앤시스 워크벤치를 활용한 해석 성공사례   파이앤시스(PyAnsys)는 파이썬(Python)을 활용하여 앤시스(Ansys) 제품을 사용할 수 있는 라이브러리를 뜻한다. 파이앤시스는 구조해석과 관련한 PyMAPDL, PyMechanical과 전처리 및 후처리에 대한 PyDPF가 있다. 이와 같은 라이브러리를 이용하면 파이썬 내에 있는 패키지와 함께 다양한 작업이 가능해진다. 이번 호에서는 파이앤시스 중에서도 PyMAPDL에 대한 사용 방법과 활용 예시를 소개하고자 한다.   ■ 노은솔 태성에스엔이 구조 3팀 매니저로 구조해석 및 자동화 프로그램에 대한 기술 지원을 담당하고 있다. 이메일 | esnoh@tsne.co.kr 홈페이지 | www.tsne.co.kr   앤시스에서 구조, 열, 음향 등 다양한 해석에 사용되는 유한요소 솔버 중 하나인 Mechanical APDL은 명령어를 기반으로 구동된다. 복잡한 연산이나 매개변수 설정 및 자동화 기능이 가능하기 때문에 여전히 많이 사용되고 있다. 하지만 앤시스 워크벤치(Ansys Workbench)의 제한적인 기능을 활용할 경우, 추가적으로 APDL 명령어를 사용해야 한다. 말하자면 APDL 명령어로 여러 기능을 구현할 수 있지만, 넓은 범위에서 적용하기에는 한계가 있는 것이다. 예로 머신러닝이나 딥러닝과 관련한 라이브러리인 텐서플로(TensorFlow)나 케라스(Keras) 등은 APDL 명령어 내에서는 사용할 수 없으며, 파이썬과 APDL 연동에도 한계가 있다.  이 때 PyMAPDL 라이브러리를 사용하면 파이썬 내에서 APDL을 사용하기 때문에 활용도가 넓어진다. 이번 호에서는 PyMAPDL의 사용 방법과 활용 예시를 다뤄보고자 한다.    PyMAPDL 사용 방법 PyMAPDL은 파이썬에서 사용될 때 gRPC(Google Remote Procedure Call)를 기반으로 파이썬 명령어를 APDL 명령어로 변환하여 MAPDL 인스턴스(Instance)에 전송하고, 결과를 파이썬으로 다시 반환한다. 이러한 작업 과정 때문에 파이썬과 MAPDL 간 원활한 데이터 통신이 가능해지며, 다수의 MAPDL 인스턴스를 생성하여 다른 명령으로 동시 작업 또한 가능하다.   그림 1. PyMAPDL gRPC   먼저 PyMAPDL을 사용하기 위해서 앤시스 메커니컬(Ansys Mechanical)이 설치되어 있어야 하며, 관련 라이선스를 보유하고 있어야 한다. 현재 파이앤시스 홈페이지에 따르면 파이썬 3.8 이상 버전을 지원하고 있으며, gRPC 기반으로 사용하기 위해서 앤시스 2021 R1 이상을 권장한다. 파이썬과 앤시스 모두 설치되어 있는 환경이라면 추가적으로 PyMAPDL 라이브러리를 설치해야 한다. 터미널 창에 ‘pip install ansys-mapdl-core’ 한 줄의 입력으로 쉽게 설치되며, 버전을 따로 지정하지 않을 경우 최신 버전으로 설치된다. PyMAPDL은 <그림 2>와 같이 ‘launch_mapdl’ 함수를 호출하여 사용한다. 이는 Mechanical APDL Product Launcher를 실행하는 것과 유사하다. 해당 함수를 활용할 때 입력 가능한 주요 인자들을 입력하여 작업 폴더 위치나 파일 이름, 계산 방식 및 라이선스 등을 지정할 수 있다.    그림 2. PyMAPDL 실행 명령어   기존에 APDL에서 육면체 형상을 모델링하여 요소를 생성하는 과정은 <그림 3>과 같이 작성되고, 동일한 작업을 PyMAPDL로는 <그림 4>와 같이 구성할 수 있다. 작성된 APDL과 PyMAPDL 명령어를 비교하면 형태가 매우 유사한 것을 볼 수 있다. 이 때 PyMAPDL은 파이썬에서 두 가지 방식으로 사용된다. 첫 번째는 ‘run’ 명령어를 활용하여 APDL 명령어를 스트링(string)으로 입력해 직접 실행하는 방법이며, 두 번째는 파이썬 명령어로 변환해서 처리하는 방법이다.   그림 3. MAPDL 모델링 및 요소 생성 예시   그림 4. PyMAPDL 모델링 및 요소 생성 예시     ■ 자세한 기사 내용은 PDF로 제공됩니다.

