디지털 트윈과 산업용 메타버스 트렌드   영화 매트릭스가 개봉된 지 20년이 더 지난 2020년대에 이러한 가상 세상은 영화가 아닌 실제 산업 현장에서 구현되어 산업 혁신을 주도하고 있다. 바로 ‘디지털 트윈 (Digital Twin)’이다 이 글에서는 디지털 트윈의 의미와 제조 산업 특히 로봇 기반 자동화에서 디지털 트윈이 어떻게 제조현장을 혁신하는지 실증 사례를 기반으로 소개한다.   장영재 교수 / 카이스트  “헬기를 몰 줄 알아요?” 남자 요원이 동행한 여자 요원에게 물었다. “아니요. 아직은요. 잠시만 기다리세요.” 그리고 즉시 여자 요원은 무전로 본부에 연락해, 헬기 시뮬레이션 교육프로그램을 업로드 해달라 본부에 요청했다. 본부에서는 즉시 시뮬레이션 교육프로그램을 가속으로 돌려 헬기 조정 능력을 여자 요원의 머리에 업로드하였다. 여자요원은 불과 몇 초 사이에 수백시간 걸릴 헬기훈련을 마친 베터랑 헬기 조정사 능력을 가지게 되었다. 그리고 여자 요원은 외쳤다. “빨리 헬기를 몰고 도망칩시다!” 그리고 여자 요원은 능숙한 솜씨로 헬기를 몰고 남자요원과 함께 탈출한다. 1999년 개봉된 영화 매트릭스의 한 장면이다. 가상의 세상과 실제 세상을 오가며 과연 무엇이 진실이며 실제 (real)이란 무엇일까란 질문을 던지는 매우 철학적인 영화다 .  영화 매트릭스가 개봉된 지 20년이 더 지난 2020년대에 이러한 가상 세상은 영화가 아닌 실제 산업 현장에서 구현되어 산업 혁신을 주도하고 있다. 바로 ‘디지털 트윈 (Digital Twin)’이다. 본 특집에서는 디지털 트윈의 의미와 제조 산업 특히 로봇 기반 자동화에서 디지털 트윈이 어떻게 제조현장을 혁신하는지 실증 사례를 기반으로 소개한다.   1. 시뮬레이션과 디지털 트윈의 차이 우리나라 과학기술정보 통신부에서는 디지털 트윈을 다음과 같이 정의하고 있다.  “가상세계에서 실제 사물의 물리적 특징을 동일하게 반영한 쌍둥이 (Twin)을 3D 모델로 구현하고 제 사물과 실시간으로 동기화 및 시뮬레이션을 통해 관제, 분석, 예측 등 현실의 의사결정에 활용하는 기술” 그러나 이러한 정의만으로는 구체적으로 디지털 트윈을 파악하기에 모호하다. 시뮬레이션과 디지털 트윈의 차이가 무엇인지, 실시간 동기화가 왜 필요한지, 관제, 분석, 예측은 이미 다양한 방식으로도 가능한데 디지털 트윈이 제공하는 또 다른 가치가 있는지 설명이 부족하다. 최근 디지털 트윈 관련 이슈가 많다 보니 기업들도 앞 다투어 디지털 트윈을 기술을 확보했다는 등의 보도자료를 통해 기술 홍보를 하기도 한다. 이런 대부분은 공장의 가공 로봇이 움직임을 실시간 3D 애니메이션으로 구현해서 실제 로봇의 움직임을 컴퓨터에 시연하는 정도다. 그러나 이러한 시연을 보면 대부분 사람들의 반응은 “이것으로 무엇을 하지요?” “굳이 거액을 들여 실물의 움직임을 컴퓨터 그래픽으로 그대로 보여줄 필요 있나요? 그저 CCTV 하나 설치하면 컴퓨터에서 영상으로 볼 수 있는 것을 굳이 컴퓨터 그래픽 3D영상으로 구현할 필요가 있나요?” 등의 반응이다. 그렇다면 우선 시뮬레이션과 디지털 트윈의 차이가 무엇일까? 2. 디지털 트윈이 과연 무엇인가?   시뮬레이션은 가상의 시나리오를 기반으로 그 결과를 재현해 보는 것을 의미한다. 내가 A란 결정을 했을 때 그 결과가 어떻게 나올지를 유추해 보는 것이 시뮬레이션이다. 우리가 일반적으로 잘 알고 있는 시뮬레이션이 컴퓨터 시뮬레이션이다. 즉 컴퓨터가 구현한 상황에서 특정 의사결정에 대해 그 결과를 컴퓨터를 통해 산출하는 것이다. 컴퓨터 시뮬레이션 활용의 대표적인 예가 워 게임 (War Game)이다. 