심센터 HEEDS 더 깊게 살펴 보기 (7)   이번 호에서는 HEEDS(히즈)의 Run Condition 기능을 활용해 if-else 조건 분기형 워크플로를 구성하는 방법을 설명한다. 해석 자동화와 최적화 프로세스에서는 모든 해석을 항상 동일하게 실행하지 않고, 이전 해석 결과에 따라 후속 해석 경로를 다르게 선택해야 하는 경우가 있다. 단순 기능 소개가 아니라, 조건 분기 설정 시 반드시 고려해야 하는 응답 추출, 중복 태깅, Optional Response 처리까지 함께 살펴본다.   ■ 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   HEEDS에서 If-Else 조건 분기를 활용한 자동화 워크플로 구현 방법 CAE 자동화와 설계 탐색 프로세스를 구성하다 보면 모든 해석을 항상 동일한 순서로 실행하는 방식만으로는 부족한 경우가 있다. 특정 해석 결과가 기준값을 만족하면 한 가지 후속 해석을 수행하고, 기준을 만족하지 못하면 다른 해석 경로로 진행해야 하는 상황이 대표적이다. 예를 들어 1차 해석 결과가 안정 영역에 있으면 상세 성능 평가를 수행하고, 그렇지 않으면 보정 또는 대체 해석을 수행하는 방식이다. 이러한 구조는 일반적인 프로그래밍의 if-else 조건문과 유사하다. HEEDS에서는 이와 같은 조건부 실행을 Run Condition 기능을 통해 구현할 수 있다.   조건 분기 워크플로의 기본 개념 일반적인 HEEDS 프로세스에서는 여러 해석을 직렬 또는 병렬로 배치해 실행한다. 직렬 실행은 분석 블록을 가로 방향으로 배치해 왼쪽에서 오른쪽으로 진행되도록 구성하고, 병렬 실행은 분석 블록을 세로 방향으로 쌓아 동시에 실행되도록 구성한다. 하지만 실제 자동화 워크플로에서는 모든 분석이 항상 실행될 필요는 없다. 상위 분석 결과에 따라 일부 분석만 선택적으로 실행해야 하는 경우가 있다. 이때 사용하는 기능은 Run Condition이다. Run Condition은 특정 조건이 만족될 때만 해당 분석이 실행되도록 제어하는 기능이다. 조건은 앞선 분석에서 계산된 응답 값을 기준으로 정의할 수 있다.   그림 1. 조건 분기 워크플로 개념안   <그림 1>에서는 A_1 분석에서 계산된 응답값 S를 기준으로 다음과 같은 조건 분기를 구성한다. S >= 0이면 A_2, A_3, A_6 실행 S < 0이면 A_4, A_5, A_6 실행  즉, A_1의 결과가 후속 분석 경로를 결정한다. A_2와 A_4는 서로 다른 조건에서 실행되는 대체 관계이며, A_3와 A_5 역시 같은 방식으로 분기된다. 반면 A_6는 두 조건 모두에서 실행되는 공통 후속 분석이다.   워크플로 배치 구조 만들기 조건 분기를 구현하려면 먼저 분석 블록의 배치 구조를 적절히 구성해야 한다. 처음에는 모든 분석이 직렬로 배치되어 있을 수 있다. 하지만 if-else 분기 구조에서는 서로 대체 관계에 있는 분석을 세로로 배치해야 한다. 예를 들어 A_2와 A_4는 같은 위치에서 조건에 따라 둘 중 하나만 실행되어야 한다. 따라서 A_4를 A_2 아래에 수직으로 배치한다. 마찬가지로 A_5는 A_3 아래에 배치한다. 이렇게 하면 워크플로는 다음과 같은 개념적 구조를 갖는다.   그림 2. 심센터 HEEDS에서 조건 분기 워크플로 구성   여기서 A_2와 A_4, A_3와 A_5는 각각 조건에 의해 선택되는 분기 경로이다. 이 분석들은 Parallel Group 안에 배치하는 것이 좋다. 이때 Parallel Group은 반드시 동시에 실행시키기 위한 목적만은 아니다. 조건 분기 구조를 안정적으로 만들고, 분기별 응답 처리와 의존 관계를 명확히 하기 위한 구성으로 이해하는 것이 적절하다. 실제로 A_2와 A_4에는 서로 반대되는 조건이 적용되므로, 하나의 설계안에서는 둘 중 하나만 실행된다. 따라서 수직 배치를 사용하더라도 조건 설정에 따라 일반적인 의미의 병렬 실행과는 다르게 동작한다.   Run Condition 정의와 적용 워크플로 구조를 만든 뒤에는 조건을 정의해야 한다. 예제에서는 A _1에서 계산된 응답값 S를 기준으로 두 개의 Run Condition을 만든다. 첫 번째 조건은 S >= 0이다. 이 조건은 A_2와 A_3에 적용된다. 두 번째 조건은 S < 0이다. 이 조건은 A_4와 A_5에 적용된다.   그림 3. 조건 분기를 위한 Run Condition 정의     ■ 자세한 기사 내용은 PDF로 제공됩니다.