더욱 빠르고 효율적인 제품 개발을 위한 AI 기술 본격화 추진   제조산업에서도 AI(인공지능)에 대한 관심이 높아지고 있다. 한편으로 실질적인 AI 도입과 활용에 대한 제조업계의 고민도 커졌다. 알테어는 시뮬레이션, HPC, 클라우드, 데이터 애널리틱스 등 자사의 기술 역량을 바탕으로 제조산업을 위한 AI 기술 개발을 가속화하고 있으며, 향후 본격적으로 제조시장에 확산시킨다는 전략을 내세웠다. ■ 정수진 편집장   ▲ 한국알테어 이승훈 기술 총괄 본부장은 제품 개발에서 AI의 활용이 구체화되고 있다고 짚었다.   제조산업에서 AI에 대한 관심이 높아지고, 도입과 활용이 확산되는 배경은 무엇이라고 보는지 제품의 생산 방식이 다품종 소량 생산 방식이 확대되면서 제품의 개발 주기가 꾸준히 짧아지고 있다. 이에 따라 제품 개발과 관련한 예측과 의사결정은 더욱 빨라져야 한다는 요구도 높다. 이를 위해 프로토타입을 만들어 실험하는 방식에서 컴퓨터와 CAE 소프트웨어를 사용하는 시뮬레이션으로 변화해 왔는데, 시뮬레이션 역시 해결해야 하는 과제가 있다. 시뮬레이션을 활용하려면 전문적인 엔지니어링 지식이 필요하고, 시뮬레이션에 걸리는 시간이 더욱 빨라지는 제품 개발 주기에 맞추기 어려워졌다. 시뮬레이션이 제품의 초기 개발에서 생산까지 더욱 폭넓게 쓰이는 상황이 시뮬레이션 기반의 의사결정에 걸리는 시간을 늘리게 된 측면도 있다. AI는 이에 대한 해결책으로 관심을 모으고 있다. 제조업체에서 실험 데이터와 해석 데이터가 상당히 쌓여 있는 상황인데, 이를 AI 학습에 활용해서 빠르게 인사이트를 얻고 제품 개발에 반영할 수 있겠다는 아이디어가 이제 구체화되고 있는 시점이라고 볼 수 있겠다.   최근 AI와 관련한 제조산업의 동향이나 이슈가 있다면 제조업체에서 해석 데이터와 실험 데이터가 쌓여 있기는 한데, 이 데이터가 각 엔지니어의 PC에 흩어져 있는 것이 현실이다. 이에 따라 여러 곳에 저장된 데이터를 통합 관리하는 시스템에 대한 요구가 있다. 또한, 이 데이터를 AI에 활용하기 위한 추가 가공의 자동화에 대한 목소리도 있다. 엔지니어링 데이터를 AI에 활용하기 위해서는 AI에 맞는 데이터의 전처리(pre-processing)가 중요하다. 전처리란, 아무렇게나 쌓여 있는 데이터를 분류하고 AI에 적용하기 위해 적절한 포맷의 데이터로 변환하는 작업을 가리킨다. 이 부분에서 많은 제조기업 고객사들이 데이터를 어떻게 가공해야 할 지에 대한 고민을 갖고 있기도 하다. 이전에는 파이썬(Python)과 같은 프로그래밍 언어를 배워서 데이터 변환 코드를 만들어야 했는데, 알테어는 데이터를 자동으로 변환할 수 있는 솔루션을 제공해 쌓여 있는 데이터의 분류와 정제 과정을 더 쉽게 할 수 있도록 돕는다. 이런 부분에서 LG전자의 사레를 소개할 만하다. LG전자는 알테어와 협업해서 해석 엔지니어가 퇴근한 후에 해석 데이터를 취합하고 변환과 AI 학습까지 수행하는 자동화 시스템을 구축했다. 학습된 AI는 웹 환경에서 설계 엔지니어에게 필요한 데이터를 제공하고, 설계 엔지니어는 제품에 대한 치수나 조건을 입력하면 시뮬레이션을 거치지 않고 빠르게 가상 시험 결과를 확인할 수 있게 됐다. AI는 제품의 초기 개발 단계뿐 아니라 전체 개발 과정에 적용할 수 있다. 초기 단계에서는 실험에서 나온 데이터가 존재한다면 이를 기반으로 어떤 결과가 나올지 쉽게 확인할 수 있다. 이후 단계에서도 다양한 데이터를 학습해 추가적인 예측을 할 수 있고, 대시보드 등을 통해 누구나 데이터 및 예측 결과를 확인하거나, 몇 가지 조건을 입력해 새로운 예측을 할 수 있는 단계로 나아갈 수도 있다. 최종 단계의 데이터는 후속 제품이나 다른 제품을 개발할 때 활용하는 것도 가능하다.   제품 개발 사이클의 단축이라는 점에서는 시뮬레이션이 가져다 줄 수 있는 이점과 비슷한 부분이 있어 보인다. AI의 역할은 시뮬레이션을 보완하는 것인가, 아니면 시뮬레이션을 대신할 수 있는 것인가 지금은 AI가 기존의 시뮬레이션을 완전히 대체할 수 있는 단계는 아니다. 하지만 AI를 통해 제품의 초기 개발 단계에서 데이터 기반의 예측 결과를 빠르게 얻을 수 있고, 향후 설계를 위한 인사이트를 얻을 수 있다는 점에서 의미가 있다. AI를 학습시키기 위한 데이터는 필요하기 때문에 시뮬레이션은 여전히 중요하다. 지금의 상황은 실험이나 해석 데이터를 기반으로 AI를 통해 인사이트를 얻는 단계라고 볼 수 있다. 