군에서는 전략전술 교본이나 전술, 그리고 무기 체계 설계를 할 때 컴퓨터를 통한 시뮬레이션을 활용한다. 평가나 실험을 위해 실제 전투나 전쟁을 치를 수 없기에 컴퓨터를 통해 가상의 적군과 전투를 하며 훈련을 하거나 전술 평가에 활용한다. 실제 컴퓨터 시뮬레이션 활용에 대한 연구가 가장 활발히 이뤄지는 분야가 국방 시뮬레이션 분야인 이유다.  우리 일상 생활에서도 이러한 시뮬레이션이 실제 많이 활용된다. 대표적인 예가 바로 자동차 네비게이션이다. 10년전 네비게이션을 떠올리면 전형적인 시뮬레이션 장비라 할 수 있다. 목적지를 입력하면 내 위치에서 목적지까지 수많은 대안 경로 중 최적 경로를 제안해 준다 . 그러나 당시 네비게이션은 실시간 교통정보를 경로 탐색에 담지 않았다. 그러다 보니 출퇴근 교통혼잡이나 사고로 인한 교통 체증과 같은 상황에서도 일반 상황과 동일한 이동경로 시간 산출과 경로를 제시하는 한계가 있었다. 최근 자동차 네비게이션이나 스마트폰 차량 맵은 실시간 교통정보를 포함해 다양한 대안 경로를 제시한다. 즉 실시간 GPS 정보를 통해 내 차량의 위치는 클라우드의 컴퓨터로 전송이 되고 또한 다양한 교통정보를 기반으로 실시간으로 대안경로를 찾고 도착시간을 지속해서 업데이트 한다. 그리고 내차의 이동 경로와 교통 상황은 사용자가 직관적으로 파악할 수 있도록 컴퓨터 그래픽으로 전달된다. 즉 실시간 교통정보를 기반으로 지속적인 업데이트된 경로를 제공하는 스마트폰 네비 앱이 디지털 트윈의 가장 대표적인 사례다. 학문에서는 디지털 트윈의 조건을 아래로 정의한다. 1. 실물과 가상의 시스템이 거의 실시간 (near real-time)으로 연동되어야 한다. 2. 다양한 상황의 시나리오를 검토하고 대안을 제시할 수 있어야 한다. 3. 사용자의 의사결정을 지원하며 사용자가 쉽게 의사결정 상황을 직관적으로 파악할 수 있는 인터페이스를 제공해야 한다.   스마트폰 네비는 위 조건을 모두 만족한다. 실시간으로 차량의 위치가 GPS로 전송되고 교통정보도 활용한다는 점에서 1번 조건을 만족하며, 다양한 대안경로를 검토함으로 2번 조건을 만족하며, 사용자의 최적경로를 제안하며 이러한 경로를 그래픽으로 전달하는 방식으로 3번 조건을 만족한다. 즉 스마트폰 네비가 우리 생활의 디지털 트윈이라 할 수 있다. 이런 의미를 보면 굳이 디지털 트윈이 현실과 매우 흡사한 고퀄리티 네비를 제공해 줄 의무는 없고 3D그래픽을 제공하는 것도 조건은 아니다. 사람의 의사결정을 직관적으로 지원해 줄 수 있는 정도면 기능이 충분하다 할 수 있다. 3. 로봇 기반 제조 운영에서의 디지털 트윈   이러한 디지털 트윈 활용의 가장 대표적인 예가 제조 물류 자동화 시스템 설계 및 운영이다. 최근 제조 시스템의 가장 큰 변화 중의 하나는 컨베이어 벨트가 없는 자동화(Beltless Automation)로 표현되는 군집 로봇 기반 물류 자동화다. 1916년 포드 T모델이 컨베이어 방식으로 생산되며 제조 자동화 혁명을 가져왔다. 이후 컨베이어 벨트 기반 물류 자동화는 공장 자동화의 표준 생산이 되었다. 그러나 이러한 컨베이어 방식은 단일 품종 대량 생산에는 적합하지만 다품종 소량 생산과 같은 현대 소비 시장의 욕구를 충족하는 데는 한계가 있다. 차량 모델이 바뀔 때 마다 공장을 세우고 컨베이어 벨트와 설비 위치를 재 조정해야 하는 등 상당한 재투자가 필요하다. 카이스트 산업 및 시스템 공학과 졸업생들이 2020년에 창업하여 카이스트 및 네이버가 투자한 다임리서치는 디지털 트윈 기술을 기반으로 AGV나 ARM의 이동을 관제하고 제어하는 솔루션을 개발하여 LG전자뿐만 아닌 국내 반도체 및 2차전지 기업에 공급하고 있다.      상세 내용은 PDF로 제공됩니다.    

