내 대학생들의 인공지능(AI) 기술 활용 능력 개발을 지원하는 ‘제4회 매트랩 대학생 AI 경진대회’ 수상자를 발표했다. 많은 학생들이 뛰어난 기술 역량과 창의성을 기반으로 매트랩(MATLAB)을 활용한 AI 모델을 구현한 가운데 부산대학교 전기전자공학과 학생들로 구성된 ‘전지적 레이더 시점’ 팀이 최우수상을 수상했다. 2021년에 시작된 ‘매트랩 대학생 AI 경진대회’는 매년 국내 대학생들의 AI 기술 활용 능력과 전문 분야별 경쟁력 강화를 지원해 왔다. 올해 참가자들은 1인 가구, 고령화, 교통, 환경 등 사회 변화에 대응하는 시의성 높은 프로젝트를 제출했다. 또한 다수의 참가자들이 AI를 활용해 사회 문제를 해결할 수 있는 효과적인 솔루션을 제시하며 실질적 응용 가능성과 기술적 우수성을 동시에 선보였다.  매스웍스코리아의 김경록 교육 기관 세일즈 매니저는 “이번 대회의 참가자들은 사회적 약자 지원, 교통 안전, 기후 대응 등 사회적 가치를 창출할 수 있는 다양한 프로젝트를 제출했다”면서, “매스웍스의 소프트웨어를 활용해 완성도를 높이고, 최근 공학 분야 트렌드에 맞춰 AI기술을 적극 활용한 아이디어를 제시한 점이 고무적이었다”고 말했다.     부산대학교 전지적 레이더 시점팀(전민욱, 박나윤, 신다민, 박도현, 김연호)은 노년층이나 보행이 불편한 사람들의 안전한 일상을 지원하는 ‘낙상 감지를 위한 레이더 기반 인간 행동 인식 시스템’으로 1등상을 수상했다. 학생들은 매트랩을 활용해 데이터 준비에서부터 하드웨어 배포까지 AI 모델링 워크플로의 전 영역에서 우수한 성과를 도출했다. 또한, 부산대 팀은 AI 모델 성능 향상을 위해 직접 실험을 통해 데이터를 수집하고, 입력 훈련 데이터와 비슷한 특징을 갖는 데이터를 생성할 수 있는 조건부 생성적 적대 신경망(CGAN)이라는 생성형 AI 모델을 활용해 데이터 불균형 문제를 해결했다. 심사단은 프로젝트에서 고안된 LED 점등 및 문자 메시지 전송 기능을 고령화로 인해 증가한 노인 낙상 사고에 대응할 수 있는 참신한 아이디어라고 평가했다. 전지적 레이더 시점팀의 전민욱 대표는 “매트랩이 제공하는 다양한 툴박스를 활용해 레이더 신호의 전처리와 데이터 분석을 효과적으로 수행하고, 복잡한 딥러닝 프로세스를 보다 직관적으로 다룰 수 있었다”면서, “특히 매트랩의 다양한 신경망 코드를 활용해 복잡한 신경망 모델을 쉽게 적용할 수 있어 큰 도움을 받았다”고 말했다. 2등 상을 수상한 세종대학교 기계항공우주공학부 학생들로 구성된 AIV팀(정진영, 윤정호)은 시뮬링크(Simulink)와 다양한 툴박스를 활용해 강화학습 기반의 로봇 회피 제어 모델을 구현해 로봇의 주행 안전성과 실내 환경 적응 능력을 입증했다. 해당 모델은 청소기, 서빙 로봇 등 스마트 AI 로봇 개발에 활용 가능할 것으로 기대된다. 3등 상을 수상한 한국기술교육대학교 메카트로닉스공학부 생산시스템전공생들로 구성된 AIM LAM팀(김호진, 박지원)은 1차원 컨벌루션(1D-Convolution) 모델을 사용해 리니어 모션(LM) 가이드의 고장을 효과적으로 검출하는 시스템을 개발했다. 출품작은 설명가능한 인공지능(Explainable AI)을 적용해 개발 완성도를 높였으며, 단순한 구조로 모델을 개발해 속도성과 유지보수 측면에서 산업 현장에 적용 가능성이 매우 높다는 차별점을 갖췄다. 매스웍스코리아의 이종민 대표는 “매스웍스는 대학생들이 참여할 수 있는 다양한 경진대회를 주최 및 후원하며 국내 공학 계열의 미래 인재를 양성하는 데에 지속적인 노력을 쏟고 있다”면서, “매스웍스 주최의 대학생 AI 경진대회에서 국내 대학생들의 혁신적인 기술 아이디어와 실용성 높은 프로젝트를 통해 매트랩 및 시뮬링크에 대한 높은 이해도를 확인하게 되어 기쁘다”고 말했다.