시뮬레이션이 자리잡기까지의 과정을 살펴보면, 초기에는 실험과 시뮬레이션을 함께 사용하다가 시뮬레이션 부분이 강화되면서 실험의 비중을 줄여 왔다. 앞으로 AI 기술이 더욱 발전하고 데이터가 더 많이 쌓인다면 AI가 확대되고 시뮬레이션이 줄어들 수도 있을 것 같다. 이런 흐름은 단계적으로 일어날 수도 있고, 제품별로 변화의 속도가 달라질 수도 있다고 본다.   ▲ 알테어는 시뮬레이션과 연계해 제조 분야에서 활용할 수 있는 AI 솔루션을 내세운다.   제조산업의 AI 활용을 위한 알테어의 기술 차별점은 무엇인지 알테어는 멀티피직스 시뮬레이션뿐 아니라 복잡한 시뮬레이션을 활용하기 위한 고성능 컴퓨팅(HPC)과 클라우드, 데이터 애널리틱스와 AI 등 폭넓은 기술 역량을 갖추었다는 점에서 차별점이 있다고 본다. 이는 온프레미스와 클라우드, CPU 컴퓨팅과 GPU 컴퓨팅을 모두 지원해 시뮬레이션 및 AI를 유연하게 활용하도록 도울 수 있다는 뜻이다.  알테어는 지난 2022년 데이터 기반 AI를 위한 머신러닝 분석 플랫폼인 래피드마이너(RapidMiner)를 인수하면서 AI 분야 진출을 시작했다. 래피드마이너는 제조뿐 아니라 BFSI(은행.금융.서비스.보험) 등 다양한 산업에서 활용할 수 있는 솔루션이다. 예를 들어, 고객 지원이나 불만사항에 대한 다응, 주가 예측 등에도 래피드마이너가 유용하다. 또한, 2023년부터는 래피드마이너 등 기존 제품군으로 AI 시장에 대응하는 것 외에 제조산업을 타깃으로 하는 특화 기술을 개발했고, 올해는 이 부분을 본격적으로 선보이고자 한다. 제조산업을 위한 알테어의 AI 기술로는 설계 탐색과 최적화를 위한 디자인AI(DesignAI), 비슷한 형상을 자동 인식하고 분류하는 셰이프AI(shapeAI), 해석 결과를 학습해 물리현상을 빠르게 예측하는 피직스AI(physicsAI), 시스템 레벨에서 빠른 3D → 1D 변환을 위한 롬AI(romAI)가 있다.  이런 AI 기술은 적은 수의 데이터로도 학습이 가능하며, 알테어의 기존 시뮬레이션 솔루션 제품군에 들어가는 형태로 제공되어 익숙한 인터페이스로 사용할 수 있다. 하이퍼메시(HyperMesh)에는 이미 피직스AI와 셰이프AI가 포함되어 있고 향후 심랩(SimLab)과 인스파이어(Inspire)를 비롯해 다양한 솔루션에 AI가 추가될 예정이다. 알테어는 래피드마이너를 활용한 데이터 기반의 AI와 시뮬레이션 기반의 AI를 모두 지원한다. 그리고 타사 솔루션의 데이터를 활용할 수 있는 개방성과 유연한 라이선스 사용도 장점으로 내세우고 있다.    향후 제조 분야의 AI 전망과 알테어의 전략을 소개한다면 AI에 대한 고객들의 기대치가 높다고 느낀다. 알테어는 지난 4월 4일 ‘AI 워크숍’을 진행했는데, 기업의 의사결정권자부터 현업 엔지니어까지 예상보다 많은 분들이 참여해 높은 관심을 보였다. 관심이 높은 만큼 실제 활용 방향에 대한 고민이 많다는 것을 알 수 있었다. 사용자의 기대치와 실제로 할 수 있는 것 사이의 거리, 알테어와 같은 솔루션 기업과 사용자인 제조기업의 시각차도 어느 정도 확인할 수 있었다. 이런 부분은 고객들을 많이 만나고 의견을 나누면서 간극을 좁혀야 할 것 같다. 당장 AI가 시뮬레이션을 완벽하게 대체하기는 어렵겠지만, 클라우드 기반의 통합 환경에서 시뮬레이션과 AI를 통합해 사용할 수 있도록 하는 것을 목표로 삼고 있다. 클라우드는 데이터의 통합 관리와 공유 측면에서도 이점이 있다고 본다. 시뮬레이션과 AI를 위해 대규모 데이터를 관리하기 어려운 소규모 기업은 클라우드의 장점에 주목할 만하다고 본다. 한편으로 보안 등의 우려를 가진 기업에게는 프라이빗 클라우드 환경을 제공해 데이터 보안을 유지하면서 알테어 원 클라우드와 동일한 환경에서 작업할 수도 있다. 알테어는 AI 솔루션 제품군을 빠르게 업데이트하면서 사용자의 피드백을 반영하고 있다. 고객들이 AI에 대해 갖고 있는 기대치 또는 눈높이가 상당히 높은 것으로 보여서, 이에 대응해 경쟁 우위를 확보하고자 노력 중이다. 제조 분야에서도 AI에 대한 관심이 높지만, 어떻게 활용할지에 대한 고민이 큰 상황으로 보인다. 알테어는 이런 부분에서 도움을 줄 수 있도록 AI 기술 개발과 함께 커스터마이징과 컨설팅 등을 폭넓게 제공하고자 한다. 본사의 개발팀과도 활발히 소통하면서 사용성이나 적용 범위 등에 대한 고객의 어려움을 덜고, 최대한 빠르게 고객이 원하는 AI를 구현할 수 있도록 할 계획이다.     ■ 기사 내용은 PDF로도 제공됩니다.