앤시스가 인텔의 18A(1.8나노급) 공정 기술로 제조되는 첨단 반도체 설계를 위한 열 및 다중 물리 검증 도구 인증을 획득했다고 밝혔다. 이번 인증은 AI 칩, 그래픽처리장치(GPU), 고성능 컴퓨팅(HPC) 제품 등 고난이도 애플리케이션에 사용되는 반도체 시스템의 기능성과 신뢰성을 확보하는 데 핵심 역할을 한다. 또한, 앤시스와 인텔 파운드리(Intel Foundry)는 멀티다이 기반 3D 집적 회로(3D-IC) 시스템 구현에 활용되는 EMIB(Embedded Multi-Die InterconneCT Bridge) 기술을 지원하는 포괄적인 다중 물리 검증 분석 플로를 공동 구축했다. 앤시스 레드호크-SC(Ansys RedHawk-SC) 및 앤시스 토템(Ansys Totem)은 인텔 18A의 GAA(Gate-All-Around) 트랜지스터인 리본펫(RibbonFET)과 후면 전력 공급 기술인 파워비아(PowerVia) 구조를 기반으로 전력 무결성과 신뢰성 분석 성능을 제공한다. 아울러 확장 가능한 전자기 시뮬레이션을 위해 HFSS-IC 제품군 내에 HFSS-IC Pro를 새롭게 선보였다. HFSS-IC Pro는 인텔 18A 프로세스 노드로 제작된 무선 주파수(RF) 칩, WiFi, 5G/6G 및 기타 통신 애플리케이션의 온칩 전자기(EleCTromagnetic, EM) 무결성 모델링에 대한 인증을 획득했다.     EMIB 기술은 고성능 마이크로프로세서, 이기종 통합 시스템 등 다양한 고성능 컴퓨팅 시스템에서 3D-IC 구현을 가능하게 하는 한편 다양한 종류의 칩을 유기적으로 연결해 고성능 컴퓨팅 시스템의 성능과 통합 수준을 높인다. 이번 다중 물리 플로에는 앤시스 레드호크-SC 일렉트로우써멀(Ansys RedHawk-SC EleCTrothermal)을 활용한 열 신뢰성 분석이 포함되어 있으며, 앤시스와 인텔 파운드리의 협력 범위를 확대해 실리콘 관통 전극(TSV)이 적용된 차세대 EMIB-T 기술까지 지원한다. EMIB-T 분석 플로는 HFSS-IC Pro와 앤시스의 에스아이웨이브(Anys SIwave)를 통한 신호 무결성 분석, 그리고 레드호크-SC 및 토템을 활용한 전력 무결성 분석까지 포괄하는 형태로 확장됐다. 레드호크-SC, 토템, HFSS-IC Pro의 인텔 18A 고성능 공정 노드(Intel 18A-P) 대상 인증 절차는 현재 진행 중이다. 고객은 최신 인텔의 공정 설계 키트(PDK, Process Design Kit)를 요청해 조기 설계 작업 및 IP 개발을 시작할 수 있다. 해당 설루션은 인텔 14A-E의 공정 정의 및 설계 기술 최적화(DTCO, Design Technology Co-Optimization)의 일환으로 포함되어 있다. 또한, 앤시스는 인텔 파운드리 액셀러레이터 얼라이언스(Intel Foundry Accelerator Alliance)의 일부인 인텔 파운드리 칩렛 얼라이언스에 합류해, 상호운용 가능한 칩렛 설계 및 제조를 위한 보안 생태계 구축에 기여할 예정이다. 인텔의 석 리(Suk Lee) 파운드리 에코시스템 기술실 부사장 겸 총괄 매니저는 “멀티다이 어셈블리 방식은 칩 적층 및 설계 효율에 대한 업계의 관점을 변화시키고 있다. 앤시스의 시뮬레이션은 고객이 설계를 고정밀로 검증할 수 있도록 지원하며, 복구가 어려운 비용을 절감하는 데 중요한 역할을 할 것”이라며, “칩렛 기술 발전을 위한 핵심 협력체인 인텔 파운드리 칩렛 얼라이언스에 앤시스가 참여하고 있어 매우 기대하고 있다”고 밝혔다. 앤시스의 존 리(John Lee) 전자·반도체·광학 사업부문 총괄 부사장은 “앤시스의 다중 물리 시뮬레이션 설루션은 고객에게 높은 수준의 열, 신호, 전력, 기계적 무결성을 보장하며, 최고의 신뢰를 제공한다. 고객의 칩 설계 방식은 다양할 수 있지만, 정확하고 신뢰성 있는 도구에 대한 수요는 항상 존재하며, 이 지점에서 앤시스의 강점이 발휘될 것”이라며, “인텔 파운드리와의 협업을 강화하고 칩렛 얼라이언스에 합류함으로써, 앤시스는 개방형 및 상호운용 가능한 기술을 통해 엔지니어링 완성도 향상이라는 약속을 실천해 나갈 것”이라고 덧붙였다.

