이미지가 안보이신다면, 이곳을 클릭해주세요.

안녕하세요? CAE 컨퍼런스 사무국입니다. 캐드앤그래픽스에서 주최한 'CAE 컨퍼런스 2025'에 참여해 주신 모든 분들께 감사드립니다. 많은 관심과 성원을 보내주신 덕분에 행사가 잘 마무리 되었습니다. [CAE 컨퍼런스 2025] 발표자료 다운로드 및 발표영상 안내 - 발표자료는 아래 아젠다에 PDF로 표시된 자료만 공개가 가능합니다. - 10월 22일(월) CNG TV 방송으로 진행됐던 'CAE 컨퍼런스 2025 프리뷰' 웨비나 영상도 포함되어 있습니다. - CAE 컨퍼런스 2025 발표자료는 12월 31일(수)까지 무료로 다운로드 가능합니다. 이후에는 유료로 전환됩니다. - 발표영상도 공개 가능한 내용을 전달 드립니다. [CAE 컨퍼런스 2025] 관련 기사 보러가기 >> 컨퍼런스 발표 내용을 기사로 정리하여 소개합니다. 기술적인 기사는 추후 <캐드앤그래픽스> 잡지에 특집으로 소개할 예정입니다. 문의 • CAE컨퍼런스사무국 / 02-333-6900 / CAE@cadgraphics.co.kr

이미지가 안보이신다면, 이곳을 클릭해주세요.

엔비디아가 전자 설계 자동화(EDA) 소프트웨어 기업인 시높시스와 20억 달러(약 2조 9400억 원) 규모의 전략적 파트너십을 맺었다. 양사의 동맹은 겉으로는 칩 설계 기술 분야의 협력이지만, 시높시스가 인수한 앤시스의 CAE 및 엔지니어링 시뮬레이션 기술이 엔비디아의 생태계 속에 더욱 깊이 들어왔다는 점도 놓칠 수 없다. 하드웨어(GPU)와 설계 소프트웨어(EDA)에 물리 시뮬레이션(CAE)까지 결합해 반도체의 설계부터 제조 그리고 디지털 트윈까지 전체 가치 사슬을 완성하는 그림을 그릴 수 있게 되었다는 것이다. ■ 정수진 편집장     AI 가속 컴퓨팅과 EDA의 결합, 20억 달러 규모의 전략적 동맹 엔비디아와 시높시스의 이번 파트너십은 거대 자본의 이동과 최첨단 기술의 통합이라는 두 가지 계층에서 진행된다. 우선 엔비디아는 시높시스의 보통주를 주당 414.79달러에 매입하는 방식으로 총 20억 달러를 투자해, 시높시스 전체 발행 주식의 약 2.6%를 확보했다. 하지만 이 거래의 본질은 단순한 지분 투자가 아닌 기술적 동맹에 있다. 양사는 엔비디아의 가속 컴퓨팅을 위한 하드웨어 및 AI 역량과 시높시스의 엔지니어링 설루션을 통합하기로 합의했다. 이번 협력에서 주목할 만한 기술적 화두는 ‘에이전틱 AI(agentic AI)’ 엔지니어링의 공동 개발이다. 기존의 AI가 엔지니어의 명령을 수동적으로 수행하는 도구에 머물렀다면, 에이전틱 AI는 엔지니어처럼 스스로 생각하고 복잡한 설계 작업을 주도적으로 수행하는 ‘대리인(에이전트)’ 역할을 지향한다. 엔비디아의 젠슨 황(Jensen Huang) CEO는 “CUDA GPU 가속 컴퓨팅은 설계 방식을 혁신하고 있다. 원자에서 트랜지스터, 칩에서 완전한 시스템에 이르기까지 어느 때보다 빠르고 대규모로 시뮬레이션이 가능하며, 컴퓨터 내에서 완전한 디지털 트윈을 구현할 수 있다”면서, “엔비디아는 가속 컴퓨팅과 AI의 힘을 활용해 엔지니어링과 설계를 새롭게 정의하고 있다. 시높시스와의 파트너십을 통해 엔지니어들이 우리의 미래를 만들 혁신적인 제품을 발명할 수 있도록 지원할 것”이라고 전했다. 이를 위해 엔비디아는 자사의 최신 AI 모델인 ‘네모트론(Nemotron)’과 마이크로서비스인 ‘NIM(NVIDIA Inference Microservices)’ 등의 AI 기술 스택을 제공하고, 시높시스는 이를 자사의 EDA 툴에 탑재해 반도체 설계의 자동화 수준을 한 단계 끌어올릴 계획이다. 더불어 엔비디아의 가상 세계 구축 플랫폼인 ‘옴니버스(Omniverse)’와 시높시스의 물리 시뮬레이션 기술을 결합하여, 반도체 칩뿐만 아니라 자동차나 로봇 같은 물리적 시스템 전체를 가상 공간에 구현하는 디지털 트윈 사업도 확대될 전망이다.   엔비디아의 생태계 확장과 시높시스의 기술 도약 이번 투자는 양사 모두에게 시장 경쟁력을 높이고 다른 회사의 추격을 막을 진입 장벽을 구축할 수 있는 윈–윈(win–win) 전략이 될 수 있다. 엔비디아 입장에서 이번 동맹은 자사의 가속 컴퓨팅 생태계를 반도체 개발의 뿌리 단계까지 확장하는 계기가 된다. 시높시스의 설계 소프트웨어가 엔비디아의 GPU 가속 기술인 쿠다(CUDA) 등을 기반으로 구동된다면, 전 세계 반도체 설계 회사들이 자연스럽게 엔비디아 GPU를 서버 인프라로 채택하게 되기 때문이다. 즉, 엔비디아의 칩은 AI 서비스용 연산 장치를 넘어, ‘반도체를 만드는 필수 도구’로 자리 잡게 되는 것이다. 시높시스 입장에서도 이번 협력은 기술적 한계를 돌파하고 재무적 안정을 추구할 기회이다. 반도체 미세 공정이 나노미터(nm) 단위로 내려가면서 설계 검증에 소요되는 시간은 기하급수적으로 늘어나고 있는데, 엔비디아의 GPU 가속을 활용하면 이 시간을 크게 단축할 수 있을 것으로 보인다. 시높시스의 사신 가지(Sassine Ghazi) CEO는 “차세대 지능형 시스템 개발의 복잡성과 비용은 전자공학과 물리학의 더 깊은 통합, 그리고 AI와 컴퓨팅을 통한 가속화를 요구한다. 시높시스와 엔비디아는 통합된 AI 기반 시스템 설계 설루션을 제공할 수 있다”면서, “양사가 함께 엔지니어링을 혁신하고, 전 세계 혁신가들이 더욱 효율적으로 아이디어를 실현할 수 있도록 힘을 보탤 것”이라고 밝혔다. 