PTC가 클라우드 네이티브 3D 컴퓨터 지원 설계(CAD) 설루션인 온쉐이프(Onshape)에 인공지능(AI) 기반 기계 설계를 지원하는 “피처스크립트(FEAtureScript) 모델 콘텍스트 프로토콜(MCP) 서버” 기능을 새롭게 출시했다. 이번에 공개된 온쉐이프 피처스크립트 MCP 서버는 앤트로픽(Anthropic)이 주도하는 오픈 프로토콜인 모델 콘텍스트 프로토콜(Model Context Protocol, MCP)을 CAD 환경에 접목한 것이 특징이다. 이를 통해 개발자와 설계 엔지니어는 대규모 언어 모델(LLM) 및 지능형 에이전트를 온쉐이프의 파라메트릭 프로그래밍 언어인 피처스크립트와 직접 연결할 수 있다. 사용자는 자연어 명령을 통해 3D 형상 모델링 코드를 자동으로 생성하고, 복잡한 설계 변형을 실시간으로 제어할 수 있다. 특히 설계 자동화 워크플로를 구축할 때 반복적인 모델링 작업을 대폭 줄이고, AI 에이전트가 CAD 모델의 구조와 파라미터를 정확히 이해하도록 지원한다.     기존의 범용 코드 생성 AI가 3D 기계 부품의 정밀한 기하학적 구속조건을 반영하기 어려웠던 반면, 이번 설루션은 온쉐이프의 클라우드 아키텍처와 직접 통신하여 검증된 CAD 피처를 즉시 생성하는 차별성을 갖췄다는 것이 PTC의 설명이다. 설계자는 AI가 제안한 파라메트릭 코드를 온쉐이프 웹 브라우저 상에서 즉각 시각화하고 검토할 수 있다. PTC는 이번 MCP 서버 공개를 통해 제조 및 제품 개발 분야에서 에이전틱 AI를 활용한 설계 자동화 생태계를 본격적으로 확대해 나갈 계획이다. PTC에서 온셰이프 및 아레나 사업을 총괄하는 데이비드 카츠만 수석 부사장은 “CAD 분야에서 AI의 미래는 텍스트 기반 모델 생성에 그치지 않고, 코드를 거쳐 CAD 기능으로 이어지는 방식(Text-to-code-to-CAD)에 있다”고 밝혔다. 그는 “AI의 진정한 가치는 엔지니어가 검증된 아이디어를 반복 사용 가능한 도구로 바꾸도록 돕는 데 있다”면서, “새로운 피처스크립트 MCP 서버를 통해 온셰이프는 뛰어난 맞춤형 생산 CAD 시스템으로 거듭났으며, 모든 사용자가 자사의 제품과 프로세스에 최적화된 엔지니어링 역량을 구축할 수 있게 됐다”고 강조했다.

심센터 HEEDS 더 깊게 살펴 보기 (8)   이번 호에서는 어떠한 형식의 해석 입출력 파일이라도 직관적이고 효율적으로 연결할 수 있도록 돕는 5가지 태깅 모드(tagging mode)의 원리와 특징을 소개한다. 나아가 수십· 수백 개의 매개변수를 다룰 때 작업 시간을 획기적으로 단축할 수 있는 오토 태깅(auto-tagging) 워크플로와 파이썬 로직을 결합한 고급 실무 활용 사례까지 함께 살펴보고자 한다. 이를 통해 데이터 연결 작업의 진입 장벽을 낮추고, 설계 탐색에 온전히 집중할 수 있는 방향을 제시할 것이다. ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   시뮬레이션 자동화 및 최적화 프로세스를 성공적으로 구축하기 위해 가장 기본적이면서도 중요한 단계는 바로 해석 모델과 최적화 알고리즘 간의 ‘매개변수(parameter) 연결’이다. 최적화 알고리즘이 광범위한 설계 공간을 탐색하기 위해서는, 매 해석 사이클마다 입력(input) 파일의 특정 변수 값을 변경하여 모델을 구동하고, 해석이 완료된 후에는 수많은 데이터가 담긴 결과(output) 파일에서 원하는 성능 지표를 한 치의 오차 없이 추출할 수 있어야 한다. 심센터 HEEDS(Simcenter HEEDS)는 이러한 매개변수 연결 과정을 ‘태깅(tagging)’이라는 직관적이고 유연한 기능으로 제공한다. 사용자가 입력 파일의 특정 위치를 태깅하면, HEEDS(히즈)는 기존에 적혀 있던 기준값(baseline value)을 새로운 설계안의 값으로 치환하여 해석을 수행한다. 반대로 출력 파일에서 특정 위치를 태깅하면, HEEDS는 해당 위치의 데이터를 읽어와 최적화 결과 지표로 활용한다. 이번 호에서는 단순한 텍스트 파일부터 복잡한 상용 해석 툴의 데이터 구조까지, 어떠한 형태의 파일이라도 매끄럽게 연결할 수 있도록 HEEDS가 제공하는 다섯 가지 태깅 모드를 깊게 살펴본다. 아울러 이 과정에서 사용자 인터페이스(UI)가 어떻게 구성되어 있는지, 수백 개의 변수를 다룰 때 작업 효율을 어떻게 극대화할 수 있는지 통합적인 관점에서 소개한다.   그림 1. HEEDS의 태깅 개념   직관적인 UI를 결합한 5가지 태깅 모드 딥다이브 HEEDS는 해석 툴의 특성과 파일 구조의 복잡성에 따라 맞춤형으로 대응할 수 있는 5가지의 태깅 모드를 제공한다. 