어도비가 소셜 미디어, 전자상거래, 모바일 등 다양한 채널에서 급증하는 개인화된 콘텐츠 수요에 맞춰 기업의 효과적인 콘텐츠 제작을 지원하는 어도비 파이어플라이 서비스(Adobe Firefly Services) 및 파이어플라이 커스텀 모델(Firefly Custom Models)의 새로운 역량을 발표했다. 이번 발표로 기업을 위한 크리에이티브 및 생성 API 콜렉션인 파이어플라이 서비스는 영상과 3D를 비롯한 더욱 다양한 콘텐츠 유형을 지원하며 기업의 멀티미디어 제작 확대를 돕는다. 파이어플라이 서비스로 구동되는 새로운 파이어플라이 크리에이티브 프로덕션(Firefly Creative ProduCTion)은 노 코드(no-code) 인터페이스에서 주요 미디어 유형에 걸쳐, 반복적인 콘텐츠 제작 작업을 처리할 수 있도록 지원한다. 또한 파이어플라이 커스텀 모델과 퍼포먼스 마케팅용 어도비 Gen스튜디오(Adobe GenStudio for Performance Marketing)의 통합으로 브랜드 가이드라인을 준수하는 광고 콘텐츠를 한층 쉽게 확대할 수 있게 됐다.  이 같은 어도비의 혁신은 어도비 AI 에이전트와 모델을 통합하는 어도비의 AI 플랫폼으로 구동된다. 해당 플랫폼은 어도비 애플리케이션 전반에서 자사 데이터 인사이트, 서드파티 생태계의 AI 에이전트,  상업적으로 안전한 어도비 파이어플라이 및 안전한 서드파티 모델 등을 포함한다. 이처럼 어도비는 AI 플랫폼을 통해 마케팅과 크리에이티브를 통합하며 대규모로 개인화된 경험을 제공한다. 액센츄어(Accenture), 덴츠(Dentsu), 헨켈(Henkel), IPG 헬스(IPG Health), 태피스트리(Tapestry), 몽크스(Monks), 펩시코/게토레이(PepsiCo/Gatorade), 퍼블리시스(Publicis), 스태크웰(Stagwell), 에스티 로더 컴퍼니(The Estée Lauder Companies) 등 주요 기업과 에이전시는 어도비 파이어플라이(Adobe Firefly), 파이어플라이 서비스 및 커스텀 모델을 활용해 캠페인을 론치하는 데 걸리는 시간을 단축하며, 새로운 고객과 소통하며, 생성형 AI로 워크플로우를 간소화하고 크리에이티브 결과물을 강화하고 있다. 포레스터(Forrester) 총 경제 영향 조사(Total Economic ImpaCT Study)에 따르면 기업은 어도비 파이어플라이 제품군을 통해 에셋 변형 제작을 70%-80%까지 확대하는 한편, 에셋 검토 및 수정에 소요되는 시간을 75% 나 단축하며(3년 기준), 전환율 개선을 위한 개인화된 경험을 확장하고 수익 증대를 모색하고 있다. 바룬 파머(Varun Parmar) 어도비 Gen스튜디오 및 파이어플라이 엔터프라이즈 솔루션 부문 총괄은 “기업들은 어도비 파이어플라이 서비스와 커스텀 모델을 활용해 효율적인 콘텐츠 공급망을 구축하며 놀라운 성과를 내고 있다”며 “생성형 AI는 마케터와 크리에이티브 담당자의 역량을 강화하고 이들이 중요한 작업에 집중할 수 있도록 지원한다”고 말했다.

스노우플레이크는 자사의 ‘제조 산업을 위한 AI 데이터 클라우드(AI Data Cloud for ManufaCTuring)’가 자동차 산업에 특화된 설루션을 중심으로 확장하며 높은 성장세를 보이고 있다고 발표했다. 스노우플레이크에 따르면, 2023년 4월을 기준으로 2년간 전 세계 제조 산업군에서 데이터 애플리케이션 및 협업을 위해 스노우플레이크의 플랫폼을 도입한 비율은 416% 증가했고, 데이터 분석을 위해서는 185%, 고급 예측 모델링 및 AI 앱과 같은 데이터 사이언스 목적으로는 188% 늘었다.  이와 같은 제조업체의 데이터 기반 비즈니스 인사이트 확보에 대한 높은 수요에 따라, 스노우플레이크는 AI 데이터 클라우드를 자동차 산업의 특수한 요구사항을 충족할 수 있도록 정밀하게 조정하며 글로벌 제조업체의 디지털 전환 및 AI 혁신을 뒷받침하고 있다고 전했다. 커넥티드 및 소프트웨어 정의 차량(Software Defined Vehicle : SDV), 자율주행, 전기차, 인더스트리 4.0 등 자동차 산업 트렌드에 맞춰 스노우플레이크는 데이터 공유 및 AI 지원 기능으로 완성차 제조업체(OEM), 부품업체, 유통 및 서비스업체 전반의 협업과 생산 공정을 최적화하고 있다.     특히 스노우플레이크를 활용하는 자동차 관련 기업은 차량 설계부터 생산, 서비스, 보증에 이르는 전체 라이프사이클 데이터를 통합하고 사일로를 제거할 수 있게 된다. 이를 통해 운영 효율을 높이고 고객 경험을 향상시킨다. 또한 스노우플레이크 아키텍처로 SDV와 자율주행차에서 생성되는 방대한 커넥티드 데이터를 안정적으로 활용하고 확장할 수도 있다. 누적된 데이터는 스노우플레이크 마켓플레이스에서 판매할 수 있어 신규 수익원이 되기도 한다. 스노우플레이크 데이터 플랫폼은 조직 전반에서 AI·ML 기능을 손쉽게 활용할 수 있도록 해, 예측 모델 개발시간을 단축하고 차량 설계 및 유지보수의 새로운 패러다임을 주도할 수 있다. 공급망 전반의 실시간 가시성도 제공한다. 수요 예측의 정확도를 높이고 재고 관리와 비용 효율성을 높여 데이터 기반의 의사결정을 현실화할 수 있다. 스노우플레이크의 팀 롱(Tim Long) 제조 산업 부문 글로벌 총괄은 “커넥티드 및 자율주행 등 최신 차량은 방대한 데이터를 생성하고 있으며, 자동차 업계는 이를 효과적으로 처리하면서도 신뢰할 수 있는 AI 설루션이 필요해졌다”면서, “스노우플레이크의 자동차 산업 설루션은 제조 전문성을 바탕으로 자동차 기업이 데이터를 통합하고 커넥티드 차량 개발 계획을 확장하며, 시장 변화에 빠르게 대응할 수 있도록 지원한다”고 말했다. 지멘스와 같은 글로벌 기술 및 제조 기업은 스노우플레이크를 활용해 AI와 고급 분석으로 전사적 운영을 혁신하는 동시에 엄격한 보안 및 거버넌스 기준을 유지하고 있다. 전 세계 주요 완성차 제조업체(OEM)의 약 80%가 스노우플레이크 플랫폼을 활용 중이며, 닛산, 카맥스(CarMax), 콕스 오토모티브(Cox Automotive), 펜스케 로지스틱스(Penske Logistics) 등은 실시간 커넥티드 차량의 인사이트와 안전한 데이터 협업으로 운영 효율을 높이고 있다. 스노우플레이크는 이외에도 액센츄어, 아마존웹서비스, 딜로이트, EY 등 글로벌 파트너와 함께 자동차 산업에 특화된 AI 및 데이터 설루션을 확장하고 있으며, 지멘스 디지털 인더스트리 소프트웨어, 블루욘더(Blue Yonder), 랜딩AI(LandingAI), 멘딕스(Mendix), 시그마(Sigma) 등 다양한 파트너사가 스노우플레이크 플랫폼에서 SDV 개발, AI 기반 품질 관리, 공급망 최적화 등 전문 설루션을 개발하며 생태계를 확장하고 있다고 밝혔다.