개발 및 공급 : 매스웍스코리아 주요 특징 : 신호 처리 애플리케이션 개발 촉진 앱 및 기능 출시, 5G 툴박스/DSP HDL 툴박스 등 주요 툴박스 업데이트, 퀄컴 헥사곤 NPU 하드웨어 지원 패키지 제공, 시뮬링크에서 모델 기반 설계 활용한 DSP 애플리케이션 배포 지원 등   매스웍스는 매트랩(MATLAB) 및 시뮬링크(Simulink) 제품군의 ‘릴리스 2024b(Release 2024b)’를 발표했다. 이번 R2024b는 무선 통신 시스템, 제어 시스템 및 디지털 신호 처리 애플리케이션 개발 워크플로를 간소화할 수 있는 주요 업데이트를 포함한다. 이번 업데이트는 매트랩 및 시뮬링크에서 주로 사용되는 ▲5G 툴박스(5G Toolbox) ▲DSP HDL 툴박스(DSP HDL Toolbox) ▲시뮬링크 컨트롤 디자인(Simulink Control Design) ▲시스템 컴포저(System Composer)에 대한 주요 업데이트를 포함하며, 스냅드래곤(Snapdragon) 프로세서 제품군에 내장된 기술인 퀄컴 헥사곤(Qualcomm Hexagon) NPU(신경망 처리 장치)에 대한 새로운 하드웨어 지원 패키지도 제공한다. 이 패키지는 시뮬링크 및 모델 기반 설계를 활용하여 DSP 애플리케이션을 위한 프로덕션 품질 C 코드를 다양한 스냅드래곤 프로세서에 원활하게 배포할 수 있도록 지원한다.   5G 툴박스 NR(New Radio) 및 5G-어드밴스드(5G-Advanced) 시스템의 모델링, 시뮬레이션 및 검증을 위한 함수를 제공하는 5G 툴박스는 6G 파형 생성 및 5G 파형의 신호 품질 평가를 수행할 수 있게 됐다.   DSP HDL 툴박스 DSP HDL 툴박스는 신호 처리 애플리케이션을 개발할 수 있도록 하드웨어에 바로 사용 가능한 시뮬링크 블록 및 서브시스템을 제공한다. 이번 업데이트를 통해 DSP 알고리즘 구성과 HDL 코드 및 검증 컴포넌트 생성이 가능한 대화형 방식의 새로운 DSP HDL IP 디자이너(DSP HDL IP Designer) 앱이 추가됐다.   ▲ DSP HDL 툴박스는 신호 처리 애플리케이션을 개발할 수 있도록 하드웨어에 바로 사용 가능한 시뮬링크 블록 및 서브시스템을 제공한다.   시뮬링크 컨트롤 디자인 시뮬링크 컨트롤 디자인은 시뮬링크에서 모델링된 제어 시스템 설계와 분석 용도로 사용되며, 이번 업데이트에서 슬라이딩 모드와 반복 학습 제어를 비롯한 비선형 및 데이터 주도 제어 기법을 설계하고 구현할 수 있는 기능이 추가됐다.    시스템 컴포저 시스템 컴포저를 사용할 시 모델 기반 시스템 공학 및 소프트웨어 아키텍처 모델링을 위한 아키텍처 지정과 분석이 가능하다. 이번 업데이트를 통해 사용자는 서브셋이 설정된 보기를 편집하고 시스템 거동을 활동 및 시퀀스 다이어그램으로 표현할 수 있게 됐다.     ■ 기사 내용은 PDF로도 제공됩니다.