각 모드는 사용자 친화적인 설정 화면과 함께 고유의 파싱(parsing) 능력을 발휘한다.   구분자/고정 폭 기준 태깅 : 정적 ASCII 파일의 완벽한 제어 해석 입출력 파일로 가장 널리 쓰이는 CSV나 텍스트(TXT) 형식의 파일은 보통 특수한 기호로 데이터가 구분되어 있거나, 일정한 글자 폭을 기준으로 데이터가 나열되어 있다. 구분자 기준 태깅(Delimited Tagging) : 공백(space), 탭(tab), 쉼표(comma) 등의 구분자(delimiter)를 기준으로 파일을 행과 열로 분할한다. 엑셀과 같이 익숙한 스프레드시트 형태로 파일 내용이 표시되며, 사용자는 원하는 셀을 클릭하여 태그를 생성할 수 있다. 필요에 따라 `="()`와 같은 복잡한 사용자 정의 구분자도 추가할 수 있어 유연성이 높다. 고정 폭 기준 태깅(Fixed-Width Tagging) : 과거부터 사용되어 온 일부 레거시 FEA 코드(예 : 나스트란 등)는 열 너비(column width)가 엄격하게 정해져 있어, 값이 특정 위치를 벗어나면 해석 오류를 일으킨다. HEEDS는 이러한 파일의 열 너비를 시각적으로 지정하여 데이터를 분할할 수 있게 해주며, 태깅된 변수에 값을 쓸 때도 지정된 고정 폭(fixed-width format)을 유지하도록 보장한다.   그림 2. 구분자 및 고정폭 설정 예시   그림 3. 구분자 및 고정 폭 설정 예시   XML 태깅과 계층 구조 제어 최신 해석 툴이나 복잡한 설정 파일은 태그(element)와 속성(attribute)이 중첩된 트리 형태의 XML(또는 HTML) 형식을 취하는 경우가 많다. XML 파일은 구조적이지만, 사람이 직접 텍스트로 보며 태깅하기에는 눈이 쉽게 피로해진다. HEEDS의 XML 태깅 모드는 파일을 파싱하여 ‘요소 ID(element ID)’와 ‘태그 값(tag value)’만을 깔끔한 표 형태로 나타낸다. 여기서 가장 돋보이는 기능은 XML Element Configuration 창에서 불필요한 하위 요소(child elements)의 표시 여부를 체크박스로 켜거나 끄는 것이 가능하다는 점이다. 이를 통해 사용자는 수만 줄에 달하는 방대한 XML 파일에서도 원하는 데이터 노드만을 화면에 필터링해 띄워 놓고 손쉽게 태깅을 진행할 수 있다.   그림 4. XML 파싱 및 하위 요소 제어 화면   스크립트 태깅의 강력한 커스터마이징과 즉각 검증 해석이 끝난 후 생성되는 결과 파일(예 : `*.f06`, 동적 `*.csv` 등)은 매 해석마다 출력되는 텍스트의 줄 수나 위치가 달라질 수 있다. 이런 동적인 파일 구조에서는 고정된 행/열을 지정하는 방식이 통하지 않는다. 이때 HEEDS 고유의 스크립트 태깅(script tagging)이 진가를 발휘한다. 파이썬(Python) 기반으로 설계된 이 모드는 코딩 지식이 없어도 제공되는 버튼 명령어를 블록 쌓듯 조합하여 강력한 스크립트를 작성할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업을 위한 AI와 버추얼 트윈 기술 (5)   엔지니어링 시뮬레이션 분야에서 AI/ML 서로게이트 모델(surrogate model)에 대한 관심이 높아지고 있지만, 막상 현장에 적용하면 기대와 다른 결과에 마주치는 경우가 많다. 좋은 알고리즘을 선택했음에도 예측 성능이 기대에 못 미치는 원인은 대부분 알고리즘이 아닌 데이터에 있다. 이번 호에서는 아이사이트 파이썬-ML(Isight PythonML)을 중심으로, 시뮬레이션 데이터의 유형에 따른 적합한 ML 기법 선택 전략과, 간단한 데이터 전처리만으로 모델 성능이 극적으로 향상되는 실제 사례를 소개한다. 아울러 파이썬-ML의 ONNX 기반 파이프라인 구조, 아이사이트 최적화 워크플로 연동 방법, K-Fold 교차검증을 통한 일반화 성능 확보 전략을 실무 관점에서 다루며, 시뮬레이션 엔지니어가 AI/ML을 현장에서 즉시 활용할 수 있는 실전 원칙과 개발 프로세스를 제안한다.   ■ 김문성 다쏘시스템코리아의 SIMULIA 인더스트리 프로세스 컨설턴트 시니어 스페셜리스트이다. Isight 워크플로 자동화, 최적화 및 AI/ML 기반 시뮬레이션 서로게이트 모델 개발 등이 전문 분야이며, 기계·전자·자동차·항공 분야 FEA 기반 DOE 및 최적화 프로젝트를 다수 수행한 경험을 갖고 있다. 홈페이지 | www.3ds.com/ko   시뮬레이션과 AI/ML, 왜 지금인가 해석 비용의 딜레마 배터리 팩의 구조 안전성, 자동차 충돌 거동, 항공기 피로 수명 등에서 FEA 해석은 이제 설계 검증의 표준이다. 그러나 DOE를 통한 설계 최적화는 반복 해석 횟수를 수십 배로 늘려놓는다. 