데이터 클라우드 기업 스노우플레이크가 프랑스의 AI 솔루션 제공업체 미스트랄 AI(Mistral AI)와 파트너십을 맺고, 플래그십 대규모 언어 모델(LLM)인 ‘미스트랄 라지(Mistral Large)’를 스노우플레이크 데이터 클라우드 플랫폼에 적용한다고 밝혔다. ‘미스트랄 라지’는 고유한 추론 능력을 갖춘 LLM 모델로 코딩과 수학에 능숙하고 한 번의 요청으로 수백 페이지에 달하는 문서를 처리할 수 있다. 프랑스어, 영어, 독일어, 스페인어, 이탈리아어, 5개 언어 처리가 가능한데, 기존 생성형 AI 모델과 ‘대규모 다중 작업 언어 이해 측정(MMLU)’을 비교하는 과정에서 성능을 입증했다. 이와 함께, 미스트랄 AI의 최초 기본 모델인 ‘미스트랄 7B’와 오픈소스 모델 ‘믹스트랄(Mixtral) 8x7B’에 대한 엑세스 제공 및 스노우플레이크 산하 벤처 캐피탈인 스노우플레이크 벤처스(Snowflake Ventures)의 미스트랄 AI에 대한 시리즈 A 투자 등도 이번 파트너십 발표에 포함됐다. ‘미스트랄 7B’는 낮은 지연 시간과 메모리 요구사항에 비해 높은 처리량을 갖춘 것이 특징이고, ‘믹스트랄 8x7B’는 여러 성능 비교에서 챗GPT3.5보다 빠르고 품질이 우수한 것으로 나타났다. 미스트랄 AI의 모델들은 ‘스노우플레이크 코텍스(Snowflake Cortex)’에서 프리뷰 공개 형태로 고객에게 제공된다. 스노우플레이크 코텍스는 스노우플레이크 플랫폼에서 생성형 AI를 활용할 수 있는 완전 관리형 LLM 및 벡터 검색 서비스이다. AI/ML 기술 없이도 쉽고 강화된 보안 환경에서 생성형 AI를 활용할 수 있는 서비스로, 기업 고객은 데이터에 대한 보안, 개인 정보 보호 및 거버넌스는 유지하면서 데이터를 빠른 속도로 분석하고 AI 앱을 구축할 수 있다.     스노우플레이크는 2023년 감정 분석, 번역, 요약과 같은 특수 작업을 위한 LLM을 지원하는 코텍스를 처음 공개했다. 또한, 메타(Meta)의 ‘라마2(Llama 2)’ 모델을 시작으로 검색증강생성(RAG)을 포함한 기본 LLM 지원을 늘리고 있다. 스노우플레이크는 미스트랄 AI와의 파트너십을 통해 생성형 AI에 대한 투자를 이어가면서, 기본형 LLM을 스노우플레이크 코텍스에서 제공해 기업이 다방면 비즈니스에 최첨단 생성형 AI를 도입할 수 있도록 지원하고 있다. 스노우플레이크 코텍스 LLM 기능이 공개 프리뷰되면서, 스노우플레이크 기업 고객은 기업 고유의 데이터를 바탕으로 다양하게 AI를 활용할 수 있게 됐다. SQL 기술을 갖춘 사용자라면 누구나 수 초 내에 감정 분석, 번역, 요약과 같은 특수 작업을 비용 효율적으로 진행할 수 있다. 파이썬 개발자라면 스노우플레이크 코텍스에서 제공하는 미스트랄 AI의 LLM은 물론, 곧 공개될 스노우플레이크 스트림릿(Streamlit)의 대화형 기능을 통해 수 분 내에 챗봇과 같은 풀스택 AI 앱을 개발할 수 있게 된다. 간편해진 경험과 높은 수준의 보안은 역시 곧 공개될 스노우플레이크의 통합 벡터 기능과 벡터 데이터 유형을 통해 RAG에도 동일하게 적용될 예정이다. 스노우플레이크의 슈리다 라마스워미(Sridhar Ramaswamy) CEO는 “스노우플레이크는 미스트랄 AI와의 파트너십을 통해 최정상급 성능의 LLM을 고객에게 직접 제공하고, 사용자는 간편하면서도 혁신적인 AI 앱을 구축할 수 있게 되었다”면서, “스노우플레이크 코텍스를 통해 더 많은 기업이 데이터 클라우드의 보안과 개인 정보 보호는 강화하고 새롭고 경제적인 AI 사용 사례를 만들어 내기를 바란다”고 말했다. 미스트랄 AI의 아르튀르 멘슈(Arthur Mensch) CEO는 “미스트랄 AI는 전세계적으로 기업이 생성형 AI 활용에 더 가까워지도록 고성능, 고효율에 신뢰할 수 있는 AI 모델을 개발하겠다는 스노우플레이크의 목표에 공감한다”면서, “스노우플레이크 데이터 클라우드에서 미스트랄 AI의 모델을 활용함으로써, 고객이 민주화된 AI를 경험하고 더 큰 가치를 창출하는 고도화된 AI 앱을 생성할 수 있기를 기대한다”고 전했다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 GPU CUDA(쿠다) 병렬처리를 지원하는 넘바(Numba) 라이브러리를 간략히 소개한다. CUDA는 현재 딥러닝 기술의 기반처럼 사용되며, 사실상 산업 표준이다. 딥러닝은 모든 연산이 텐서 행렬 계산이므로, 엔비디아 GPU에 내장된 수많은 계산 유닛(실수 계산에 특화된 CPU)들을 사용한다. CUDA의 강력한 수치해석 데이터 병렬처리 기능은 딥러닝뿐 아니라 디지털 트윈의 핵심인 시뮬레이션, 모델 해석 등에 필수적인 수치계산 엔진으로 사용된다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | http://www.facebook.com/groups/digestpodcast   CUDA는 내장된 수많은 계산 유닛에 입력 데이터를 할당하고, 행렬연산을 하여 출력된 데이터를 CPU 메모리가 접근할 수 있도록 데이터 고속 전송/교환하는 역할을 한다. 그러므로, 딥러닝 모델 학습 성능은 GPU CUDA 성능에 직접적 영향을 받는다. 이벙 호에서는 파이썬(Python)에서 CUDA를 이용해 수치해석 등 계산 성능을 극대화할 수 있는 방법과 간단한 예제를 살펴본다.   그림 1. CUDA 아키텍처(출처 : Multi-Process Service : GPU Deployment and Management Documentation)   GPU CUDA 소개 CUDA는 게임 화면에 렌더링되는 3차원 이미지를 2차원 픽셀에 매핑하기 위한 수많은 행렬을 실시간 처리할 수 있도록 개발되어 왔다. 이런 이유로, 행렬 고속 연산이 필요한 딥러닝 학습에 적극 사용된 것이다.   그림 2. CUDA 기반 실시간 텐서 행렬 연산 결과   CUDA는 오랫동안 개발자의 요구사항을 반영해 발전되어, 개발 플랫폼으로서 탄탄한 생태계를 구축했다.   그림 3. 엔비디아 개발자 사이트   그림 4. CUDA 기반 레이트레이싱 렌더링 결과(출처 : Ray Tracey's blog : GPU path tracing tutorial 3 : GPU)   사실, 많은 스타트업이 이런 기능을 지원하는 딥러닝용 AI 칩을 FPGA 기법 등을 이용해 개발, 홍보하고 있으나, 이런 개발자 지원도구와 플랫폼 생태계 없다면 산업계에서는 의미가 없다고 볼 수 있다.   넘바 소개 넘바는 파이썬 기반 CUDA GPU 프로그래밍을 지원한다. 넘바는 컴파일 기술을 지원하여 CPU와 GPU 모드에서 코딩되는 데이터 구조, 함수 호출을 추상화한다. 넘바는 엔비디아의 CUDA 함수와 설정을 래핑한 고수준의 함수 API를 제공한다. 이를 통해 개발자가 CUDA의 세부 설정에 신경쓸 필요 없이, 데이터 병렬 처리 개발에만 집중할 수 있다.   개발 환경 넘바의 개발 환경은 다음과 같다. NVIDIA Compute Capability 5.0 이상 CUDA 지원 GPU 장착 PC(2023년 12월 시점) NVIDIA CUDA 11.2 이상 NVIDIA TX1, TX2, 자비에, 젯슨 나노 GTX 9, 10, 16 시리즈. RTX 20, 30, 40 시리즈. H100 시리즈 CONDA 환경의 경우, 다음과 같이 터미널을 이용해 CUDA 툴킷을 자동 설치할 수 있다. conda install cudatoolkit 넘바는 cuda python을 이용해 엔비디아 GPU CUDA와 바인딩한다. conda install nvidia::cuda-python 설치 방법은 다음과 같다. conda install numba   ■ 상세한 기사 내용은 PDF로 제공됩니다.