시높시스는 이러한 성능 향상으로 경쟁사와 기술 격차를 벌리는 무기를 얻게 됐다. 또한, 최근 앤시스 인수로 막대한 자금을 사용한 상태에서, 엔비디아의 20억 달러 투자를 통해 재무 부담을 덜고 연구개발에 집중할 수 있는 실탄을 확보하게 되었다.   ▲ 가속 컴퓨팅과 생성형 AI를 위한 엔비디아의 블랙웰 아키텍처(출처 : 엔비디아)   AI 칩 개발 속도 혁명과 반도체 설계 패러다임의 전환 양사의 동맹은 반도체 산업과 AI 산업 전반에 적지 않은 파도를 일으킬 것으로 보인다. 무엇보다 ‘AI가 AI 반도체를 만드는’ 시대가 본격적으로 열리면서 칩 개발 속도에 혁명이 일어날 것이다. 지금까지 고성능 AI 반도체를 설계하려면 수백 명의 숙련된 엔지니어와 수년의 시간이 필요했다. 하지만 에이전틱 AI가 상용화되어 복잡한 배선 배치나 검증을 자동 수행하게 되면, 반도체의 개발 기간이 크게 줄어들 수 있다. 이러한 변화는 ‘반도체 설계의 대중화’를 앞당겨, 빅테크 기업뿐만 아니라 스타트업도 맞춤형 AI 칩을 더 쉽게 개발할 수 있는 환경을 만들 것이다. 또한, 반도체 설계 인프라의 중심축이 중앙처리장치(CPU)에서 그래픽처리장치(GPU)로 급격히 이동할 전망이다. 전통적인 EDA 작업은 주로 CPU 기반 서버에서 이루어졌으나, 엔비디아와 시높시스의 협력은 이 워크플로를 GPU 중심으로 이동시킨다. 2025년 10월 경주 APEC 기간 중에는 삼성전자와 SK하이닉스가 엔비디아 GPU 기반의 대규모 ‘AI 팩토리’를 구축하고, 반도체 연구 개발과 생산 고도화에 활용할 계획을 밝히기도 했다. 향후 반도체 기업들이 데이터센터를 구축할 때 CPU보다 GPU 확보에 더 많은 예산을 투입하게 만든다면, 엔비디아는 시장 지배력을 높일 수 있을 것이다. 나아가 설계–검증–제조로 이어지는 반도체 전체 공급망을 기술적으로 통제하는 거대 플랫폼 기업을 노리는 것도 가능하다.   AI 반도체 개발의 생태계 장악 노리나 한편, 이번 투자는 최근 AWS(아마존웹서비스), 구글, 마이크로소프트 등 빅테크 기업들이 자체 NPU(신경망처리장치)를 개발하며 ‘탈 엔비디아’를 시도하는 흐름에 대한 전략적 대응으로 볼 수도 있다. 빅테크 기업들이 엔비디아 GPU에 대한 의존도를 줄이기 위해 독자적인 AI 연산 칩을 개발하고 있다. 이런 상황에서 엔비디아와 시높시스의 협력은 ‘칩을 만드는 도구’ 자체를 엔비디아 생태계에 묶어두는 전략이 된다. 구글의 TPU(텐서처리장치), AWS의 트레이니엄(Trainium) 등을 만드는 과정에서 가장 효율적인 설계 도구가 ‘엔비디아 GPU 가속이 적용된 시높시스 설루션’이라면, 경쟁사들은 엔비디아를 이기기 위해 엔비디아의 장비를 써야 하는 상황에 놓일 수 있다는 것이다. 엔비디아의 이번 투자는 자사 GPU가 단순한 AI 연산 도구를 넘어, AI 반도체 산업 전체의 필수 인프라로 자리잡게 하는 효과도 기대할 수 있다. 경쟁자들의 하드웨어 독립 시도를 막을 수는 없더라도, 그 설계 및 검증 과정에서 엔비디아의 영향력을 높은 수준으로 유지하려는 생태계 잠금(lock-in) 전략이 될 수 있다는 것이다.   디지털 트윈을 완성하는 퍼즐, CAE 전체 그림에서 시높시스가 품은 앤시스의 역할도 주목된다. 시높시스는 2024년 1월 엔지니어링 시뮬레이션 분야의 주요 기업인 앤시스를 약 350억 달러(약 46조 원)에 인수한다고 발표했고, 2025년 7월 인수를 완료했다. 이는 반도체 설계와 물리 시뮬레이션이라는 두 영역을 통합해서, 칩 단위를 넘어 시스템 전반을 검증할 수 있는 역량을 확보하기 위한 전략적 결정이었다. 시높시스 산하에 들어간 앤시스는 이번 협력의 범위를 반도체 밖으로 확장하는 열쇠를 쥐고 있다. 최신 AI 칩은 많은 전력을 소모하고 높은 열을 내기 때문에, 단순히 회로를 그리는 것을 넘어 열을 식히고 전기적 간섭을 막는 물리적 설계가 필수이다. 앤시스의 다중 물리(멀티피직스) 시뮬레이션은 바로 이 난제를 해결하는 핵심 기술이고, 엔비디아 GPU의 강력한 연산 능력은 복잡한 물리 계산을 빠르게 처리하는 최적의 도구가 된다. 나아가 앤시스는 엔비디아가 꿈꾸는 ‘완전한 디지털 트윈’을 구현하는 데 결정적인 역할을 한다. 엔비디아 옴니버스가 가상 공간의 외형을 만든다면, 앤시스는 그 안에 실제 세계의 물리 법칙을 적용시킬 수 있다. 앤시스는 시높시스와 엔비디아의 협력이 반도체 설계를 넘어 자동차, 항공우주, 스마트 공장 등 다양한 영역을 아우루는 ‘산업용 AI(industrial AI)’로 확장되도록 돕는 다리 역할을 할 수 있을 것으로 보인다.   ▲ 앤시스는 반도체 개발뿐 아니라 산업용 디지털 트윈까지 확장하기 위한 시뮬레이션 기술을 제공할 수 있다.(출처 : 앤시스)   전자–기계의 경계가 무너진다 : CAE 기술의 미래 시높시스와 앤시스의 결합 외에도 최근 몇 년간 CAE 및 시뮬레이션 업계는 서로 다른 영역에 있던 기업들이 경계를 허물고 통합되는 지각 변동을 겪고 있다. 2025년 지멘스가 데이터 분석 및 시뮬레이션 기업인 알테어를 인수한 것, 2024년 시높시스의 경쟁사인 케이던스(Cadence)가 자동차 및 항공우주 구조 해석 기술 기업인 베타 CAE 시스템즈(BETA CAE Systems)를 인수한 것이 대표 사례다. 