설계 파라미터 10개라면 100회 이상의 해석이 필요하고, 해석 1회에 30분이면 전체 DOE에 50시간이 소요된다. 더 많이 탐색하고 싶지만 해석 비용이 탐색의 폭을 제한하는 것이 현장의 딜레마다.   서로게이트 모델과 파이썬-ML 서로게이트 모델은 제한된 해석 데이터로 입출력 관계를 학습한 수학적 예측 모델이다. 아이사이트는 전통적으로 RSM, RBF, Kriging같은 근사 기법을 제공해 왔으나, 예측 대상이 3D 응력 분포나 시계열 FD 곡선으로 확장되면서 전통 기법의 한계가 드러났다. 파이썬-ML은 이 한계를 돌파한다. 사용자가 파이썬으로 개발한 ML 알고리즘을 아이사이트의 Approximation 워크플로에 완전히 통합할 수 있는 신규 기능이다. RF, XGBoost , LightGBM, CatBoost, MLP(PyTorch), GPR 등 최신 ML 기법을 아이사이트 DOE·최적화 루프와 동일하게 연동하며, ONNX 기반 런타임 독립적 추론으로 학습과 배포 환경을 분리할 수 있다.   성공의 3가지 전제조건 그렇다면 머신러닝 서로게이트를 도입하면 누구나 바로 좋은 결과를 얻을 수 있을까? 현장의 경험은 그렇지 않다고 말한다. 실 제 프로젝트에서 머신러닝 모델을 처음 적용해 본 엔지니어들이 공통적으로 겪는 상황이 있다. XGBoost를 썼는데 R²가 0.4에 머물고, MLP로 바꿔봤지만 크게 나아지지 않는다. 하이퍼파라미터를 이리저리 조정해봐도 성능이 제자리걸음이다. 문제는 알고리즘이 아니었다. 데이터가 문제였다. 성공적인 ML 서로게이트 모델을 만들기 위해서는 세 가지 전제 조건이 반드시 갖춰져야 한다. 첫째, 데이터에 대한 이해다. 학습에 사용할 데이터가 어떤 분포를 가지고 있는지, 입력과 출력 사이에 어떤 관계가 있는지, 이상치나 편향은 없는지를 먼저 파악해야 한다. 데이터 분포 하나를 확인하는 것이 알고리즘 교체보다 훨씬 효과적인 경우가 많다. 둘째, 데이터 유형에 맞는 기법 선택이다. 시뮬레이션 데이터는 크게 DOE 스칼라 데이터, 3D 필드 데이터, 시계열 이력 데이터로 나눌 수 있으며, 각각에 적합한 ML 기법이 다르다. 시계열 데이터에 일반 회귀 모델을 적용하거나, 고차원 필드 데이터에 RF나 XGBoost를 들이미는 것은 처음부터 실패를 예약하는 것과 같다. 셋째, 반복적인 검증 프로세스다. 좋은 ML 모델은 한 번에 완성되지 않는다. 데이터를 분석하고, 전처리하고, 모델을 학습시키고, K-Fold 교차검증으로 일반화 성능을 확인하고, 다시 데이터로 돌아가는 이 순환 과정이 곧 ML 모델 개발의 본질이다. 훈련 데이터에서 높은 정확도를 보이더라도 새로운 데이터에서 무너지는 과적합 함정을 피하려면, 검증 프로세스를 처음부터 워크플로에 포함시켜야 한다.   그림 1. 시뮬레이션 데이터 유형별 AI/ML 기법 분류 체계   시뮬레이션 데이터를 알아야 기법이 보인다 세 가지 데이터 유형과 권장 기법 시뮬레이션 데이터는 구조적 특성에 따라 세 유형으로 분류된 다. 이 분류가 ML 기법 선택의 출발점이다.   DOE 스칼라 데이터(Scalar Table Data) 가장 일반적인 형태의 시뮬레이션 데이터다. 아이사이트의 DOE 컴포넌트를 통해 설계 변수를 조합하고, 각 해석 결과를 단일 숫자값으로 추출한 형태다. 행은 각각의 DOE 실험 케이스이고, 열은 입력 변수와 출력 변수로 구성된 전형적인 테이블 구조를 가진다.   3D 필드 데이터(Field Output Data) 해석 결과를 단일 숫자가 아닌 메시(mesh)의 모든 노드 또는 요소에 걸쳐 분포로 추출한 데이터다. 응력 분포(stress field), 변형률 분포(strain field), 변위 분포(displacement field), 온도 분포(temperature distribution) 등이 대표적이다. 이 유형은 단순히 데이터 크기가 크다는 문제를 넘어, 공간적 상관관계라는 구조적 특성을 가진다. 인접한 노드의 응력값은 서로 독립적이지 않고 물리적으로 연결되어 있다. 이 공간적 연속성을 무시하고 단순히 데이터를 1차원으로 펼쳐서 학습하면, 모델이 공간 구조를 전혀 이해하지 못하는 결과를 낳는다.   시계열 이력 데이터(History Output Data) 시간의 흐름에 따라 변화하는 순차적(sequential) 데이터다. FD 곡선(force-displacement curve), 시간 가속도 이력(time acceleration history), 주파수 응답 함수(FRF) 등이 이에 해당한다. 이 유형의 핵심 특성은 이전 상태가 이후 상태에 영향을 미치는 시간적 의존성이다. 일반적인 MLP나 트리 기반 모델은 이 순서 정보를 처리할 수 없다. 