AutoForm Car Body Planner   개발 : AutoForm, www.autoform.com 자료 제공 : AutoForm, 02-6332-1150, www.autoform.com/kr   AutoForm(오토폼)은 제품 설계부터 차체 조립에 이르기까지 전체 개발 프로세스 체인의 디지털화를 지원하는 통합 플랫폼을 제공한다. 특히, 디지털화 노력이 상대적으로 미진했던 차체 구매 부문의 견적 및 비용 산출 프로세스의 투명성을 확보하기 위해 ‘AutoForm CarBody Planner’를 도입하여 구매 프로세스의 디지털화를 추진하고 있다. 이는 ESG 경영과 맞물려 고객사로부터 큰 주목을 받고 있다. 또한, ESG 경영을 위한 디지털 트랜스포메이션을 통해 지속 가능한 경영을 실현하고, 환경적, 사회적, 거버넌스 측면에서의 책임을 다하기 위해 노력하고 있다. 1. 주요 특징  자동차 차체 개발 프로세스에서 초기 제품 설계 후, OEM 협력사의 구매 부서가 CBP를 통해 자동으로 수율을 검토한다. 이를 통해 빠른 대응과 OEM의 입찰 원가인 수율 보고서 작성이 간소화된다. 또한, OEM 구매 부서는 차종별 수율 이력 관리를 통해 효율성을 높이고, 협력사의 작업 시간을 단축하며, 입찰 정보 계산의 디지털화를 통해 경험에 의한 편차를 줄일 수 있다. 2. 주요 기능 ■ 웹사이트 기반에서 차체 전체 입력 및 각 제품의3D확인 가능 ■ 제품의 소제 및 정보를 차제 제품 입력과 동시에 적용 가능 ■ AutoForm Simulation 기반의 전체 제품 자동 수율 계산   3. 도입 효과 OEM 구매팀의 입찰 결정 시 정합성 확보로 신뢰성이 높아지며, 자동 수율 검토 덕분에 빠르고 효율적인 대응이 가능하다. 입찰 정보 계산의 디지털화로 경험에 의한 편차가 제거되고, 협력사의 업무 효율성 증대와 작업 시간 단축으로 생산성이 향상된다. 마지막으로, 클라우드 기반의 협업 공간 제공으로 부서 간 원활한 협업이 가능하다. 이러한 특징과 효과를 통해 AutoForm의 디지털 트랜스포메이션은 구매 프로세스의 혁신을 이끌고, ESG 경영을 실현하는데 큰 기여를 하고 있다. 4. 주요 고객 사이트 오토폼은 전 세계 50여 개국, 1,000여 개 회사에서 3,500명 이상의 사용자가 주요 엔지니어링 및 제조 공정을 위해 신뢰하고 있다. 주요 고객은 자동차 및 기타 OEM, 금형 및 스탬핑 업체, 철강 및 알루미늄 공급업체이며, 항공 우주 산업뿐만 아니라 의료, 가전 및 백색 가전 산업으로도 점점 더 진출하고 있다.     상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

디지털 트윈과 산업용 메타버스 트렌드   데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다.  디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.   ▲ 철도 네트워크의 디지털 트윈 구축하는 독일 디지털 철도(이미지 출처 : 엔비디아)   1. 디지털 전환과 디지털 트윈 디지털 전환(Digital Transformation: DX)은 비즈니스 전 과정에 ICT 기술을 도입하여 전사적 업무, 생산 기술, 제품 등을 디지털화 한 후 이를 기반으로 가상 실험이 가능한 디지털 환경을 구축하는 것이다.  디지털 전환의 궁극적 목적은 기업 이윤 극대화에 필요한 업부/생산 효율성 및 제품 부가 가치 증대를 위한 다양한 창의적 대안들을 가상 실험을 통해 평가한 후 그 결과를 비즈니스 전 과정에 활용하는 것이다. 예를 들어, 스마트 팩토리의 디지털 전환은 조달 시스템, 생산 시스템, 물류 시스템 등 스마트 팩토리 구성요소들의 자원 할당 및 운용에 대한 다양한 대안들을 가상 실험을 통해 평가할 수 있는 환경을 구축하여야 한다. 그렇다면, 비즈니스 전 과정을 가상 실험하기 위해서는 무엇이 필요할까?  가상 실험을 하기 위해서는 먼저 가상 실험 대상(예: 제조 공장)을 선정하고, 다음으로, 가상 실험 시나리오(예:새로운 제조 장비 도입)가 필요하며 시나리오를 수행할 모델(예: 제조 공정 시뮬레이션 모델)이 필요하다. 