또한 계측 장비 기업인 키사이트(Keysight)는 가상 프로토타이핑 기업 ESI 그룹(ESI Group)을 지난 2023년에 인수했다. 이런 인수합병의 흐름은 전자 설계(EDA)와 기계 설계(CAE)의 융합을 뜻하며, 향후 AI 및 반도체 시장에서 시뮬레이션 기술이 단순한 검증 도구를 넘어 핵심 원천 기술로 입지를 높일 것임을 시사한다. 첫째, CAE/시뮬레이션은 산업용 AI를 위한 ‘데이터 창고’의 역할을 한다. 산업용 AI를 학습시키기 위한 양질의 고장 데이터나 사고 데이터를 현실에서 구하는 것은 어렵기 때문에, 물리 법칙에 기반한 가상 환경에서 합성 데이터(synthetic data)를 생성해 AI에 공급하는 것이 필수가 되고 있다. 둘째, 반도체 시장에서는 패키징의 한계를 넘는 열쇠가 된다. 미세 공정의 한계로 인해 칩을 3차원으로 쌓는 기술이 중요해지면서, 열과 구조적 안정성을 해석하는 CAE 설루션은 이제 선택이 아닌 ‘차세대 칩 설계의 필수 전제 조건’이 되고 있다. 엔비디아의 시높시스에 대한 투자는 전 세계 기술 산업이 ‘설계–시뮬레이션–제조–구동’이 하나로 연결된 거대한 디지털 생태계로 재편되고 있음을 보여주는 신호탄이다. 엔비디아는 칩을 넘어 ‘플랫폼’이 되려고 하고, 시높시스 및 CAE 업계는 해석 도구를 넘어 ‘지능형 통합 설루션’으로 진화하고 있다. 전자(electronics)와 기계(mechanics)의 경계가 사라지고 AI가 융합되는 모습이다. 이들의 결합은 향후 반도체 및 AI 산업의 기술 표준을 누가 주도할 지에 대한 예상과 함께, 새롭게 구축되는 거대한 생태계 안에서 기업들이 어떤 생존 전략을 모색해야 할 지에 대한 고민도 안겨준다.

안녕하세요? 캐드앤그래픽스에서는 ZBook X G1i 16”  ZBook Fury G1i 18” 노트북 성능을 체험해 보고 리뷰해 주실 리뷰어를 찾습니다. 리뷰 기사는 캐드앤그래픽스 2026년 2월호 또는 3월호에 실릴 예정이며, 리뷰용 제품을 받으신 후 실제로 사용해 보시고, 12월 24일(수)까지 리뷰 원고를 보내 주시면 됩니다. 잡지에 실리는 리뷰 기사에 대해서는 소정의 원고료를 드립니다. 리뷰를 원하시는 분은 간단한 자기소개 및 사용하시는 소프트웨어에 관한 내용을 메일(cadgraphpr@gmail.com)로 보내주세요.   모델   사양 추천 market ZBook X G1i 16” HP ZBook X G1iHP IDS DSC RTX PRO 2000 8GB Ultra 7 255H X 16 inch G1i Base NB PC Product Development - Product Designer: Inventor, SolidWorks, Solid Edge M&E 2D artist: Photoshop, Illustrator ZBook Fury G1i 18” HP ZBook Fury 18 G1iNVIDIA RTX PRO 3000 Blackwell 115W+ 12 GB Graphics Product Development - Product Designer: CATIA, NX, Creo - Manufacturing Engineer: Delmia, SolidWorks CAM, Tecnomatix, Creo Manufacturing Rendering: VRED, ICEM Surf, CATIA Rendering, Creo Render Studio, NX Rendering - 제목 :  HP ZBook 노트북 리뷰어 지원 - 보내실 내용 : 간단 약력 등 자기소개, 사용 소프트웨어, 전화/메일/소속 (참고할 만한 기고 이력이나 블로그 링크 등 있을 경우 같이 기재) - 모집 기간 : 리뷰어 선정 시 마감 예정 (이력 검토 후 선정) 문의 : 02-333-6900 / cadgraphpr@gmail.com 리뷰어 모집 대상  :  제조, 건축, 엔지니어링 분야 엔지니어(캐드, CAE, 3D 디자인 및 렌더링 등 사용자)     ------------------------------------------------------------------------------------------------------ 참고 후기 HP Z2 미니 G1a 리뷰 : BIM 엔지니어의 실무 프로젝트 성능 검증 HP Z북 울트라 G1a 리뷰 (1) - AI 크리에이터와 3D 작업을 위한 최적화 HP Z북 울트라 G1a 리뷰 (2) - 설계 엔지니어 관점에서 본 고성능 노트북  

설계, 데이터로 다시 쓰다 (3)   데이터 보기를 황금처럼 봐야 할 시대가 왔다. 데이터를 활용해서 상상으로만 그리던 일이 현실이 되어가기에 너도나도 데이터를 모으기 시작했다. 이토록 소중한 데이터이기에 허투루 만들 수 없다. 좀 더 영리하고 전략적으로 접근할 필요가 있다. 이번 호에서는 데이터 생성을 위해 어떤 전략이 필요하고, 전략적으로 생성된 데이터가 어떤 활용 가치가 있는 지 설명하고자 한다.   ■ 최병열 피도텍에서 AI 기반 Data-driven Design SW 개발 총괄을 맡고 있다. 한양대에서 공학박사 학위를 받았고, 20여 년간 100여건의 최적 설계 프로젝트를 주도하며 컨설팅 경험을 쌓았다. 홈페이지 | www.pidotech.com   어떻게 확보할 것인가? 