개발 및 공급 : 에픽게임즈 주요 특징 : 마야에서 제작한 세컨더리 애니메이션을 언리얼 엔진으로 임포트 및 매칭, 마야용 및 언리얼 엔진용 플러그인 제공, 각 관절 세트에 대한 솔버 생성 및 옵션을 기반으로 포즈 보간 방식 결정, 포즈 및 솔버의 JSON 파일 익스포트 지원 등   고퀄리티 3D 캐릭터 제작에 있어 애니메이션의 사실감을 높이는 것은 매우 중요한 작업이다. 그 중 하나가 메인 애니메이션에 반응하여 메인 애니메이션을 향상하거나, 강조하는 세컨더리 애니메이션을 추가하는 것이다. 캐릭터의 세컨더리 애니메이션을 구성하는 예시로 애니메이터가 직접 제어하지 않고도 관절이 다른 관절에 반응하여 자연스럽게 움직이는 경우를 들 수 있는데, 캐릭터의 팔을 위아래, 앞뒤로 움직여 쇄골(빗장뼈)을 회전시키면 견갑골(어깨뼈) 등의 주변 관절도 실제와 같이 움직이는 것이다. 그 결과 더 그럴듯하고 디테일한 애니메이션이 만들어지며, 처음 한 번만 세팅하면 이후에는 자동으로 적용된다.   ▲ 이미지 출처: ‘세컨더리 애니메이션을 위한 신규 포즈 드라이버 커넥트 툴세트 | 언리얼 엔진’ 영상 캡처   에픽게임즈가 출시한 ‘포즈 드라이버 커넥트(Pose Driver Connect)’는 사실적인 애니메이션을 빠르게 제작할 수 있는 툴세트이다. 오토데스크 마야(Autodesk Maya)에서 제작한 세컨더리 애니메이션을 언리얼 엔진으로 임포트하여 처음부터 다시 만들 필요 없이 일대일로 매칭하여 재현할 수 있으며, 이를 통해 작업 시간을 절약할 수 있다. 이 툴세트는 방사형 기저 함수(Radial Basis Function : RBF)를 사용하며, 마야용 포즈 랭글러(Pose Wrangler) 플러그인과 언리얼 엔진용 포즈 드라이버 커넥트 플러그인으로 구성되어 있다. 마야의 ‘Set Driven Key’ 기능을 사용해 본 적이 있다면 포즈 랭글러를 사용하는 기본 개념에 쉽게 익숙해질 수 있다. 쉽게 말해 관절을 한 방향으로 회전하고, 주변 관절을 움직여서 사실적인 디포메이션을 구현하며, 해당 지점에서 포즈를 만드는 방식으로 애니메이션을 제작한다. 그런 다음 주축(driver)이 되는 관절을 반대 방향으로 회전하고, 종속(driven)되는 관절을 움직여서 또 다른 포즈를 설정하는데, 다른 회전축을 대상으로 이러한 과정을 반복한다.   ▲ 세컨더리 애니메이션 적용 전 모습(이미지 출처 : 언리얼 엔진 홈페이지)   ▲ 세컨더리 애니메이션 적용 후 모습(이미지 출처 : 언리얼 엔진 홈페이지)   포즈 랭글러는 이러한 각 관절 세트에 대한 솔버를 생성하여, 설정할 수 있는 몇 가지 옵션을 기반으로 포즈 보간 방식을 결정한다. 그런 다음 FBX 클립으로 포즈와 함께 솔버를 JSON 파일로 익스포트할 수 있다. 중요한 점은, 포즈를 디폴트 포즈와의 델타값을 기반으로 선택적으로 익스포트할 수 있어 그 구성을 비슷한 캐릭터에 리타기팅할 수 있으므로 시간을 더욱 절약할 수 있다는 점이다. 언리얼 엔진에 포즈 드라이버 커넥트 플러그인을 설치하면 솔버와 포즈를 임포트하여 세컨더리 애니메이션을 재현할 수 있다. 애니메이션 블루프린트를 통해 정확히 동일한 연산을 적용하여 재현하는데, 그 결과 훨씬 짧은 시간 내에 게임, 애니메이션 또는 기타 리얼타임 콘텐츠용 고퀄리티 캐릭터를 만들 수 있다. 포즈 드라이버 커넥트는 메타휴먼 및 기타 스켈레톤 구성에서 작동하지만, 캐릭터 애니메이션 작업에만 제한되지는 않는다. 기본적으로 어떠한 오브젝트의 회전에 기반하여 모든 오브젝트의 트랜스포메이션(이동, 회전, 스케일 조절)을 구동할 수 있다. 게다가 해당 함수 기능은 블루프린트 비주얼 스크립팅과 파이썬(Python)을 통해 노출되므로, 파이프라인에 적합한 자동화를 통해 빌드할 수 있다.   ■ 기사 내용은 PDF로도 제공됩니다.