CAE·가상 개발 기반의 MBSE 및 MBD 프로세스 구축 (1)   현대 제품 개발은 복잡성 증가, 다분야 협업, 짧은 리드타임 등 다양한 도전 과제에 직면해 있다. 이에 대응하기 위한 전략으로 CAE 기술의 고도화와, 모델 기반 시스템 엔지니어링(MBSE) 및 모델 기반 개발(MBD)의 통합 프로세스가 주목받고 있다. 이번 호부터 디지털 엔지니어링 관점에서 CAE 기술을 기반으로 한 MBSE/MBD 프로세스의 구축 전략을 소개하고, 이를 실무에서 실현하기 위한 연결기술, 다분야 통합 해석, 설계–검증 연계, 시스템 수준 최적화 방법 등을 종합적으로 제시한다. 또한, 기능–구조–물리 모델 간 연계, 1D/3D 시뮬레이션 통합, 데이터 자산화, 대리 모델 기반 설계, 코시뮬레이션(co-simulation), 디지털 트윈 등 최신 기술 요소를 포괄적으로 다루어, 실제 산업 현장과 연구개발 조직에서 실천 가능한 디지털 제품 개발 전략을 구체화한다.   ■ 오재응 한양대학교 명예교수   많은 기업과 연구기관에서 CAE 해석 기술과 MBD 방법론을 적용하고 있음에도 불구하고, 여전히 시스템 수준의 요구사항 추적과 검증, 다물리 통합 시뮬레이션, 협업 설계 및 지식 재활용 등의 영역에서 실질적인 한계를 경험하고 있다. 특히 다음과 같은 배경은 이번 연재의 주요한 동기가 되었다. MBSE와 CAE의 분절적 적용 : 설계 초기의 아키텍처 모델과 후속 해석 모델이 연계되지 않아 반복 설계와 검증의 비효율이 발생함 도구 기반 접근의 한계 : SysML, 시뮬링크(Simulink), 모델리카(Modelica) 등 다양한 도구의 활용이 실질적인 프로세스와 연결되지 못해 정착되지 못함 설계 데이터의 단절 및 축적 미비 : 프로젝트 간 설계 자산이 재사용되지 못하고, 조직 내 설계 지식이 흩어져 있음 연결 기술(integration technology)의 부재 : 톱다운(top-down)과 보텀업(bottom-up) 사이의 구조적 연결, 기능과 물리 모델 간의 연계가 설계 전반에 적용되지 못함 이러한 문제의식을 바탕으로, 이번 연재에서는 CAE–MBSEMBD를 하나의 통합된 가상 제품 개발 체계로 정립하고, 실무자와 조직이 직면한 장벽을 실천적으로 해결할 수 있는 전략을 제시하고자 한다. 특히 기계 시스템, 제어, 전장 등 다양한 도메인을 포함한 다분야 협업 설계의 실현과, 시뮬레이션 기반의 최적 설계 환경 구축을 목표로 하고 있다.   CAE와 MBSE의 관계 디지털 엔지니어링을 위한 고급 CAE 기술은 제품 개발 과정에서 필수 역할을 한다. 특히, MBSE(Model-Based Systems Engineering)와 연계하여 전체 시스템의 설계 및 검증을 체계적으로 수행할 수 있다. 시스템 레벨 시뮬레이션을 위한 요구 정의 및 개념 설계는 시장 요구 및 성능 목표를 기반으로 시스템 설계를 시작한다. 안정성 및 신뢰성 분석은 시스템이 예상한 성능을 충족하는지 검토한다. 검증 및 테스트에서 설계된 시스템이 실제 운영 환경에서도 신뢰성을 유지하는지 확인한다. 디지털 엔지니어링 플랫폼은 설계, 해석, 검증을 통합하여 최적화된 시스템을 개발할 수 있도록 지원한다. 주요 요소는 다음과 같다. 3D 시뮬레이션 : 초기 설계 단계에서 CAE 기반 가상 엔지니어링을 수행하여 비용 절감 및 최적화를 가능하게 한다. MILS/SILS/HILS 검증 프로세스 : 모델, 소프트웨어, 하드웨어 단위로 점진적인 검증을 수행하여 신뢰성을 확보한다. RPA(로봇 프로세스 자동화) 및 기계학습 최적화 : 반복적인 시뮬레이션과 최적화 작업을 자동화하여 개발 효율을 극대화한다. 하드웨어 및 소프트웨어 설계 : 하드웨어 설계는 형상 설계 및 성능 설계를 통해 물리적 구현을 최적화한다. 