데이터는 돈이다 CFD(Computer Fluid Dynamics : 전산유체역학)가 무엇의 약자일까? 한번은 유동 분야의 저명하신 교수님께서 하신 농담이 기억이 난다. ‘Colorful Fluid Dynamics’라고 말이다. 유동 시뮬레이션 결과가 시각적으로 화려하다는 의미로 하신 농담이었지만 곰곰히 생각해 보면 시뮬레이션의 효과를 누리지 않는다면 단지 보고서 한 켠을 채우는 컬러풀한 그림이 될 수도 있겠다는 생각이 든다. VP(Virtual Prototyping : 가상 프로토타이핑)를 위해 구조, 열유체, 동역학, 제어 등의 다양한 분야의 CAE 소프트웨어를 도입하고 있다. CAE 소프트웨어를 통해 하나의 데이터를 생성해 내기 위해서는 해석 모델링부터 솔빙(solving), 결과 분석에 이르기까지 소프트웨어와 하드웨어 리소스를 활용해야 함은 물론 해석 전문가의 공수(M/H)도 투입되어야 하기에 상당한 비용이 든다고 볼 수 있다. 학회를 다녀보면 최적설계라는 타이틀의 논문 발표가 종종 있다. 실제로 최적화 알고리즘을 적용해서 최적해 탐색까지 도달하는 사례도 있는 반면, 1개 내지 2개의 설계변수 값을 바꿔가며 성능의 경향을 보고 성능이 가장 좋아지는 설계변수 값을 택하면서 최적설계를 했다고 하는 경우도 있다.(학문적으로는 1D 파라메트릭 스터디라고 부른다.) 하지만, 최적설계를 제대로 했든 안 했든 시뮬레이션으로부터 얻은 데이터로 설계 개선이라는 목적에 맞게 데이터를 활용했다는 점은 가치를 인정받을 만하다. 성능 평가를 위해 필요한 데이터는 한 개(시뮬레이션 1회)이다. 설계변수의 효과를 파악하기 위한 최소의 데이터 개수는 설계변수 개수에 1개의 데이터가 필요하다. 특정 설계변수의 경향을 파악하고 싶다면, 해당 설계변수의 범위를 구간으로 나누어 데이터를 뽑아 볼 수 있다. 현실적으로 설계변수는 여러 개가 존재하고 설계변수의 조합으로 성능이 개선되는 경우가 대부분이라서, 개별 설계변수의 효과를 보는 방식보다 설계변수들의 효과를 동시에 고려할 수 있는 데이터 샘플링 방법이 필요하다.   실험계획법이란 여러 개의 설계변수 효과를 동시에 고려하기 위해 활용되는 것이 실험계획법(DOE : Design of Experiments)이다. 실험계획법은 농업과 통계학의 만남으로 1920년대부터 사용되었다. 영국의 통계학자이나 생물학자인 로널드 A. 피셔가 창시자로 알려져 있다. 작물 수확량을 높이기 위한 실험을 진행하면서 단순한 반복보다 많은 정보를 획득할 수 있게 실험을 설계할 필요가 있었다. 실험계획법에 대한 피셔의 재미있는 일화가 있다. 그 당시 영국 사람들은 밀크티에 차와 우유를 따르는 순서로 맛의 차이가 있다 없다의 논쟁을 펼쳤다. 이에 논쟁의 결론을 내리기 위해 피셔는 다음과 같은 실험을 계획하였다.   그림 1. 실험계획법의 일화 – 차를 맛보는 여인(출처 : ChatGPT)   실험은 이렇다. 피셔는 8잔의 밀크티를 준비하였고 4잔은 차를 먼저, 나머지 4잔은 우유를 먼저 따랐다. 나머지 실험조건은 동일하게 하기 위해 같은 찻잔을 사용했고, 랜덤으로 여인에게 차를 맛보게 했다. 밀크티를 모두 마신 뒤 차를 먼저 따랐다고 판단되는 찻잔 4개를 선택하게 하였다. 이 실험 결과를 토대로 피셔는 차를 먼저 따른 밀크티의 개수(0~4) 별로 확률을 계산해 낼 수 있었다. 참고로, 이 실험의 결과 여인이 정확하게 4잔(차를 먼저 따른 밀크티)을 모두 골라냈다고 한다. 2차 세계대전 이후 품질 관리를 위해 실험계획법이 미국 제조업에 도입되었고, 1950년대 이후부터 다구치 겐이치가 강건설계의 개념과 함께 일본 제조업에 널리 적용하였다. 실험계획법은 경제성의 원칙과 궤를 함께 한다. 최소한의 데이터로 최대 효과를 얻겠다는 것이다. 실험계획법에는 다양한 기법이 존재하며, 대표적으로 FFD(Full Factorial Design : 완전조합법)와 LHD(Latin Hypercube Design)를 예로 들 수 있다. FFD는 주로 실제 실험에 많이 활용되었고, LHD는 시뮬레이션 기술이 발달함에 따라 전산 실험에 널리 활용되었다.   (a) FFD   (b) LHD 그림 2. 실험계획법의 종류   어떻게 활용할 것인가? 옥석 가리기 많은 최적설계 관련 연구나 논문을 검토하면서 공통적으로 파악되는 프로세스가 있다. 데이터도 돈이지만 설계 프로세스가 더 많은 데이터를 필요로 하는 이유는 설계변수 때문이다. 즉, 설계변수도 돈이다. 설계변수는 내가 개선하고자 하는 성능지수를 컨트롤할 수 있는 수단이기 때문에 많으면 많을수록 유리하겠지만, 현실적으로 가성비를 따져보지 않을 수 없다. 결론은 많은 설계변수 중 옥석을 가려내야만 한다. 적으면 적을수록 적은 데이터가 필요하므로 가성비가 올라가기 때문이다. 설계변수의 옥석을 가리기 위해 주로 사용되는 것이 민감도(sensitivity)이다. 민감도는 설계변수 변화에 따른 성능지수(목적함수나 구속조건)의 변화를 나타내는 기울기로 표현된다. 그 기울기가 크면 클수록 설계변수의 민감도가 커진다. 즉 설계변수를 조금만 변경해도 성능지수 값을 많이 변경시킬 수 있다는 의미이다. 민감도를 계산할 수 있는 다양한 방법이 존재한다. 다양한 방법이 존재한다는 의미는 각기 장단점을 가진다는 것이다. 크게는 국부 민감도(local sensitivity)와 전역 민감도(global sensitivity)로 나눌 수 있다. 현재 설계점에서 국한해서 설계변수의 민감도를 보는 것이 국부 민감도이고, 전체 설계 영역에서 성능지수에 미치는 영향을 통계적으로 분석하는 것이 전역 민감도이다. 당연히 전역 민감도가 많은 데이터를 필요로 한다. 통상적으로 어느정도 데이터를 확보할 수 있는 경우라면, 실험계획법으로 확보된 데이터로 전역 민감도 분석을 통해 설계변수의 옥석을 가리는 경우가 많다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