이러한 가상 실험을 위한 모델이 디지털 트윈이며 이런 이유로 많은 사람들이 디지털 트윈을 DX의 Key(Richard Marchall, 2017), DX의 Enablers(Reterto Saracco, 2019), DX의 Central(Vijay Ragjumathan, 2019), DX의 Steppingstone(Harry Forbes, 2020), DX의 Pillar(Fransesco Belloni, 2020)라고 지적하였다.   2. 디지털 트윈의 정의 디지털 트윈은 물리적 자산, 프로세스 및 시스템에 대한 복제본으로 정의[Wiki 사전]되며, 복제본이란 대상 체계의 운용 데이터, 지형/공간/형상 정보 및 동작/운용 법(규)칙을 컴퓨터 속에 디지털화 해 놓은 것을 의미한다. 예를 들면, 제조 공장의 디지털 트윈은 제조 공장의 운용 데이터, 제조 공장의 공간/형상 정보, 그리고 제조 장비 동작 및 공정 모델이 컴퓨터 속에 복제된 것이 될 것이다. 디지털 트윈과 대상 체계가 쌍둥이기 때문에 쌍둥이 중 누가 먼저 태어났느냐에 따라 디지털 트윈의 이름을 다르게 붙이기도 한다. 대상 체계가 존재하기 전에 만들어진 디지털 트윈을 디지털 트윈 프로토타입(Prototype) 그리고 대상 체계가 만들어진 후 복제된 디지털 트윈을 디지털 트윈 인스턴스(Instance)라고 부른다. 디지털 트윈 프로토타입은 대상 체계 설계 단계에서 활용되며 디지털 트윈 인스턴스는 대상 체계의 운용 분석에 활용되는 것이 일반적이다. 디지털 트윈 인스턴스(실 체계의 복제본)와 디지털 트윈 프로토타입(실 체계의 설계 모델)이 모두 존재할 수도 있지만 디지털 트윈 프로토타입 없이 디지털 트윈 인스턴스만 존재할 수도 있다. 디지털 트윈 프로토타입과 인스턴스가 모두 존재한다면 인스턴스는 프로토타입에 실 체계 운용 정보가 반영되어 진화(성장)된 트윈으로 볼 수 있다. 3. 디지털 트윈 구축 목적 디지털 트윈의 구축 목적은 대상 실 체계와 디지털 트윈을 연동 운용함으로써 실 체계 관련 이해 당사자에게 지혜 수준의 혁신적 서비스를 제공할 수 있는 핵심 도구/수단으로 활용하기 위함이다. 데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다. 융합 빅 데이터는 AI-통계/공학 분석도구들을 이용하여 실 세계의 구성요소인 자산, 사람, 운용 프로세스들의 다양한 결합에 대한 분석/예측 및 체계 운용 최적 대안(최적화)을 찾는데 활용될 수 있다. 아울러, 융합 빅 데이터는 실 세계를 가상 환경에서 현실감 있게 표출할 수 있는 다양한 장비/장치와 VR/AR/XR/메타버스 관련 ICT 기술과의 융합 인터페이스를 통해 오락, 관광, 교육 훈련, 체험 등에 활용될 수 있다.     디지털 트윈의 복제 대상은 실 체계의 운용 데이터, 공간/형상 정보 및 실 체계에 포함된 객체들의 행위 모델 등 3가지이다. 운용 데이터는 실 체계에 설치된 IoT 장비로부터 획득이 가능하다. 공간/형상 정보는 서비스 목적에 따라 GIS, BIM 혹은 3D CAD 중 한 가지 이상을 결합하여 사용한다. 객체 행위 모델은 다양한 시나리오를 가상 실험하기 위한 시뮬레이션 모델을 사용하지만 서비스 목적에 따라서는 운용 데이터를 학습한 데이터 모델을 사용할 수도 있다. 구성요소 중 일부만을 사용한 디지털 트윈은 나머지 구성요소를 사용하지 않음으로 인한 한계점에 봉착하게 된다. 예를 들면, 실 체계 운용 데이터 복제만으로 구성된 IoT 기반 디지털 트윈은 수집된 데이터를 분석할 수는 있지만, 실 체계를 시각화한 지형/공간 상에 데이터를 표출할 수 없을 뿐만 아니라 실 체계와는 다른 가상 데이터를 입력한 시뮬레이션을 수행할 수 없다. 마찬가지로, 지형/공간 정보 만으로 구성된 디지털 트윈은 실 체계에서 일어나는 지형/공간 정보의 변화를 실 시간으로 반영할 수 없으며 시뮬레이션을 통한 실 체계의 현상 분석 및 미래 예측이 불가능 하다.      디지털 트윈의 효율적인 활용을 위해서는 위의 세 가지 구성요소 모두를 개발 및 운용할 수 있는 통합 플랫폼이 바람직하지만 국내외적으로 표준화된 디지털 트윈 플랫폼은 존재하지 않는다. 디지털 트윈의 특성 상 3가지의 디지털 트윈 구성요소 각각을 개발하는 독립적인 플랫폼을 사용하여 구성요소를 개발한 후 이들을 연동하여 운용하는 것이 효율적이다.  구체적으로는, 먼저, 디지털 트윈 개발 목적에 맞게 운용 데이터를 수집하는 IoT 플랫폼, 지형/공간 정보를 구축하는 지형/공간정보 플랫폼 및 모델링 시뮬레이션 플랫폼들을 이용하여 각 구성요소를 개발한다. 