매스웍스는 매트랩(MATLAB) 및 시뮬링크(Simulink) 제품군의 릴리스 2024b(Release 2024b, 이하 R2024b)를 발표했다. 이번 R2024b는 무선 통신 시스템, 제어 시스템 및 디지털 신호 처리 애플리케이션 개발 워크플로를 간소화할 수 있는 주요 업데이트를 포함한다. 이번 업데이트는 매트랩 및 시뮬링크에서 주로 사용되는 ▲5G 툴박스(5G Toolbox) ▲DSP HDL 툴박스(DSP HDL Toolbox) ▲시뮬링크 컨트롤 디자인(Simulink Control Design) ▲시스템 컴포저(System Composer)에 대한 주요 업데이트를 포함하며, 스냅드래곤 프로세서 제품군에 내장된 기술인 퀄컴 헥사곤(Qualcomm Hexagon) NPU(신경망 처리 장치)에 대한 새로운 하드웨어 지원 패키지도 제공한다. 이 패키지는 시뮬링크 및 모델 기반 설계를 활용하여 DSP 애플리케이션을 위한 프로덕션 품질 C 코드를 다양한 스냅드래곤 프로세서에 원활하게 배포할 수 있도록 지원한다. 5G 툴박스는 NR(New Radio) 및 5G-어드밴스드(5G-Advanced) 시스템의 모델링, 시뮬레이션 및 검증을 위한 함수를 제공하는 5G 툴박스는 6G 파형 생성 및 5G 파형의 신호 품질 평가를 수행할 수 있게 됐다.   ▲ 신호 처리 애플리케이션 개발을 돕는 DSP HDL 툴박스   DSP HDL 툴박스는 신호 처리 애플리케이션을 개발할 수 있도록 하드웨어에 바로 사용 가능한 시뮬링크 블록 및 서브시스템을 제공한다. 이번 업데이트를 통해 DSP 알고리즘 구성과 HDL 코드 및 검증 컴포넌트 생성이 가능한 대화형 방식의 새로운 DSP HDL IP 디자이너(DSP HDL IP Designer) 앱이 추가됐다. 시뮬링크 컨트롤 디자인은 시뮬링크에서 모델링된 제어 시스템 설계와 분석 용도로 사용되며, 이번 업데이트에서 슬라이딩 모드와 반복 학습 제어를 비롯한 비선형 및 데이터 주도 제어 기법을 설계하고 구현할 수 있는 기능이 추가됐다.  시스템 컴포저를 사용할 시 모델 기반 시스템 공학 및 소프트웨어 아키텍처 모델링을 위한 아키텍처 지정과 분석이 가능하다. 이번 업데이트를 통해 사용자는 서브셋이 설정된 보기를 편집하고 시스템 거동을 활동 및 시퀀스 다이어그램으로 표현할 수 있게 됐다. 매스웍스의 앤디 그레이스(Andy Grace) 설계 자동화 부문 부사장은 “고품질, 신뢰성 및 보안성을 갖춘 제품을 제공하는 조직의 역량을 위해서는는 시뮬레이션과 모델 기반 설계의 중요한 역할이 뒷받침되어야 한다”면서, “R2024b의 개선 사항은 워크플로의 핵심 요소를 확장, 자동화 및 간소화하여 엔지니어가 시스템 성능과 신뢰성을 최적화할 수 있도록 지원한다”고 말했다.