소프트웨어 설계는 임베디드 시스템 및 소프트웨어의 로직을 구성하여 시스템과의 호환성을 확보한다. 특히 모델 기반 개발에서 기구 모델과 제어 모델을 통합 설계한다. 따라서 CAE 및 MBSE를 활용한 디지털 엔지니어링 프로세스는 제품 개발의 효율과 신뢰성을 향상시키는 핵심 전략이다. 요구 분석에서부터 최종 검증까지 체계적인 설계 프로세스를 적용하면 비용 절감과 성능 최적화를 동시에 달성할 수 있다.   그림 1. 디지털화 추진을 위한 CAE 기술 및 디지털 엔지니어링 플랫폼   CAE에서 MBSE로 전환 : 시스템 수준 통합을 위한 계층적 모델 기반 접근 현대 제품 개발 환경에서 복잡성과 다분야 연계성의 증대는 단순한 해석 중심의 접근만으로는 한계를 드러낸다. 이에 따라 CAE 기반 설계 방식에서 MBSE로의 전환이 중요한 과제로 부상하고 있다. 특히, 제품 요구사항부터 물리적 구현까지 전 과정을 모델로 체계화함으로써 설계 효율성 품질을 동시에 확보할 수 있는 기반이 마련된다. MBSE의 적용을 위한 단계적 접근은 계층적 모델링을 중심으로 전개된다. 이 계층적 구조는 시장 및 사용자 요구로부터 시작하여 점차 구체적인 시스템 구성 요소로 세분화되며, 다음과 같은 흐름을 따른다. 시장 요구 → 기능 설계 → 성능 목표 물리적 콘텐츠 → 물리 모델링 시스템 → 시스템 모델 서브시스템 → 서브시스템 모델 컴포넌트 → 상세 모델 재료 수준의 최종 세부 요소   그림 2. CAE에서 MBSE로 전환   이러한 구조는 단순한 부품 중심 해석이 아닌, 전체 시스템의 동작을 포괄적으로 이해하고 최적화하기 위한 토대를 제공한다. 상단의 상위 프로세스에서는 요구 분석과 아키텍처 설계가 중심이 된다. 이 단계에서는 시스템 및 서브시스템의 요구사항을 정의하고, 이를 정량화하여 성능 목표로 변환한다. 예를 들어 제품의 출력, 온도 유지, 내구성, 소음 및 진동과 같은 요소를 수치적으로 설정하고, 이를 설계 초기 단계부터 고려함으로써 전체 개발 과정에서의 목표 일관성을 확보할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (6)   최근 제조 산업의 제품 개발 프로세스는 다학제간 최적화(MDO)를 필수로 요구하고 있다. 하지만 엔지니어링 현장에는 전용 인터페이스가 없는 사내 자체 개발 코드나 레거시 솔버가 여전히 핵심 역할을 수행하며 자동화의 단절을 가져 오고 있다. 이번 호에서는 이러한 ‘도구의 파편화’를 극복하고 진정한 엔지니어링 민주화를 실현하기 위한 핵심 도구인 HEEDS 제너럴 포털(HEEDS General Portal)의 기술적 작동 원리부터, 이를 활용해 지능형 샘플링(adaptive sampling)과 피직스AI(PhysicsAI)를 연계한 엔드 투 엔드 AI 자동 학습 파이프라인을 구축하는 전략까지 살펴본다. 이를 통해 독자들 이 도구의 한계에 갇히지 않고 프로세스 중심의 혁신적인 최적화 환경을 구축하는 데 실무적인 통찰을 얻기를 기대한다. ■ 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   다학제간 최적화의 병목 현상, ‘도구의 파편화’ 현대의 제품 개발 프로세스는 구조, 유체, 열, 전자기장 등 상호 연관된 다양한 물리 현상을 동시에 고려해야 하는 다학제간 최적화(MDO : multi-disciplinary optimization) 시대로 완전히 진입했다. 설계의 목표는 이제 단일 부품의 강성을 높이는 수준을 넘어, 시스템 전체의 에너지 효율을 극대화하고 중량을 최소화하며 제조 비용까지 동시에 만족시키는 복합적인 최적점을 찾는 데 있다. 하지만 이러한 이상적인 설계 탐색 과정을 가로막는 가장 큰 실질적 장벽은 바로 ‘엔지니어링 도구의 파편화’이다. 