시계열 데이터에는 시퀀스를 이해하는 구조, 즉 RNN(LSTM) 계열이나 트랜스포머(transformer) 계열의 모델이 필요하다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술   해상풍력 산업은 현대 사회의 에너지 위기를 해결하기 위한 대안으로 꼽히지만 복합적인 설치, 운영, 그리고 유지보수상의 다양한 과제에 직면해 있다. 이번 호에서는 피델리티 CFD(Fidelity CFD) 플랫폼 내의 피델리티 파인 마린(Fidelity Fine Marine)을 활용하여 홀더(Houlder)가 이러한 과제 중 일부를 해결하는 포괄적인 접근법을 어떻게 구현하고 있는지 살펴본다. 또한 해양 파력에 대한 모노파일의 내구성을 주제로 한 사례 연구를 통해 홀더의 전문성을 조명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   해상풍력 에너지는 현대 사회가 직면한 에너지 위기를 해결하기 위한 핵심적인 대안으로 평가된다. 해상에서 발생하는 강력하고 지속적인 바람을 효율적으로 활용함으로써, 보다 청정하고 환경적으로 지속 가능한 미래를 구현할 수 있다. 2023년 기준 전 세계 해상풍력 발전 설비 용량은 약 75기가와트(GW)에 이르며, 2030년에는 200기가와트를 상회할 것으로 전망된다. 이러한 괄목할 만한 성장은 해상풍력 산업이 기후변화 대응에 기여할 수 있는 막대한 잠재력과 함께, 메가와트시(MWh)당 약 40달러 수준의 발전 단가로 기존 화석연료 기반 에너지원보다 우수한 경제성을 지니고 있음을 보여준다.     그 잠재력에도 불구하고, 해상풍력 산업은 복합적인 설치, 운영, 그리고 유지보수상의 다양한 과제에 직면해 있다. 유한요소해석(FEA)과 전산유체역학(CFD)을 비롯한 첨단 전산지원공학(CAE) 도구를 활용하면 이러한 문제를 완화하고, 해상풍력을 주요 에너지원으로 채택하는 과정을 가속화할 수 있다.   홀더에 대하여 홀더는 그 역사가 1800년대까지 거슬러 올라가는 다학제적(多學際的) 해양 전문 기업이다. 이 회사는 해양 기술 분야에서의 엔지니어링, 설계, 그리고 혁신 역량으로 알려져 있다. 홀더는 전 세계 해운 산업의 탈탄소화를 선도하는 최적의 파트너가 되는 것을 목표로 하고 있다.     홀더의 핵심 운영 부문 중 하나는 선박 분석 팀(Vessel Analysis Team)이다. 이 팀은 계측된 해상 시운전(instrumented sea trials) 및 컴퓨터 시뮬레이션과 같은 첨단 기법을 활용하여 선박의 설계와 성능을 개발 및 최적화한다. 이들의 연구는 에너지 절감 장치나 풍력 보조 추진 기술(wind-assist technologies)과 같은 설루션의 개념 설계 및 성능 평가를 지원하며, 해양 산업의 지속가능성 향상에 기여하고 있다.     해상풍력 설치의 현재 과제 해상풍력 터빈의 설계와 설치는 복잡한 구조적 과제를 수반한다. 터빈은 극한의 기상 조건을 견딜 수 있도록 설계되어야 하며, 그 핵심은 기초(foundation) 설계에 있다. 해저 지반 조건과 수심에 따라 모노파일(monopile), 중력식(gravity base), 트라이포드(tripod) 등 적절한 기초 형식을 신중히 선택해야 하며, 이는 측면 하중(lateral forces)과 퇴적물 이동(sediment movement)에 대한 안정성을 확보하기 위한 필수 과정이다. 또한 파랑(wave action)과 해류(ocean currents) 같은 유체역학적 힘(hydrodynamic forces)을 이해하는 것은 기초 구조의 건전성을 유지하는 데 필수이다. 염수 부식(saltwater corrosion) 문제 역시 중요하며, 부식 분석(corrosion analysis)을 통해 취약점을 파악하고 보호 대책을 마련함으로써 구조물의 수명을 연장할 수 있다. 한편, 해저 케이블(subsea cable)의 설치와 관리도 또 다른 주요 과제이다. 케이블은 설치 과정에서 손상되지 않도록 신중히 취급하고 매설해야 하며, 악천후 속에서 유지보수를 위해 터빈에 접근하는 일 또한 큰 운영상의 어려움을 가져올 수 있다. 이러한 요소를 효과적으로 조율하는 것이 해상풍력 터빈의 성공적인 설치와 운영의 핵심이다.   해상풍력 설치 과제 해결을 위한 CFD 및 FEA 도구 CFD와 FEA 도구는 해상풍력 설치와 관련된 다양한 기술적 과제를 해결하는 데 점점 더 널리 활용되고 있다. FEA는 특히 모노파일이나 재킷(jacket) 등 기초 구조물 설계에서의 응력(stress)과 변형(deformation)을 시뮬레이션하는 데 유용하다. 