매스웍스코리아가 6월 11일 ‘매트랩 엑스포 2024 코리아(MATLAB EXPO 2024 Korea)’를 개최했다. 매트랩 엑스포는 매스웍스의 고객과 기술 전문가가 인공지능, 전동화, 무선 및 신호처리 등 주요 기술 트렌드에 대한 사례와 인사이트를 공유하는 종합 기술 콘퍼런스이다. 올해는 삼성전자, 현대자동차, 퀄리타스반도체, 한국전기연구원(KERI), 포스텍(POSTECH) 등 산업별 기술 전문가가 참석해 매스웍스 제품군을 활용한 기술 성과와 인사이트를 공유했다. 매스웍스의 아룬 멀퍼(Arun Mulpur) 인더스트리 디렉터는 ‘디지털 엔지니어링을 위한 모델 기반 설계(MBD)의 영향력과 방향성’을 주제로 기조연설을 진행했다. 멀퍼 디렉터는 매스웍스의 솔루션이 설계 작업 자동화 및 디지털 시스템 확장을 통해 복잡한 시스템 설계 과정을 효율화해 디지털 엔지니어링에 기여한 바가 크다고 강조했다.   ▲ 매스웍스 아룬 멀퍼 인더스트리 디렉터   엑스포에서는 자동차 개발의 프로세스 효율성을 개선하기 위해 매스웍스의 소프트웨어를 사용한 메르세데스-벤츠의 사례가 소개됐다. 메르세데스-벤츠는 물리적 센서를 가상 센서로 전환하기 위한 워크플로를 구축하여 자동차 개발 시 센서 설치 및 유지보수 비용을 절감하고, 개발 속도를 이전의 수동 개발 공정 대비 6배 향상시켰다. 또한 메르세데스-벤츠는 매스웍스의 엔지니어와 협업해 딥러닝 모델을 자동차 ECU(전자 제어 장치)에 배포할 수 있는 코드로 변환하고 가상 센서 신경망을 구현한 뒤, 매스웍스의 딥러닝 툴박스(Deep Learning Toolbox)와 시뮬링크(Simulink)를 활용해 자동차 센서를 시뮬레이션했다. 이외에도 고객 사례 발표에서는 매스웍스 솔루션을 활용한 모빌리티 분야의 다양한 디지털 엔지니어링 사례가 소개됐다. HL클레무브는 매트랩을 활용한 모델 기반 시스템 엔지니어링을 통해 신뢰성 높은 자율주행 소프트웨어 개발 사례를 소개하고, 현대케피코는 매트랩을 이용하여 모빌리티 제어기용 딥러닝 모델 설계와 학습하는 방법을 발표했다. 멀퍼 디렉터는 “모델 기반 설계의 기반이 되는 매스웍스의 제품과 워크플로는 이미 입증된 높은 안정성과 확장성을 보유한 플랫폼으로 엔지니어가 혁신적인 제품을 신속하게 설계하고 시장에 출시하도록 지원한다”면서, “약 25년간 모델 기반 설계는 시스템 복잡성의 증가, 새로운 기술의 등장과 규제 변화 등 산업의 요구 사항에 대응하며 첨단 엔지니어링 시스템을 개발하는 데 있어 디지털 엔지니어링의 근간이 되어 왔다”고 말했다. 매스웍스코리아의 이종민 대표는 “매트랩 엑스포에서 다양한 산업군의 전문가들이 매트랩과 시뮬링크를 비롯한 매스웍스 솔루션의 도입 성공 사례를 공유하는 자리를 마련하게 되어 기쁘다”면서, “매스웍스는 앞으로도 매트랩 엑스포와 같은 행사를 통해 정보 공유 및 네트워킹 자리를 통해 엔지니어링 분야에 새로운 인사이트를 제공할 수 있도록 노력하겠다”고 전했다.