‘CAE 컨퍼런스 2025’가 지난 11월 7일 수원컨벤션센터에서 진행됐다. ‘시뮬레이션의 미래 : AI와 디지털 트윈이 주도하는 제조 혁신’을 주제로 한 CAE 컨퍼런스 2025에서는 AI(인공지능)와 디지털 트윈(Digital Twin)의 융합을 통한 엔지니어링 혁신 및 가속화의 흐름을 짚었다. 특히 CAE 기술이 AI 및 데이터 기술과 결합함으로써 제조 및 설계 분야의 복잡한 문제를 해결할 뿐만 아니라, 최적 설계를 넘어 자율 설계와 스마트 제조를 구현할 수 있는 가능성에 주목했다. ■ 정수진 편집장     CAE 컨퍼런스 준비위원회 위원장인 연세대학교 기계공학과 이종수 교수는 개회사에서 과거에는 설계, 해석, 생산 등 공학 영역 사이의 장벽이 허물어지고 기술 융합과 협업이 가속화되고 있다고 짚었다. 한편, AI는 엔지니어링 의사 결정 과정에서 가속화를 돕는 역할을 한다. 특히 물리적 현상을 파악하는 기술인 CAE는 데이터 부족이나 불확실성, 그리고 경험하지 않은 영역의 문제를 해결해야 할 때 AI와 상호보완적인 관계를 갖게 된다는 것이 이종수 교수의 분석이다. 그는 “AI와 CAE는 서로 부족한 부분을 채워주는 친구처럼 협력하고 있다. 이번 CAE 컨퍼런스의 주제인 AI와 디지털 트윈을 통해 이러한 융합이 더욱 촉진되기를 기대한다”고 전했다.   디지털 제조 혁신을 가속화하는 CAE와 AI의 결합 앤시스코리아의 강태신 전무는 ‘디지털 제조 혁신을 위한 앤시스의 엔드 투 엔드 설루션’을 주제로 첫 번째 기조연설을 진행했다. 그는 최근 제조 트렌드의 변화와 스마트 공장의 필요성, 그리고 시뮬레이션의 핵심 역할을 설명했다. 강태신 전무는 IoT(사물인터넷), AI 등 4차 산업혁명 기술로 인한 리쇼어링(reshoring) 추세를 언급하면서, 스마트 공장의 핵심은 데이터의 연결성(connectivity)과 시뮬레이션을 통한 불량 예방이라고 강조했다. “시뮬레이션 기반 디지털 엔지니어링의 도입은 전체 수명 주기 비용을 줄이는 데 기여하며, 앤시스는 제품 설계부터 제조 공정까지 전 과정을 아우르는 엔드 투 엔드 시뮬레이션 설루션을 제공해 디지털 전환을 가속화한다”고 전한 강태신 전무는 국내 배터리 제조 공정에 시뮬레이션과 IoT 데이터를 결합한 디지털 트윈을 구축하여 생산성을 약 20% 향상하고 비용을 절감한 실제 사례를 소개했다. 또한 “스마트 공장의 도입은 이제 필수이며, 복잡한 것보다 작은 것부터 시작하여 성공을 확장하는 것이 중요하다”고 짚었다.   ▲ 앤시스코리아 강태신 전무   연세대학교 기계공학과 이종수 교수는 ‘자율지능 에이전트를 위한 물리 모델 기반 시스템 엔지니어링 & 생성적 산업 인공지능’을 주제로 한 기조연설에서 “공학의 딜레마인 ‘정확성’과 ‘효율성’ 사이의 고민을 해소하고, 데이터가 부족한 ‘경험하지 않은 영역’ 문제를 해결하기 위해 물리 지식을 다루는 CAE와 AI의 협업이 필수라고 강조했다. 이종수 교수는 “물리 지식 기반의 CAE가 AI 모델의 가이드 역할을 함으로써, 빅데이터가 아니라 적은 데이터로도 AI 학습을 가속화하고 정확도를 높일 수 있다”고 설명했다. 이런 기술이 대형 화면 단차 분석의 도메인 적응이나 전기차 냉각 시스템 소음 저감 설계 등에서 복잡한 문제를 해결하고 새로운 설루션을 도출하는 데 적용되고 있다고 소개한 이종수 교수는 AI와 CAE가 서로 협력하는 것이 중요하다고 전했다.   ▲ 연세대학교 기계공학과 이종수 교수   차세대 엔지니어링 패러다임 : AI, 자율화, 클라우드 나니아랩스의 강남우 대표는 ‘생성형 AI에서 에이전틱 AI까지 : 자율 설계의 미래’를 주제로 한 발표에서 인구 감소 등으로 어려움을 겪는 제조업의 혁신을 위해 AI 도입이 필수라고 강조했다. 또한, 엔지니어링 설계의 패러다임이 AI를 도구로 쓰는 ‘생성형 설계’를 넘어, AI가 의사 결정권을 갖는 ‘자율 설계(autonomous design)’ 시대로 진화할 것이라고 전망했다. 강남우 대표는 “딥러닝이 복잡한 고차원 설계 문제를 해결하는 핵심 기술이며, 미래에는 AI가 스스로 최적의 워크플로를 생성하여 설계 전 과정을 자동화하는 자율 에이전트 AI(agentic AI) 플랫폼 구축이 중요하다”고 짚었다.   ▲ 나니아랩스 강남우 대표   아마존웹서비스(AWS)의 전병승 설루션 아키텍트는 ‘클라우드 기반 CAE 혁신 : AI로 가속화하는 차세대 엔지니어링 시뮬레이션’을 주제로 발표했다. 그는 전통적인 온프레미스 HPC 환경의 한계를 분석하면서, “클라우드는 무제한의 용량과 유연성, 비용 효율을 제공함으로써 CAE 워크로드의 개발 주기를 단축시킨다”고 설명했다. 또한 “AWS는 HPC 인프라 자원과 클러스터 구축 자동화 설루션을 제공한다. 