이를 통해 엔지니어는 파랑과 해류의 영향을 평가하고, 응력 집중 영역을 식별하며, 재료 선정과 보호 코팅과 같은 설계 결정을 보다 정교하게 내릴 수 있다. CFD는 변화하는 해양 조건에서의 케이블 성능을 이해하는 데 중요한 역할을 한다. 이를 통해 설치 계획 및 터빈 유지보수용 선박 설계를 최적화할 수 있다. 또한 CFD는 퇴적물 확산(sediment dispersion)과 수질 변화(water quality change)를 모델링함으로써, 환경 영향을 최소화하기 위한 전략 수립에도 기여한다. CFD와 FEA를 효과적으로 병행 활용함으로써 해상풍력 산업은 설치 안전성과 효율을 크게 향상시킬 수 있으며, 보다 지속가능한 풍력 에너지 활용 방안을 마련할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

[위즈코어] 캐디안 프로모션  설계 경쟁력이 2배로, 캐디안 1+1 + 멕클릭 패키지 (4/1 ~ 5/15) 견적서 신청하기  이 내용이 보이지 않을 경우 링크 클릭하시기 바랍니다.  

심센터 HEEDS 더 깊게 살펴 보기 (3)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA Search Framework에 대해 자세히 살펴본다. 기존의 전통적인 최적화 알고리즘과 비교 분석하여, SHERPA(셰르파)만이 가지는 차별화된 탐색 방식과 뛰어난 성능을 조명할 예정이다. 이를 통해 복잡한 설계 공간에서 사용자의 개입을 최소화하고 가장 효율적으로 최적해를 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 난제와 ‘No Free Lunch’ 이론 엔지니어링 최적화의 현실 현대의 엔지니어링 환경에서 ‘최적화(optimization)’는 선택이 아닌 필수가 되었다. 제품의 경량화, 성능 향상, 비용 절감이라는 상충되는 목표를 동시에 만족시켜야 하기 때문이다. 그러나 설계 변수가 증가함에 따라 설계 공간(design space)은 기하급수적으로 복잡해진다. 비선형성(non-linearity), 다봉성(multimodality), 그리고 수치적 노이즈(noise)가 뒤섞인 예측 불가능한 지형에서 최적해를 찾는 것은 매우 도전적인 과제이다. 엔지니어에게 중요한 것은 이론적으로 완벽한 ‘절대 최적해’를 찾는 것보다, 제한된 시간과 비용 내에서 ‘실현 가능한 더 나은 해(FEAsible better design)’를 발견하는 것이다.   No Free Lunch Theorem(NFL)의 시사점 최적화 이론에는 ‘공짜 점심은 없다(No Free Lunch Theorem)’라는 유명한 정리가 존재한다. 이는 ‘모든 종류의 문제에 대해 평균적으로 우수한 성능을 보이는 단일 최적화 알고리즘은 존재하지 않는다’는 것을 의미한다. 즉, 특정 문제(예 : 매끄러운 단봉형 함수)에 뛰어난 성능을 보이는 알고리즘이라도, 다른 문제(예 : 복잡한 다봉형 함수)에서는 성능이 현저히 떨어질 수 있다.   그림 1   그림 2   이 이론은 엔지니어에게 큰 부담을 안겨준다. 최적화 문제를 풀기 위해 엔지니어는 자신의 문제 특성을 정확히 파악해야 하며, 이에 적합한 알고리즘을 선정하고, 수많은 파라미터를 튜닝해야 하는 ‘최적화를 위한 최적화’ 과정에 매몰된다.   전통적 최적화 기법의 한계와 파라미터 튜닝의 딜레마 전통적인 최적화 기법들은 각자의 영역에서 훌륭한 성능을 발휘하지만, 비전문가가 다루기에는 ‘튜닝의 어려움(tuning difficulty)’이라는 명확한 진입장벽이 존재한다. <그림 3>과 같이 심센터 HEEDS(히즈)에서 제공하는 전통적인 최적화 기법의 설정 환경을 기반으로 설명하겠다.   그림 3   2차 계획법 2차 계획법(Quadratic Programming : QP)은 목적함수를 2차 함수로 근사하여 최적해를 탐색하는 구배(gradient) 기반 기법이다. 매끄러운 함수에서는 빠른 수렴 속도를 보이지만, 실제 엔지니어링 문제에서는 다음과 같은 튜닝의 어려움과 한계가 있다.   그림 4   튜닝의 복잡성 : 사용자는 ‘Maximum outer iterations(전체 반복 횟수)’, ‘Maximum line search iterations(탐색 방향 결정 후 반복 횟수)’, ‘Gradient step size(미소 변위량)’ 등을 직접 설정해야 한다. 특히 스텝 크기(step size)가 너무 작으면 노이즈에 민감해지고, 너무 크면 정확도가 떨어지는 딜레마가 있다. 조기 종료(Early Termination) 문제 : 예를 들어 최대 반복 횟수를 50회로 설정했더라도, 탐색 도중 국부 최적해(local optima)에 갇혀 기울기가 0에 가까워지면 알고리즘은 20~25회 만에 탐색을 종료해 버린다. 