다음으로, 개발된 세 가지 구성요소를 실행하는 플랫폼들을 연동 운용하는 PoP(Platform of Platforms) 구조를 사용할 수 있다. PoP 구조는 디지털트윈의 목적에 부합되는 모든 디지털트윈을 개발/운용할 수 있는 플랫폼으로써 신뢰성 및 경제성(개발 기간 및 비용) 면에서 효율적인 구조이다. PoP 구조를 사용할 경우 플랫폼들 사이의 연동을 위한 데이터 모델과 API의 국제적인 표준화가 요구되며 데이터 모델의 표준은 대상 시스템에 따라 달라질 수 있다.  디지털 트윈을 실제 시스템에 대한 문제 해결 목적으로 사용하기 위해서는 대상 시스템에 대한 다양한 질문의 답을 디지털 트윈을 통해서 얻을 수 있는 서비스가 제공되어야 한다. OR 이론의 창시자 중 한 명으로 경영 과학 이론가인 R.L.Ackoff 교수는 사람이 생각하는 내용을 데이터, 정보. 지식, 지혜 등 4가지로 분류하였다. 데이터는 단순한 심벌(숫자나 문자)을 말하지만 정보는 ‘who’, ‘what’, ‘where’, ‘when’을 답할 수 있고, 지식은 ‘how’를 답할 수 있고, 지혜는 ‘why’를 답할 수 있어야 한다고 정의하였다. 디지털 트윈의 서비스 수준을 Ackhoff 교수의 분류법에 매핑 시킨다면 정보 수준 서비스는 시스템 분석(현상, 기능 등), 지식 수준 서비스는 시스템 예측(행위, 성능 등) 그리고 지혜 수준 서비스는 시스템 최적화(운용 최적화 등) 및 진단(수명 진단 등)에 해당한다. 예를 들어, 교통 시스템에 대한 다양한 질문을 답하기 위해 교통 디지털 트윈을 만들었다고 하자. 정보 서비스의 예는 현재 교통 시스템의 현상을 분석하는 것으로 어느 위치의 현재 시간대에 단위 시간당 교차로 통과 차량 대수가 얼마인지에 대한 답을 하는 서비스이다. 지식 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 얼마가 되는지를 예측하는 질문에 대한 답을 하는 서비스이다. 지혜 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 최소가 되는 최적화된 경로가 어떤 것인지의 질문에 대한 답을 하는 서비스이다.    4. 디지털 트윈의 구성요소 디지털 트윈의 3 가지 구성요소 중 행위 모델은 목적에 따라 데이터 모델과 시뮬레이션 모델로 대별된다. 데이터 모델은 실 체계에서 수집된 데이터들 사이의 상관관계를 기계학습하여 얻어진 모델(예: 인공신경망)로서 지식 서비스를 위한 시스템 행위 예측에 한계점을 가지고 있다. 구체적으로, 데이터 모델은 학습된 데이터 영역에서는 미래 예측이 가능하지만 학습된 영역 밖의 데이터에 대한 예측은 불가능 하다. 뿐만 아니라 학습 시와 예측 시의 시스템 운용 조건이 달라질 경우에도 예측이 불가능하다. 앞서 예시한 교통 디지털 트윈으로 데이터 모델을 사용할 경우 학습 시 도로 상황(운행 시간, 사고 발생 유무 등)이 예측 시 도로 상황과 동일하지 않으면 소요 시간 예측의 정확도가 보장되지 않는다. 더욱이, 시스템 변수 사이의 상관 관계로 표현된 데이터 모델은 변수 사이의 인과 관계가 필요한 시스템의 최적화 및 고장 진단 등에는 활용할 수 없다. 이러한 데이터 모델의 서비스 한계를 극복하기 위해서는 시뮬레이션 모델을 사용할 수 있다. 시뮬레이션 모델은 구축은 대상 시스템에 대한 도메인 지식과 이를 표현하는 지배 법칙에 대한 수학적/논리적 표현 방법을 이해해야 하므로 데이터 모델에 비해 고 비용이 요구된다. 따라서, 디지털 트윈의 행위 모델은 대상 시스템의 서비스 목적과 수준에 따라 다르게 선택될 수 있다.    5. 디지털 트윈의 발전 전망  디지털 트윈의 향후 발전 전망은 문제 해결과 가상 체험 및 빅 데이터 분야로 대별할 수 있다. 문제 해결 분야에서 디지털 트윈의 대상은 분석, 예측, 최적화/진단 대상이 되는 모든 시스템 분야로서 산업(제조, 생산, 물류, 식물공장 등), 공공(교통, 환경, 금융 등), 의료(진단, 인공장기, 가상수술 등), 재난안전(안전점검, 피해분석, 대피훈련 등), 국방(군사훈련, 국방분석, 무기체계 획득 등)등을 포함한다.  현재 디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.  가상 체험 분야는 디지털 트윈이 실 세계 혹은 가상 세계를 움직이는 다양한 시나리오를 정형화한 지배 법칙(모델)을 실행(시뮬레이션)하는 수단으로 활용될 전망이다. 