나아가 클라우드를 통해 가속화된 엔지니어링 환경에 자율 에이전트 AI를 적용하여 시뮬레이션 자동화 및 엔지니어의 생산성을 극대화할 수 있다”면서, “AWS는 인프라부터 AI 개발 도구까지 지원하여 기업의 혁신을 돕는다”고 소개했다.   ▲ AWS 전병승 설루션 아키텍트   한국알테어의 이승훈 기술총괄 본부장은 ‘CAE 최신 동향과 AI 기반 디지털 트윈 가속화’를 주제로 발표하면서, 엔지니어링 패러다임 변화에 대응하는 알테어의 핵심 전략을 제시했다. 이승훈 본부장은 “알테어는 메시리스 설루션으로 설계자의 시뮬레이션 접근성을 높이고, 멀티피직스 및 엔드 투 엔드 워크플로를 통합한다. 또한, 클라우드 기반의 협업 환경으로 데이터 사일로(silo) 문제를 해결하고, HPC 자원을 유연하게 확장하도록 돕는다”고 설명했다. 또한, “궁극적으로는 시뮬레이션 데이터를 활용하여 물리 AI(physics AI) 기반의 예측 모델을 구축하고, 복잡한 해석 결과를 수십 초 만에 도출하여 엔지니어링 시간을 확보하는 것이 핵심”이라고 전했다.   ▲ 한국알테어 이승훈 기술총괄 본부장   CAE의 난제 해결하는 첨단 기술 피도텍의 최병열 연구위원은 ‘RBDO, 데이터 시대에 무결점 설계를 향해’를 주제로 발표했다. 최병열 연구위원은 제조 오차나 재료 물성의 불확정성(uncertainty)을 설계 단계부터 반영하는 신뢰성 기반 설계 최적화(RBDO : Reliability-Based Design Optimization) 기술의 적용 필요성을 강조했다. 또한 “이 기술의 핵심 목표는 불확정 요인을 반영하여 최종 제품의 신뢰도를 극대화하는 것”이라면서, RBDO의 개념과 현재 엔지니어링 환경에서 필수인 이유, 그리고 현장에 효과적으로 적용하는 구체적인 방법을 제시했다.   ▲ 피도텍 최병열 연구위원   메타리버테크놀러지의 서인수 이사는 ‘입자 기반 멀티피직스 CAE 기술 : 유체유동 및 플라스마 응용사례’ 발표에서 격자 생성 없이 비정상 상태 해석에 효과적인 입자 기반 다중 물리 CAE 기술을 소개했다. 또한 CUDA HPC를 활용하여 해석 속도를 가속화했다고 밝혔다. 주요 응용 사례로 믹싱 공정, 프린터 토너 거동 등 고체 입자 해석, 기어박스 오일 거동이나 모터 냉각 시스템 등 유체 유동 해석, OLED 증착 및 반도체 식각 공정 등 고진공 플라스마 해석 분야에서의 적용을 제시한 서인수 이사는 “GPU 기반 자체 설루션이 기존 상용 툴로 풀기 어려운 복잡하고 특수한 CAE 난제를 해결하는 데 기여하고 있다”고 전했다.   ▲ 메타리버테크놀러지 서인수 이사   자동차 및 전자 산업의 디지털 트윈 적용 사례 LG전자의 문강석 책임연구원은 ‘시뮬레이션 기반 파우치형 배터리 동향과 실링 공정 최적화를 통한 신뢰성·안전성 강화 사례’ 발표에서 파우치형 배터리의 실링(sealing) 공정 최적화 사례를 소개했다. 문강석 책임연구원은 “배터리 실링은 열 전달, 상 변화, 구조 변형, 점성 유동 등의 다중물리 현상이 동시에 발생하기 때문에 해석이 어렵다”면서, “신뢰성과 안전성을 확보하기 위해 실링 공정의 복잡한 물리적 거동을 CAE 기술로 분석했다”고 전했다. LG전자 연구팀은 기존 설루션의 한계를 극복하고자 솔버를 개선하고, 실험 데이터와 CAE 해석을 기반으로 두께 변화에 대한 수학적 모델링 및 최적화를 진행했다. 문강석 책임연구원은 이를 통해 실링 공정의 정량적 예측이 가능해져, 배터리의 신뢰성을 높이는 데 기여할 수 있었다고 설명했다.   ▲ LG전자 문강석 책임연구원   LG전자의 장일주 책임연구원은 ‘TV 제품의 CAE 자동화 및 AI 활용 사례’ 발표에서 “CAE의 핵심인 효율화 및 자동화를 달성하기 위해, 개발자들이 직접 사용할 수 있는 웹 기반의 CAE 자동화 시스템을 구축했다”고 소개했다. 그 한 가지 사례로 TV 스탠드와 헤드 블록의 구조/방열 성능을 예측해서 설계 단계에서 활용할 수 있도록 하는 TV 스탠드 안정성 예측 모델이 있는데, 몬테카를로 시뮬레이션과 딥러닝을 활용해 높은 신뢰도의 예측 결과를 빠르게 도출할 수 있었다. 또한 해석 시간이 3주 소요되던 포장 충격 예측에는 물리 기반 딥러닝 기법(PINNs)을 도입해 정확도를 높였다. 장일주 책임연구원은 “향후 TV 제품에 대해 약 15~20가지의 해석 항목을 모두 자동화해서 엔지니어링의 효율화를 이룰 계획”이라고 전했다.   ▲ LG전자 장일주 책임연구원   현대자동차의 한만용 책임연구원은 ‘고객 중심의 디지털 트윈 기술–승객 모니터링과 인체 모델의 융합’을 주제로 발표했다. 한만용 책임은 SDV(소프트웨어 중심 차량) 시대에 고객 중심 차량을 개발하기 위해서는 승객 데이터의 확보가 필수라고 강조하면서, “기존 디지털 모델과 달리 현실 데이터를 동기화하는 디지털 트윈 모델을 목표로 한다”고 소개했다. 현재는 승객 모니터링 시스템의 정보를 활용해서 관절의 위치를 파악하고, 인버스 다이나믹 모델을 통해 하중 정보를 계산하는 디지털 트윈 인체 모델을 구축하고 있는데, 한만용 책임연구원은 “체형 정보를 반영하여 충돌, 안락성 평가를 최적화하고, 실시간 피드백을 통해 승객 안전과 멀미 지수 예측 등 다양한 버추얼 테스트에 디지털 트윈 인체 모델을 활용할 계획”이라고 전했다.   ▲ 현대자동차 한만용 책임연구원     ■ 기사 내용은 PDF로도 제공됩니다.