이는 전역 최적해를 찾지 못했음에도 불구하고 해석 기회를 스스로 포기하는 결과를 낳는다.   다중 시작 국부 탐색 다중 시작 국부 탐색(Multi-Start Local Search : MS)은 이러한 국부 탐색의 한계를 극복하기 위해, 여러 초기점에서 국부 탐색을 수행하여 전역해를 찾으려는 시도이다. 그러나 이 역시 사용자의 파라미터 설정 능력에 크게 의존한다.   그림 5   총 해석 횟수 계산의 번거로움 : SHERPA와 달리 총 해석 횟수(evaluation)를 직접 입력하는 것이 아니라, ‘Number of Starts(시작점 개수)’와 ‘Evaluations per Start(각 탐색별 반복 횟수)’를 곱하여 계산해야 한다. 200회 설정의 함정 : 만약 사용자가 총 200회의 해석 예산(evaluation budget)을 가지고 ‘Max Evaluations’를 200으로 설정하더라도, 기본값인 ‘Number of cycles(Starts)’를 100으로 둔다면 치명적인 문제가 발생한다. 각 시작점(cycle)에서 평균 2회(200/100)밖에 탐색하지 못하기 때문이다. 이는 수렴은커녕 수박 겉핥기식 탐색(shallow search)에 그치게 된다. 제대로 된 탐색을 위해서는 사용자가 사이클을 4~5회(각 40~50회 탐색) 수준으로 직접 대폭 줄여야 하는 번거로움이 있다.   전역 탐색 및 메타 휴리스틱 유전 알고리즘(GA)이나 입자 군집 최적화(PSO), 시뮬레이티드 어닐링(SA)과 같은 전역 탐색(global search) 기법은 국부해 탈출 능력은 뛰어나지만, 파라미터 설정의 난이도는 더욱 높다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

PTC는 코드비머 3.2(Codebeamer 3.2), 코드비머 AI 1.0(Codebeamer AI 1.0), 퓨어 배리언츠 7.2(Pure Variants 7.2) 등의 새 버전 출시와 함께 애플리케이션 수명주기 관리(ALM) 포트폴리오의 향상된 기능을 발표했다. 이번 업데이트는 제품이 점차 소프트웨어 중심으로 변화함에 따라 조직이 증가하는 제품 복잡성과 규제 요구 사항을 더 큰 확신과 통제력을 가지고 관리할 수 있도록 지원한다. 이번 릴리스는 추적성과 변경 관리를 강화하고 규제 및 품질 요구 사항에 부합하는 통제된 AI 지원을 도입했다. PTC는 이를 통해 자동차, 의료 기술, 연방 정부, 항공우주 및 방위 등 규제 산업에서 소프트웨어 개발 및 요구 사항 관리를 위한 자사 ALM 제품군의 입지를 강화할 수 있을 것으로 기대하고 있다. 코드비머 3.2와 퓨어 배리언츠 7.2는 엔지니어가 복잡성을 관리하고 규제 요구 사항을 충족하도록 돕기 위해 새로운 기능과 향상된 기능을 도입했다. 코드비머는 PTC의 윈칠(Windchill) PLM 설루션 및 기타 엔터프라이즈 시스템과 원활하게 연결할 수 있다. 이를 통해 팀은 요구 사항을 더 쉽게 추적하고 변경 사항을 관리하며 소프트웨어 및 하드웨어 개발 전반에 걸쳐 규정 준수를 보장할 수 있다. 결과적으로 수동 작업을 줄이고 상호 운용성을 개선하며 리스크를 낮추면서 배송을 가속화할 수 있다. 스트림 베이스라인(Stream Baselines) 기능은 팀이 스트림 내의 모든 프로젝트에 대한 전체 스냅샷을 캡처할 수 있게 한다. 이는 일관된 베이스라인을 제공하고 관련 프로젝트 상태 식별을 단순화하며 복잡한 포트폴리오 전반의 변경 관리를 간소화하는 데 도움을 준다. 리뷰 허브(Review Hub)는 UI가 업그레이드되었다. 일괄 승인 및 거부, 더 명확한 알림, 차이점에 대한 시각적 강조 표시 등을 통해 팀이 더 적은 오류로 더 빠르게 리뷰를 완료하도록 돕는다. 기능 기반 PLE(FEAture-Based PLE)는 스트림 및 스트림 베이스라인 생성을 자동화한다. 또한 델타 병합(Delta Merge, 베타)을 사용하여 플랫폼 및 변형(variants) 전반에 걸친 동시 개발을 지원하므로, 팀은 제품 라인 전반에서 재사용을 최적화하는 동시에 각 수준에서 새로운 기능을 제공할 수 있다.     코드비머 AI 1.0은 ‘요구 사항 어시스턴트(Requirements Assistant)’와 ‘테스트 케이스 어시스턴트(Test Case Assistant)’라는 두 가지 새로운 AI 어시스턴트를 도입한다. 이는 표준 준수 요구 사항을 수동 검토할 때 생길 수 있는 모호함, 불일치, 지연을 줄일 수 있다. 요구 사항 어시스턴트는 국제시스템엔지니어링협회(INCOSE) 및 국제소프트웨어테스팅자격위원회(ISTQB) 지침에 맞춰 요구 사항 품질 문제를 자동으로 감지한다. 