  17　THEME. 2023 국내 엔지니어링 소프트웨어 시장 조사 Part 1. 2024년 경제 및 주력산업 전망 Part 2. MDA/PDM 분야 Part 3. CAE 분야 Part 4. AEC 분야 Part 5. 엔지니어링 소프트웨어 업계 인터뷰   INFOWORLD   Case Study 47　LG U+의 유니티 기반 가상 오피스 프로젝트　 사람과 사람을 잇고 경험을 공유하는 메타슬랩   Focus 50　디모아-PTC, DX 서밋에서 디지털 전환 전략과 성공 사례 소개   People & Company 52　티와이엠 김승동 중앙기술연구소 연구관리팀장　PLM, ERP, MES 등 기업 전반의 디지털 전환 추진   New Products 54　충돌 구조물의 설계 해석 및 최적화 프로그램　Visual Crash Studio 58　사실적인 애니메이션을 빠르게 제작하는 툴세트　포즈 드라이버 커넥트 80　이달의 신제품   On Air 60　캐드앤그래픽스 CNG TV 지식방송 지상중계　K 스마트 공장의 꿈과 혁신의 미래 전망 61　캐드앤그래픽스 CNG TV 지식방송 지상중계　플랜트 조선 분야를 위한 AI와 디지털 트윈 혁신 전략은?   Column 62　3D 프린팅, 올해도 제조업에 변화의 바람 일으킬까 / 다니엘 톰슨 64　디지털 지식전문가 조형식의 지식마당 / 조형식　디지털 위기에서 디지털 기회로 66　현장에서 얻은 것 No.15 / 류용효　CES 2024에서 본 미래 : AI와 모빌리티의 새로운 지평   74　New Books 76　News   CADPIA   AEC 83　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　딥러닝 수치해석 데이터의 병렬처리를 지원하는 파이썬 넘바 라이브러리 88　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2024 (10) / 천벼리　사용자 정의 팔레트 Ⅱ 92　새로워진 캐디안 2024 살펴보기 (2) / 최영석　테이블 테두리 서식 지정 및 비주얼 스타일 탐색기 기능   Reverse Engineering 95　문화유산 분야의 이미지 데이터베이스와 활용 사례 (2) / 유우식　서화, 낙관, 탁본 데이터베이스   Analysis 102　성공적인 유동 해석을 위한 케이던스의 CFD 기술 (6) / 나인플러스IT　대규모 와류 시뮬레이션에 유용한 피델리티 찰스 솔루션 106　앤시스 워크벤치를 활용한 해석 성공사례 / 최낙정　앤시스 스페오스를 활용한 라이트 가이드 설계와 해석 111　MBD의 이해와 기업 가치 향상을 위한 전략 (2) / 오재응　MBD의 성공 비결 및 향후 전망   Mechanical 118　제품 개발 혁신을 가속화하는 크레오 파라메트릭 10.0 (9) / 박수민　설계 탐색(DEX) 기능 활용하기 124　제조업 DX, 3D 데이터의 목표는? (2) / 아이지피넷　DX의 목표는 인간의 지식과 지혜를 디지털화하는 것     캐드앤그래픽스 2024년 2월호 목차 from 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기

BIM 칼럼니스트 강태욱의 이슈 & 토크    이번 호에서는 트랜스포머(transformer) 기반 생성형 AI 모델로 다국어 번역기, 문장 분류, 이미지 설명 텍스트 생성 프로그램의 개발 방법을 간략히 살펴본다. 트랜스포머는 텍스트, 이미지 등 데이터를 숫자로 표현한 토큰으로 인코딩한 후, 목표 라벨 데이터 결과와 차이가 적은 방향으로 가중치인 어텐션(attension) 벡터를 갱신하여 학습 모델을 만드는 기술이다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 이메일 | laputa99999@gmail.com 페이스북 | www.facebook.com/laputa999 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | http://www.facebook.com/groups/digestpodcast   트랜스포머는 현재 문장 성격 및 특징 분류, 다국어 번역, 비전 이미지 설명 및 생성, 음성인식, Voice to Text, 음악 작곡, 글 분류, 글 자동 요약 등 다양한 영역에서 사용된다. 이번 호에서는 관련 기능을 트랜스포머로 간단히 구현해 본다.    그림 1. 트랜스포머 개념 및 아키텍처   트랜스포머의 이론적 개념 등은 다음의 링크를 참고한다. 머신러닝 딥러닝 신경망 개념, 종류 및 개발 : https://daddynkidsmakers.blogspot.com/2017/02/blog-post_24.html 어텐션 기반 트랜스포머 딥러닝 모델 이해, 활용 사례 및 파이토치(Pytorch)를 통한 간단한 사용방법 소개 : https://daddynkidsmakers.blogspot.com/2021/10/blog-post.html 간단한 트랜스포머 동작 원리와 파이토치 기반 비전 트랜스포머 ViT 소개 : https://daddynkidsmakers.blogspot.com/2023/02/pytorch-vit.html 오디오, 영상, 텍스트, 센서, 3D깊이맵 멀티모달 딥러닝 모델 페이스북 이미지바인드(imagebind) 설치 및 사용기 : https://daddynkidsmakers.blogspot.com/2023/05/imagebind.html   개발 준비 파이썬(Python), 쿠다(CUDA) 등이 설치되어 있다는 가정 