펑션베이가 지난 10월 13일 ‘2025 리커다인 유저 콘퍼런스’를 진행했다. 이번 콘퍼런스에서는 모델링 속도 개선, 해석 정확도 및 활용성 강화, 결과 분석 용이성 등을 중점으로 다물체 동역학 해석 설루션 리커다인 2026(RecurDyn 2026) 버전의 신기능을 소개했다. 또한 입자법 기반 CFD(전산 유체 역학) 소프트웨어인 파티클웍스 8.2(Particleworks 8.2) 버전의 기능 개선과 함께 사용자 서브루틴의 활용법, 모터 모델링 및 제어 기법, 하모닉 드라이브의 MFBD(유연 다물체 동역학) 해석 기법 등의 기술 발표가 이뤄지는 등 엔지니어링 시뮬레이션 기술의 최신 동향과 적용 사례를 전했다. ■ 정수진 편집장     해석의 신뢰도와 사용자 편의성 강화한 리커다인 2026 펑션베이 기술사업팀의 김진수 수석은 펑션베이가 자체 개발하고 있는 리커다인 2026의 핵심 기능을 소개했다. 사용자 모델링 효율과 해석 정확도를 강화한 이번 버전은 접촉(contact), 조인트(joint), 요소(element) 등 물리 현상 재현 능력을 고도화하고, 최신 AI 기술을 도입해 사용자 편의성을 높인 것이 특징이다. 우선, 해석의 신뢰도를 좌우하는 접촉 기능이 향상됐다. 패치 사이즈의 하한 제한을 없애 미세한 설정이 가능해졌으며, 이를 통해 더욱 정교한 지오메트리 조정이 가능하다. 특히 지오 콘택트(geo contact)에는 ‘단위 면적당 강성’과 ‘압력 스플라인’ 입력 방식이 추가되어, 브레이크 패드와 같이 면적에 따라 압력이 변하거나 비선형적 압력 관계를 가진 모델의 해석 정확도가 높아졌다. 조인트 영역에서는 스크류 조인트에 프리로드 기능을 추가해 오일 피스톤 등의 마찰 거동을 현실적으로 구현하며, 유연체(FFlex) 해석 시 더미 보디의 질량을 자동 보정해 물리적 간섭을 최소화했다. 주목할 점은 생성형 AI 기술의 도입이다. 리커다인 2026은 LLM(대규모 언어 모델) 기반의 ‘리커다인 어시스턴트’ 베타 버전을 탑재했다. 김진수 수석은 “복잡한 표현식(expression) 예제 생성이나 사용법 안내를 AI가 지원함으로써 모델링의 진입 장벽을 낮췄다”고 설명했다. 후처리(포스트 프로세싱)의 효율도 개선됐다. 애니메이션 일시 정지 상태에서 즉각적인 파라미터 확인과 노드 데이터 추적이 가능해졌고, 최대 5개 주파수의 진동 모드를 동시에 비교 재생하거나 셸(shell) 요소의 두께 위치별 응력을 확인하는 기능이 추가됐다. 이 외에도 내구 해석 결과 통합, 2배 빨라진 기어 해석용 패치 구속 모델링 등을 통해 엔지니어의 업무 생산성을 높이는 데 주력했다.   ▲ 리커다인 2026에서 베타로 탑재된 LLM 기반의 AI 어시스턴트   입자 해석의 정밀도·효율 높인 파티클웍스 8.2 펑션베이가 국내 공급하는 입자법 기반 CFD 소프트웨어인 파티클웍스는 지난 10월 8.2 버전을 선보였다. 펑션베이 기술사업팀의 김태영 책임은 “이번 업데이트는 기체와 액체의 상호작용을 다루는 LBM(Lattice Boltzmann Method) 기능의 고도화와 대규모 해석을 위한 전용 모델 도입, 열 해석 영역 확장을 통해 정확도와 효율을 강화했다”고 밝혔다. 가장 큰 변화는 기체와 액체 간의 양방향(2-way) 커플링 지원이다. 뭉쳐진 유체인 액적과 LBM 격자 간의 상호작용을 직접 계산하여, 액적과 기류가 서로 주고받는 영향을 반영할 수 있다. 이를 통해 빗방울이나 소방수 살포 같은 복잡한 유동을 더욱 현실적으로 모사할 수 있게 됐다. 눈이나 먼지가 쌓이는 현상을 다루는 ‘부착/적층 모델’도 추가됐다. 파티클웍스 8.2에서는 해석 효율이 더욱 개선됐다. FVM(유한체적법) 연동 시 MPS는 싱글, FVM은 더블 프리시즌으로 계산하는 하이브리드 방식을 도입해 속도와 안정성을 확보했다. 김태영 책임은 “불필요한 격자 생성을 줄이고 결과 파일 크기를 최대 85% 축소해 대용량 해석의 부담을 덜었다”고 설명했다. 또한 억 단위 입자를 처리하는 토목·해일 해석용 ‘EIMPS’ 모델을 도입해 메모리 효율과 속도를 높였다. 열 해석 분야에서는 고체-액체-기체 간 상호 열전달을 단일 솔버로 통합 지원하며, 방향별 열 전도도 입력 기능을 더해 복합적인 열전달 현상을 정밀하게 해석할 수 있게 됐다.   동역학 해석의 한계 극복 위한 기술과 사례 소개 이번 콘퍼런스에서는 리커다인의 기술적 깊이와 확장성을 선보이는 발표와 함께 자동차, 로보틱스, 전력 설비, 인공위성 등 다양한 산업 분야의 활용 사례가 소개됐다. 펑션베이 기술사업팀의 이정한 수석은 ‘리커다인 유저 서브루틴(user subroutine) 사용법’을 주제로, 파도의 힘과 같은 특수 물리 현상을 사용자가 직접 구현하거나 복잡한 모델을 수식화하여 해석 속도를 단축하는 노하우를 공유했다. 장성일 책임은 ‘코링크(CoLink) 모터 드라이버를 연동한 모터 모델링’ 기법을 소개하면서, 기계와 제어 시스템이 결합된 메카트로닉스 분야로의 기술 확장을 강조했다. 전용우 팀장은 로봇 구동계의 핵심인 ‘하모닉 드라이브(harmonic drive)의 모델링 및 정밀 해석 기법’을 발표하면서, 해석 시간 단축과 정확도 확보를 동시에 달성하는 해법을 제시했다. 펑션베이는 이들 발표를 통해 리커다인이 다룰 수 있는 CAE 기술의 스펙트럼과 해결 능력을 포괄적으로 제시했다. 