글로벌 주요 CAE 툴들은 각기 다른 데이터 구조와 실행 환경을 가지고 있으며, 심지어 동일한 기업 내에서도 부서마다 선호하는 툴이나 버전이 상이한 경우가 허다하다. 더욱이 기업이 수십 년간 현장에서 검증하며 축적해 온 사내 자체 개발 코드(in-house code)나 특정 공정에 특화된 레거시 시스템은 상용 최적화 도구들이 제공하는 표준적인 ‘전용 포털(direct portal)’만으로는 포섭하기 어려운 영역이다. 이러한 ‘연결의 공백’은 엔지니어가 수작업으로 데이터를 옮기고 인풋 파일을 수정하며 솔버를 구동하는 반복적인 수동 프로세스를 야기한다. 이는 단순히 시간의 낭비를 넘어, 최적화 루프의 흐름을 끊고 데이터의 누락이나 인적 오류를 발생시키는 치명적인 병목 현상이 된다. 결국 아무리 뛰어난 최적화 알고리즘을 보유하고 있더라도, 도구 간의 끊김 없는 연결(seamless integration)이 전제되지 않는다면 진정한 의미의 프로세스 자동화와 설계 혁신은 불가능하다. 이번 호에서는 이러한 도구의 제약을 뛰어넘어 엔지니어가 가진 모든 전문 지식과 소프트웨어 자산을 하나의 유기적인 파이프라인으로 통합해 주는 HEEDS 제너럴 포털의 기술적 가치를 살펴보고, 이를 통해 구축할 수 있는 차세대 AI 기반 엔지니어링 환경에 대해 논의하고자 한다.   HEEDS 제너럴 포털의 기술적 상세 설명 HEEDS(히즈)의 제너럴 포털은 특정 소프트웨어 제조사의 생태계에 종속되지 않는 범용 인터페이스이다. 이는 ‘텍스트 기반의 입출력이 가능하고 명령행(command line) 실행이 가능한 모든 프로그램’을 최적화 루프의 일원으로 수용한다.   전용 포털 vs. 범용 포털의 상세 비교 상용 최적화 도구는 일반적으로 주요 CAE 소프트웨어와의 직접적인 연동을 지원하는 전용 포털(direct portal)을 제공한다. 하지만 실무 환경은 상용 툴뿐만 아니라 기업 고유의 로직이 복잡하게 얽혀 있는 생태계이기에, 각 포털의 특성을 정확히 이해하고 선택하는 것이 중요하다.   그림 1. 심센터 HEEDS에서 제공하는 전용 포털 목록 중 일부   표 1   <그림 1>의 전용 포털은 ‘설계 생산성’에 초점을 맞춘다. 소프트웨어 내부 아키텍처에 직접 접근하여 설계 변수를 자동으로 추출해 주기 때문에, 사용자는 기술적 구현보다 최적화 전략 수립에 더 많은 시간을 할애할 수 있다. 하지만 소프트웨어가 버전업될 때마다 포털의 호환성을 체크해야 하는 단점이 있다. 반면, 범용 포털(general portal)은 ‘엔지니어링 자유도’에 그 가치를 둔다. 특정 툴의 API에 의존하지 않고 텍스트 파일이라는 보편적인 언어로 통신하기 때문에, 툴의 버전 변화에 거의 영향을 받지 않는 강건한 자동화 환경을 구축할 수 있다. 특히 해석 전후로 파이썬(Python) 등을 활용한 사용자 정의 로직을 자유롭게 삽입할 수 있어, 단순히 툴을 실행하는 단계를 넘어 기업 고유의 설계 노하우가 집약된 ‘맞춤형 프로세스’를 완성할 수 있게 한다. 결국 성공적인 자동화 환경은 이 두 가지 포털을 적재적소에 배치하는 하이브리드 전략에서 시작된다. 표준적인 해석은 전용 포털로 빠르게 구축하고, 기업만의 특화된 핵심 로직은 범용 포털로 유연하게 포섭하는 것이 이상적인 형태이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