하에, 다음 명령어를 이용해 관련 패키지를 설치한다. pip install transfomers sentencepiece   간단한 텍스트 생성형 AI 개발 다음과 같이 트랜스포머 모델에서 사전학습된 distilgpt2를 사용해 간단한 텍스트 생성형 AI 코드를 개발해 본다. from transformers import AutoTokenizer, AutoModelWithLMHead tokenizer = AutoTokenizer.from_pretrained("distilgpt2") model = AutoModelWithLMHead.from_pretrained("distilgpt2") input_ids = tokenizer.encode("I like gpt because it's", return_tensors='pt') greedy_output = model.generate(input_ids, max_length=12) print(tokenizer.decode(greedy_output[0], skip_special_tokens=True)) 실행 결과 <그림 2>와 같이 ‘I like gpt because it's’ 이후 문장을 자연스럽게 생성한다.   그림 2   텍스트의 빈칸 단어 예측 다음은 MLM(Mask Language Model) 방식으로 학습된 모델을 이용해, [MASK] 토큰으로 정의된 단어를 문장 맥락을 고려해 예측하는 코드이다.  from transformers import pipeline unmasker = pipeline('fill-mask', model='albert-base-v2') unmasker("mlm and nsp is the [MASK] task of bert.") 결과는 <그림 3>과 같다. 빈칸의 단어가 잘 예측된 것을 확인할 수 있다.   그림 3   이미지 설명 텍스트 생성 이제 주어진 이미지를 설명하는 텍스트를 생성해 본다. 목표는 입력 이미지에 대해 두 마리의 고양이가 누워있음을 표현하는 텍스트를 얻는 것이다.   그림 4     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (4)   석유화학 및 기타 산업 분야에서는 주변 공기 환기부터 500℃ 이상의 유해 염화물 가스까지 다양한 가스를 처리하는 일련의 공정에 팬(fan)을 사용한다. 이러한 팬의 최대 작동 속도는 산업 표준에 의해 관리되며 종종 제한된다. 이러한 속도 제한으로 인해 팬 제조업체는 원하는 압력 출력을 얻기 위해 임펠러의 직경을 늘리거나 줄여야 한다. 엔지니어가 직면한 과제는 결과물의 크기가 커지고 무거워지며 제작, 테스트 및 운송에 많은 비용이 든다는 점이다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   일리노이주 캐리에 본사를 둔 일리노이 블로어(Illinois Blower)는 더 높은 압력과 팬 효율을 달성하면서도 임펠러 속도와 직경을 유지하여 이러한 딜레마를 해결하는 설계 접근 방식을 위해 케이던스(Cadence)와 협력해 왔다. 40년 이상 정유 및 석유화학 발전, 오염 제어, 제약, 식품 가공 등 다양한 전 세계 산업 공정 산업을 위한 맞춤형 원심 팬과 블로어를 성공적으로 개발 및 제작해 왔다. 이번 호에서 소개하는 사례의 목표는 전체 성능 라인에 걸쳐 전체 팬 스테이지(휠 및 볼류트)의 압력 비율을 높이는 것이었다. 제조 제약 조건으로 인해 임펠러 주변의 견고한 본체 두께를 유지해야 했고, 블레이드 모양은 제조하기 쉬워야 했다. 이러한 임펠러의 최적화 외에도 엔지니어들은 출구 파이프의 압력 손실을 줄이기 위해 흐름 물리학을 더 잘 이해하고자 했다.   그림 1. 테스트 사례 : 원심 산업용 팬의 임펠러와 볼류트를 헥스프레스의 표면 메시로 최적화   CFD 시뮬레이션 방법론 Open 비정형 다목적 CFD 솔버 패키지에서 초크부터 스톨까지 일련의 시뮬레이션을 실행하고 그 결과를 실험 데이터와 비교하여 CFD 설정이 신뢰할 수 있는지 확인했다.   고속 메싱 볼류트와 임펠러 블레이드 디테일 주변에 매끄러운 경계 레이어가 있는 7.5M 포인트 메시가 비정형 메시 프로그램인 헥스프레스(Hexpress)에서 생성되었다. 성능 라인 안정화 계산을 실행하기 위해 임펠러의 한 통로만 메시화하면 되었으며, 각 계산은 96개 코어에서 1시간 이내에 완료되어 완전한 수렴을 달성할 수 있었다. <그림 2>의 분산형 차트는 모든 데이터베이스 및 최적화 샘플에 대한 목표 값을 보여주며, 최적의 개체는 별표로 강조 표시된다. 자체 조직화 맵은 매개변수 간의 상관관계와 반상관관계를 보여준다. 분산 분석(ANOVA)은 다양한 입력 변수에 대한 출력의 전체 변동성을 분해한다. LOO(Leave-One-Out) 플롯은 모델 신뢰도를 추정한다.   그림 2   최적화 1 : Identifying the centrifugal fan's main performance parameters 최적화의 첫 번째 단계는 원심 팬의 성능에 영향을 미치는 주요 요인을 파악하여 최적화가 가장 효과적인 위치를 정확히 파악하는 것이었다. 임펠러 블레이드와 흐름 채널에 대한 20개의 사용자 정의 파라미터를 신중하게 선택하여 허브 및 슈라우드 모양, 블레이드 금속 각도, 블레이드 캠버 및 기울기를 설명했다. 이러한 자유 파라미터와 관련 변형 범위의 선택은 프로젝트 성공의 열쇠로 밝혀졌다. 각 파라미터 세트에 대해 케이던스의 디자인3D(Design3D) 최적화 모듈로 새로운 지오메트리를 생성하고, 전용 파이썬 스크립트를 사용하여 헥스프레스에서 비정형 메시를 자동으로 생성하여 시간을 절약했다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