또한, 동역학 해석을 넘어 복합 물리 현상과 정밀 제어 시스템까지 아우르는 통합 설루션으로 나아가고자 하는 리커다인의 미래 방향성을 제시했다.     ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   2025년 마지막 칼럼의 주제는 인공지능 전환(AI Transformation : AX)의 본격적인 시작이 아닐까 한다. 현재 대한민국 주력 산업이 거대한 변곡점 위에 서 있다. 지난 10여 년간 우리는 데이터를 쫓았다. 스마트 공장을 짓고, IoT(사물인터넷) 센서를 부착하며 데이터를 수집하는 디지털 전환(Digital Transformation : DX)에 매진했다. 하지만 생성형 AI의 시대가 도래한 지금, ‘데이터를 얼마나 많이 가졌는가’는 더 이상 승패를 가르는 절대적 기준이 아니다. 이제는 질문을 바꿔야 한다. ‘AI가 우리 산업 현장을 얼마나 깊이 ‘이해’하고 있는가?’ 바로 이것이 인공지능 전환의 본질이다.   그림 1. 디지털 전환과 인공지능 전환   데이터 중심에서 지식 중심으로의 패러다임 전환 기존의 DX가 데이터 수집과 프로세스 효율화에 집중했다면, 다가오는 AX 시대의 핵심은 지식 기반 지능화(knowledge-based intelligence)이다. 수많은 제조 현장의 암묵지, 설계 도면의 복잡한 로직, 엔지니어의 경험치 등은 단순한 데이터 패턴 학습만으로는 AI에게 전수될 수 없다. 우리는 산업 도메인의 복잡한 구조와 규칙, 제약 조건을 AI가 명확히 이해하고 추론할 수 있도록 만들어야 한다. 이것이 바로 한국 산업이 지향해야 할 새로운 경쟁력, 구조적 지능(structural intelligence)이다.   핵심 기술 : 인간의 지식을 AI의 언어로 이러한 ‘지식 중심 전환’을 가능케 하는 핵심 엔진이 바로 AI 온톨로지(AI ontology)이다. 온톨로지는 문서나 도면과 같은 ‘사람 중심의 비정형 지식’을 AI가 이해할 수 있는 개념, 관계, 속성, 규칙으로 구조화하여 AI형 지식 체계로 재탄생시킨다. 온톨로지가 적용되면 AI는 단순한 불량 검출을 넘어선다. 설계 지식을 논리로, 생산 공정을 제약 조건으로, 품질 문제를 인과관계로 파악하게 된다. 즉, AI가 엔지니어처럼 사고하고, 공정 최적화를 위해 스스로 추론하며, 설계 대안을 제시하는 AI 증강 지식(AI augmented knowledge)의 단계로 진입하는 것이다.   그림 2. AI 온톨로지를 사용한 AI 증강 지식   제품 수명주기의 지능적 통합 AI 온톨로지의 진가는 제품의 기획부터 설계, 생산, 운영, 폐기에 이르는 전 수명주기(lifecycle)에서 발휘된다. 기존의 단절된 공정 지식이 온톨로지 기반으로 연결되면서, 제품 수명주기 관리(Product Lifecycle Management : PLM) 시스템은 ‘AIaugmented PLM’으로 진화한다. 설계 단계 : 요구 사항과 규격을 AI가 구조적으로 분석하여 CAD/ CAE/BIM 모델 생성을 지원한다. 생산 단계 : 공정의 제약 조건을 이해한 AI가 최적의 생산 계획을 수립한다. 운영 및 품질 : 예지보전은 물론, 품질 문제 발생 시 원인과 결과를 논리적으로 추론하여 해결책을 제시한다.   그림 3. 인공지능 증강 PLM   국가 산업 주권을 위한 전략 결국 이 모든 기술적 노력은 국가 차원의 산업 경쟁력 보호, 즉 소버린 AI(sovereign AI, 주권형 인공지능) 구축으로 귀결된다. 글로벌 빅테크의 일반 범용 모델에 의존해서는 대한민국 특유의 제조, 조선, 반도체, 항공 방산 산업의 기밀과 노하우를 지킬 수 없다. 우리는 다음의 3대 핵심 요소를 통해 독자적인 산업 지능 생태계를 구축해야 한다. 한국 산업 온톨로지 : 우리 산업 고유의 공정과 표준이 반영된 AI 지식 체계 한국형 산업 데이터스페이스(Korea industrial data space) : 데이터 주권을 확보하고 안전한 교환을 보장하는 인프라 산업 AI 에이전트 : 실제 공정 자동화와 최적화를 수행하는 실행 시스템   그림 4. 한국형 구조적 지능이 국가 산업 주권 전략이다.   맺음말 : 지식을 구조화하는 자가 미래를 지배한다 “지식을 구조화하는 국가가 미래 산업을 지배한다.” 이것은 단순한 수사가 아니다. 한국은 세계 최고 수준의 산업 데이터와 공정 지식을 보유하고 있다. 이제 남은 과제는 이 방대한 자산을 AI가 이해할 수 있는 ‘지능형 구조’로 변환하는 것이다. AI 온톨로지 기반의 산업 지능화 전략은 한국이 패스트 팔로어(fast follower)를 넘어, AI 시대의 진정한 퍼스트 무버(first mover)로 도약하기 위한 가장 확실한 로드맵이 될 것이다.   ■ 조형식 항공 유체해석(CFD) 엔지니어로 출발하여 프로젝트 관리자 및 컨설턴트를 걸쳐서 디지털 지식 전문가로 활동하고 있다. 현재 디지털지식연구소 대표와 인더스트리 4.0, MES 강의, 캐드앤그래픽스 CNG 지식교육 방송 사회자 및 컬럼니스트로 활동하고 있다. 보잉, 삼성항공우주연구소, 한국항공(KAI), 지멘스에서 근무했다. 저서로는 ‘PLM 지식’, ‘서비스공학’, ‘스마트 엔지니어링’, ‘MES’, ‘인더스트리 4.0’ 등이 있다.     ■ 기사 내용은 PDF로도 제공됩니다.