이러한 지배법칙 실행은 실제 세계와 가상 세계의 구별 없는 가상 체험을 목표로 하는 메타버스의 서비스 콘텐츠를 제공한다. 따라서, 메타버스 발전을 위해서 메타버스의 서비스 컨텐츠를 제공하는 디지털 트윈 발전이 필수적으로 향후 메타버스와 디지털 트윈은 동시에 발전할 전망이다.  빅 데이터 분야에서는 디지털 트윈의 가상 실험을 통해 실 체계에서는 물리적/경제적 이유로 수집 불가능한 다양한 빅 데이터를 생성하는데 활용될 전망이다. 유의미한 빅 데이터 생성을 위해서는 실 체계에서 수집 가능한 데이터를 사용하여 디지털 트윈 모델의 검증이 선행된 후 실 체계에서 수집 불가능한 데이터 생성을 위한 가상 실험이 설계되어야 한다. 디지털 트윈을 사용한 빅 데이터 생성은 시스템 기능 검증, 예지 진단 및 기계학습 등과 같은 부가가치가 높은 데이터 생성에 집중되어 미래 데이터 구독 시장 활성화에 기여할 전망이다.   김탁곤 명예교수  KAIST 전기전자공학부  

주요 디지털 트윈 소프트웨어 디지털 트윈 모델 생성 및 배포 솔루션, Ansys Twin Builder 개발 : Ansys, www.ansys.com 자료 제공 : Ansys Korea, 02-6009-0500, www.ansys.com   Ansys Twin Builder는 디지털 트윈(Digital Twin) 기술을 활용하여 실제 물리 시스템을 가상 환경에서 시뮬레이션하고 최적화할 수 있는 솔루션이다. 멀티피직스 시뮬레이션 기술을 기반으로 물리 모델과 실시간 센서 데이터를 결합하여 예측 유지보수 및 성능 최적화를 지원한다. 제조, 자동차, 항공우주, 전자, 에너지, 의료 등 다양한 산업에서 활용된다.   1. 주요 특징 (1) Physics 기반의 디지털 트윈 구축 IoT 데이터 및 시뮬레이션 모델을 결합하여 정밀한 디지털 트윈 모델 생성 (2) 실시간 시뮬레이션 및 예측 유지보수 지원  센서 데이터를 활용하여 장비의 고장 가능성 예측 및 유지보수 최적화 (3) 멀티피직스 통합 분석  전자기, 유체, 구조, 열 해석을 통합하여 복잡한 시스템 성능 분석 가능 (4) AI 및 머신러닝 연계 가능  OptiSLang을 활용한 AI 기반 최적화 및 데이터 분석 지원 (5) IoT 및 클라우드 플랫폼과 연계  AWS, Microsoft Azure, PTC ThingWorx 등 다양한 IoT 플랫폼과의 호환성 제공 2. 주요 기능 (1) 디지털 트윈 생성 및 실행  시뮬레이션 모델을 물리 데이터와 연결하여 실시간 가상 시뮬레이션 수행 (2) Model-Based Systems Engineering(MBSE) 지원  시스템 레벨 설계를 위한 MBSE 기반 시뮬레이션 제공 (3) 고급 시뮬레이션 및 자동화  MATLAB, Simulink, FMI 모델과 통합 가능하여 복잡한 시스템 해석 (4) PLM 및 데이터 관리 통합  Siemens Teamcenter, PTC Windchill 등 주요 PLM 시스템과 연계하여 제품 수명주기 관리 지원 (5) PrediCTive Maintenance 기능 내장  실시간 데이터 분석을 통해 유지보수 전략 개선 3. 도입 효과 ■ 설비 가동률 향상: 디지털 트윈을 활용한 사전 예측 유지보수로 시스템 다운타임 감소 ■ 제품 개발 기간 단축: 프로토타입 제작 없이 가상 환경에서 제품 설계 검증 가능 ■ 운영 비용 절감: 최적화된 유지보수 전략을 통해 운영 및 유지보수 비용 절감 ■ 설계 품질 향상: 실제 운영 데이터를 기반으로 제품 설계 개선 및 성능 최적화 4. 주요 고객 사이트 ■ 제조업: 두산 그룹, POSCO  ■ 자동차: 현대자동차그룹, LS Automotive Technologies, HL Mando ■ 항공우주: Korea Aerospace Industries (KAI), Hanwha Aerospace ■ 반도체/전자: Samsung EleCTronics, SK Hynix, LG EleCTronics, Samsung EleCTro-Mechanics, Samsung Display, LG Display, LG Innotek, LX Semicon ■ 에너지: LG Energy Solution, SK On, Samsung SDI, Hyundai EleCTric & Energy Systems, Doosan Enerbility, Hanwha Solutions   상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기