이를 통해 전문가 검토에 대한 의존도를 낮추면서 더 명확하고 표준에 부합하는 요구 사항을 더 빠르게 작성할 수 있다. 테스트 케이스 어시스턴트는 요구 사항에서 직접 테스트 케이스를 생성하고 최적화함으로써, 정확성과 일관성을 개선하고 추적성을 강화하며 검증 활동을 가속화한다. PTC의 조셉 준(Joseph June) AI 혁신 글로벌 책임자는 “우리는 요구 사항 개발 프로세스 내에서 시간이 많이 걸리는 작업을 단순화하고 간소화하기 위해 코드비머 AI를 구축했다”면서, “엔지니어와 실시간으로 함께 작업함으로써 코드비머 AI는 일상적인 결정에 더 큰 명확성과 일관성을 제공하여, 팀이 확신을 가지고 더 빠르게 움직이며 현대적인 소프트웨어 기반 제품 개발의 수요를 따라잡도록 돕는다”고 전했다. 코드비머와 퓨어 배리언츠는 PTC 포트폴리오의 다른 제품들과 함께 ‘인텔리전트 제품 라이프사이클(Intelligent Product Lifecycle)’ 비전을 지원한다. 이는 제조사 및 제품 기업이 엔지니어링 단계에서 제품 데이터 기반을 구축하고, 그 데이터의 가치를 전사적으로 확장하며, AI 주도 혁신을 추진할 수 있게 한다. 윈칠 AI(Windchill AI) 및 서비스맥스(ServiceMax) AI 설루션 등 다른 AI 설루션과 함께 작동하는 코드비머 AI는 조직이 AI 주도 혁신을 확신을 가지고 확장하도록 돕는다. PTC의 엔리케 크라즈말닉(Enrique Krajmalnik) ALM 총괄 매니저는 “고객들의 제품은 점점 더 복잡해지고 소프트웨어 중심으로 변하고 있으며, 모든 변경 사항, 요구 사항, 결정이 제품 수명주기 전반에 걸쳐 연결되어 있다는 확신이 필요하다”면서, “코드비머 3.2, 코드비머 AI 1.0, 퓨어 배리언츠 7.2는 고객이 소프트웨어 개발 및 요구 사항 관리 노력을 지속적으로 현대화하고, 복잡성 관리를 위한 더 강력한 제품 데이터 기반을 구축하며, AI를 효과적이고 책임감 있게 적용하도록 도울 것”이라고 전했다.

#캐디안 프로 2026 출시 할인 프로모션  AutoCAD Full 버전에 대응하는 최초의 K-CAD! CADian Pro 1+1 프로모션 Pro 버전, 이런 사용자에게 추천합니다! CADian Pro 버전은 기본적인 2D 제도 외에 다중 출력, Lisp, 3rd Party 등의 유틸리티 기능이 필요한 사용자에게 추천합니다. 견적신청하기  이벤트 참여하기   캐디안 프로 2026의 강력한 기능 친숙한 인터페이스와 명령어, 유사한 사용자 환경 제공 최신 리본 타입 인터페이스와 이전에 사용되던 클래식 타입 인터페이스를 모두 지원합니다. AutoCAD와 동일한 명령어 구조를 갖추고 있어 기존 사용자들도 별도 재학습 없이 즉시 사용이 가능하며, AutoCAD 단축키를 지원하여 사용하던 단축키를 그대로 이전하여 사용할 수 있습니다. 기존 작성된 도면 그대로, 구 버전부터 최신 버전까지 완벽한 DWG/DXF 호환 AutoCAD R2.5부터 최신 버전까지의 dWG/DXF 파일과 100 % 완벽한 수준의 양방향 호환을 지원합니다. 그 외에도 Microstation의 DGN 파일 등 다양한 도면 파일과 호환되기 때문에 별다른 추가 작업 없이 기존 타 CAD 소프트웨어에서 작성된 도면들도 그대로 사용할 수 있습니다. AutoCAD 대비 20% 가격으로 구매, 영구 사용까지 가능한 경제적인 CAD 엔진 CADian은 구매 및 업그레이드 비용이 가장 경제적인 CAD 제품으로, AutoCAD의 20% 수준 밖에 안되는 합리적인 가격에 구매 가능합니다. 더욱 특별한 점은 AutoCAD는 임대 라이선스 방식인 반면, CADian은 라이선스 기간 제한 없이 한 번 구매 시 영구 사용이 가능하다는 것입니다. 이러한 경제적인 장점을 이유로 많은 사용자들이 CADian으로 전환하고 있습니다. 다양한 개발 언어 지원, 강력한 API 제공 다양한 언어로 된 광범위한 API를 통해 사용자는 맞춤형 객체, 복잡한 응용 프로그램 및 완전한 솔루션을 만들 수 있습니다. 사용하던 LISP 호환은 물론, 자주 쓰이는 편의 기능은 기본적으로 탑재! 기존 사용하던 LISP을 그대로 가져와 사용할 수 있고, LISP 파일을 따로 보관하거나 매번 불러올 필요 없이 편리하게 사용할 수 있습니다. CADian은 여기서 더 나아가 자주 쓰이는 편의 기능은 보너스 도구로 기본 탑재되어 있습니다. 다양한 응용 프로그램 지원, DREAM II 무상 지원 캐드 드림기능이 무료로 제공되고 있습니다. 드림 기능들을 지속적으로 개발하여 업데이트도 꾸준히 진행될 예정입니다. 토목 뿐만 아니라 전 분야에서 사용할 수 있는 드림기능으로 단순 반복 작업을 획기적으로 줄일 수 있습니다!  