챗GPT(ChatGPT)의 등장은 인공지능(AI) 기술이 이해하기 어렵고 전문적인 분야에서만 사용되는 것이 아니라, 대중적으로 친숙하게 접근할 수 있다는 인식을 마련하는 계기가 되었다. 건설산업 분야에서도 인공지능 기술을 도입하기 위해 여러 가지 노력을 기울이고 있다. 경희대 건축학과 김인한 교수는 국토교통부 '인공지능 기반의 건축설계 자동화 기술개발' 연구과제에 참여하여 설계 적합성 평가 기술에 지능형 기술을 도입, 정확성과 신뢰성을 높이고 있다. 국토교통부에서는 건축 설계 분야에 인공지능 기술 도입을 위한 R&D를 추진하고 있다. 이에 따라 2021년부터 2025년까지 5년 동안 ‘인공지능 기반의 건축 설계 자동화 기술개발’ 연구가 진행되고 있다. 경희대학교 건축학과의 김인한 교수는 이 연구 과제에 참여하여 설계 적합성 평가 기술에 지능형 기술을 도입하기 위한 연구를 수행하고 있다고 소개했다.     이 연구과제에서는 BIM 기반의 건축 인허가 법규 자동 평가 기술과 실용화를 중심으로 한 건축주 요구사항을 평가하여 설계안을 추천해주는 연구에 지능형 기술을 도입하기 위한 노력을 기울이고 있다. 대상 건축물의 특성에 따라 선택된 기본적인 요구사항과 추가적인 요구사항 문장은 자연어 처리 기술을 도입하여 평가 기준에 적용한다. 분석된 평가 기준은 파이썬(Python) 코드로 논리규칙화하여 사용자 요구사항을 평가한 뒤 결과와 함께 설계안을 추천한다. BIM 기반의 건축 인허가 법규 자동 평가 기술은 BIM 모델의 정보를 바탕으로 건축 인허가 법규 항목의 적법 여부를 평가하는 연구이다. 이 연구에서는 대규모 언어 모델(LLM)인 챗GPT 기반 챗봇(chatbot)을 개발하여 개정된 법규에 대한 정보를 알려주거나, 프로그래밍 언어로 되어 있는 검토 항목의 논리 규칙 정보를 해석할 수 있다. 또한 변경되거나 수정하고 싶은 로직을 생성하여 새로운 정보로 법규 검토 조건에 대한 테스트가 가능하다.  그리고 법규 검토 프로그램 내에서 속성 정보를 제어할 수 있는 모델 보완 기술도 연구 중이다. BIM 모델을 프로그램에서 로드하고 법규 검토를 수행하면 적합/부적합 결과만 도출되던 기존의 방식에서는 원본 BIM 모델을 수정하기 위해 많은 노력이 필요했다. 반면, 이 연구를 통해 개발된 모델 보완 기술은 상세한 검토 결과와 함께 속성 정보 기반의 부적합 요소를 프로그램이 자체적으로 수정할 수 있다. 수정된 정보는 별도의 XML 파일로 저장되어 BIM 저작도구에서 연계할 수 있을 것으로 보인다. 김인한 교수는 “이러한 연구를 통해 건축주의 요구사항을 명확하게 전달하여 의사결정 과정의 효율성을 높이고, 법규 검토 결과에 대한 보완 과정에서 정확한 정보가 반영될 수 있으므로 신뢰성이 확보될 것”이라고 평가하면서, “지능형 기술의 도입은 아직 초기 단계에 있지만, 앞으로 기술이 빠르게 발전함에 따라 건축 설계의 새로운 패러다임을 가져올 것으로 기대된다”고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

알테어가 데이터 분석 및 AI 플랫폼인 ‘알테어 래피드마이너(Altair RapidMiner) 2023’을 발표했다. 알테어 래피드마이너는 데이터 전처리부터 분석, 시각화를 위한 통합 환경을 제공하는 플랫폼이다. 최신 버전에는 모든 수준의 사용자가 생산성과 편의성을 높일 수 있는 로코드(low code) 및 노코드(no code) 기반 신기능을 추가했다.  래피드마이너 2023에 추가된 생성형 AI는 워크플로를 간소화하고 자동화 방식의 업무를 수행하는데 맞춤화되었다. 대규모 언어 모델(LLM)을 지원해 원하는 데이터 변환을 명시하면 자동으로 적절한 워크플로를 생성한다. 특히 범용 LLM과 연동돼 사용자는 챗GPT API를 활용해 코드 작성 없이 더 많은 사용자 정의를 활성화할 수 있다. 이를 통해 향상된 사용자 경험과 유연성을 확보할 수 있다.  오토ML 기능도 강화했다. 최신 버전은 다양한 머신러닝 작업을 지원하며, 직관적이고 사용자 친화적인 환경에서 모든 사용자가 쉽게 모델을 구축할 수 있도록 한다. 의사 결정 트리를 쉽게 만들 수 있는 마법사(위저드) 기반 도구를 통해 데이터 과학적인 배경이 없어도 데이터 내의 복잡한 상호 작용을 시각화하고, AI 모델이 결과를 생성하는 방식의 이해를 돕는다.      한편 업무 효율성을 높이는 기능도 포함됐다. SAS 언어 대안 환경인 ‘알테어 SLC’는 SAS 언어, 파이썬(Python), R 등 다양한 언어와 개발 패러다임을 지원해, 사용자가 효과적으로 코드를 작성하고 실행해 더 유연하고 효율적인 분석 작업을 수행할 수 있도록 도와준다. 이 외에도 데이터 시각화 및 스트리밍 분석 도구인 ‘알테어 판옵티콘’은 새로운 레이아웃 템플릿과 스타일 설정을 통해 사용자 인터페이스를 간소화했다. 실시간 데이터를 가시성 있게 제공해 효율적인 업무를 수행하도록 지원한다.  알테어의 샘 마할링엄 최고기술책임자(CTO)는 “알테어 래피드마이너는 모든 기술 수준의 사용자들이 주도적으로 데이터를 활용할 수 있도록 사용자 친화적인 업데이트에 초점을 맞췄다. 이를 통해 여러 부서에서 데이터의 가치를 극대화하고, 이를 기업 전반으로 확대하는데 기여하겠다”고 밝혔다.