PTC는 자사의 클라우드 네이티브 CAD/PDM 플랫폼인 온쉐이프(Onshape)를 위한 최신 AI 기술인 ‘온쉐이프 AI 어드바이저(Onshape AI Advisor)’를 발표했다. 온쉐이프 AI 어드바이저는 설계 환경에 직접 내장되어 사용자가 설계를 진행하는 동안 실시간 가이드를 제공한다. 이번 업데이트로 모든 사용자는 최신 AI 기능에 즉시 접근할 수 있게 됐다. 온쉐이프 AI 어드바이저는 메인 작업 공간 내에서 쉽게 접근할 수 있도록 새롭게 디자인된 인터페이스를 갖추고 있다. 사용자에게 단계별 권장 사항, 문제 해결 기능, 모범 사례를 모두 설계 환경 내에서 제공한다. PTC는 “아마존 베드록(Amazon Bedrock)을 기반으로 하는 온쉐이프 AI 어드바이저의 최신 릴리스는 제품 개발에 AI를 도입하려는 PTC의 비전을 실현하는 다음 단계”라고 소개했다. PTC는 온쉐이프를 사용하는 엔지니어의 생산성을 높이는 동시에 엔터프라이즈급 보안 및 데이터 보호를 유지하기 위해 에이전트 워크플로를 발전시키고 있다. 팀은 워크플로에 직접 내장된 지능형 설계 에이전트와 협력하여 모델 메타데이터와의 상호 작용을 지원받을 수 있다. 또한 모델 문제 해결 및 작업 지원, 피처스크립트(FEAtureScript) 코드 생성, 반복 작업 간소화 등을 수행할 수 있다. 이에 더해, AI 지원 렌더링은 시각화 및 설계 검토 워크플로를 가속화할 수 있는 잠재력을 보여줄 수 있다.     PTC는 온쉐이프의 클라우드 네이티브 아키텍처와 광범위한 공용 모델 라이브러리를 통해 파일 기반 CAD 도구와 차별화되는 고급 AI 기능을 위한 기반을 제공한다는 전략을 소개했다. PTC는 자동화된 지오메트리 생성, 지능형 설계 최적화, 자체 AI 이니셔티브를 가진 고객을 위한 툴킷 등 AI 기능을 모색하고 있다. 온쉐이프는 3주의 릴리스 주기를 통해 모든 사용자에게 새로운 기능과 플랫폼 향상 기능을 제공할 뿐만 아니라, 고객이 자체 AI 프로젝트를 추진할 수 있는 도구도 제공한다. 개방형 API, 확장 가능한 클라우드 컴퓨팅 리소스, 광범위한 공용 데이터 라이브러리, 맞춤형 구성 도구를 앞세워 AI 모델을 쉽게 학습시키고 합성 데이터를 생성할 수 있게 돕는다. PTC는 이러한 강점을 바탕으로 빠르게 성장하는 기업들이 기존의 파일 기반 시스템보다 더 빨리 AI를 실험하고 채택하도록 돕는다는 계획이다. PTC의 데이비드 캐츠먼(David Katzman) 온쉐이프 및 아레나(Arena) 총괄 부사장은 “AI 어드바이저를 온쉐이프에 직접 내장한 것은 설계 인텔리전스의 새로운 시대를 여는 것”이라면서, “우리는 단순히 AI 기능을 출시하는 것이 아니라, AI가 설계 과정에서 신뢰할 수 있는 파트너가 되는 엔지니어링 문화를 형성하고 있다. 업계 유일의 클라우드 네이티브 CAD 및 PDM 플랫폼인 온쉐이프는 제품 개발에 AI를 통합하는 데 있어 업계를 선도할 수 있는 위치에 있다”고 전했다.