RPA(로보틱 프로세스 자동화) 기술 기업인 유아이패스가 에이전틱 비즈니스 오케스트 레이션 및 자동화 분야의 글로벌 리더로 변신에 나섰다. 유 아이패스코리아는 5월 19일 서울 포시즌스 호텔에서 기자 간담회를 열고, 한국 기업들이 AI 도입 실험 단계를 넘어 실질적인 비즈니스 성과를 창출할 수 있는 구체적인 해법 을 제시했다. ■ 최경화 국장   유아이패스는 전 세계 다양한 조직이 복잡한 기업 운영 환경을 AI 에이전트가 추론하고, 로봇이 실행하며, 사람이 주도하는 지능 적이고 안전한 운영 체계로 전환할 수 있도록 지원하는 기업이다. 특히 현대적 기업 환경과 규제가 엄격한 산업을 위해 자동화, 오케 스트레이션, AI를 통합하여 거버넌스 기반의 확장 가능한 워크플 로우를 제공하는 데 강점을 지니고 있다. 유아이패스코리아 형원준 지사장은 “많은 기업이 에이전트 빌더 에만 집중하는 것은 빙산의 일각을 보는 것과 같으며, 실제 현업 시 스템에 오차 없이 계획을 실행하고 조율하는 ‘지휘자’로서의 오케 스트레이션 능력이 혁신의 핵심”이라고 언급하며 유아이패스의 방 향성에 대해 소개했다.   ▲ 유아이패스코리아 형원준 지사장   AI 투자의 불편한 진실 : ‘ROI 격차’라는 장벽 이번 간담회의 주 발표자로 나선 유아이패스 야니스 브루스타스(Yiannis Broustas) 제품 마케팅 담당 부사장은 현재 글로벌 기업들이 직면한 ‘ROI(투자자본수익률) 격차’ 문제를 화두로 던졌다. 브루스타스 부사장은 가트너에 따르면 2025년 글로벌 AI 투자액이 1조 5000억 달러에 이르고 CIO의 89%가 에이전트 기반 AI 를 전략적 우선순위로 꼽고 있음에도 불구하고, 실제 기대한 성과 를 거두는 프로젝트는 극히 드물다는 점을 지적했다. 브루스타스 부사장은 가트너와 MIT의 데이터를 인용해 엔터프라이즈 AI 프로젝트의 28%만이 기대한 ROI를 달성하고 있으며, 생성형 AI 파일럿의 95%는 기업의 손익에 즉각적인 영향을 주지 못하고 있는 것이 현실이라고 전했다. 또한, 이러한 격차가 발생하는 근본 원인으로 기존 자동화가 대부분 ‘단일 업무(task) 기반’으로 이루어져 복잡한 전체 비즈니스 프로세스를 아우르지 못하기 때문이라고 분석했다.   ▲ 유아이패스 야니스 브루스타스 제품 마케팅 담당 부사장   지능형 오케스트레이션, 파편화된 자동화를 엮는 ‘지휘자’ 브루스타스 부사장은 이 문제를 해결하기 위해 ‘지능형 오케스트레이션(intelligent orchestration)’을 핵심 대안으로 제시했다. 이는 AI 에이전트와 소프트웨어 로봇, 그리고 사람이 유기적으로 협업하여 비즈니스의 엔드 투 엔드 프로세스를 지능적으로 관리하고 변화하는 비즈니스 환경에 적응해 가는 것을 의미한다. 그는 “자동화를 통해 많은 기업이 운영을 개선하고 있지만, 태스크 기반의 한계로 인해 프로세스에 문제가 발생하곤 한다”며, “복잡성을 명료함으로 바꾸기 위해서는 고립된 자동화에서 벗어나 측정 가능한 비즈니스 성능을 창출하는 인텔리전트 오퍼레이션으로 나아가야 한다”고 강조했다. 이를 구체화하기 위해 유아이패스는 플랫폼에 ‘코딩 에이전트(UiPath for Coding Agents)’ 레이어를 새롭게 추가했다. 개발자들이 터미널이나 기존 작업 환경을 그대로 유지하면서 챗GPT, 클로드, 제미나이 등 다양한 외부 AI 모델을 네이티브하게 활용할 수 있도록 지원하는 기능이다. 브루스타스 부사장은 “1000개 이상의 커넥터와 재사용 가능한 패턴을 제공하여 아이디어 구상부터 실제 운영까지의 시간을 수개월에서 단 수일로 단축해 준다”고 설명했다.   산업 현장의 복잡성을 해결하는 ‘마에스트로’ 실제 산업 현장의 비즈니스 프로세스는 매우 역동적이고 예외 사항이 많으며 파편화되어 있다. 브루스타스 부사장은 이러한 복잡한 프로세스를 재구성하여 ROI 격차를 줄이기 위해 ‘마에스트로 케이스 매니지먼트(Maestro Case Management)’를 한국 시장에 발표했다. 이 설루션은 복잡한 공정이나 업무 흐름을 여러 단계로 나누어 유연한 워크플로를 구축할 수 있게 돕는다. 예를 들어 대규모 산업 현장의 수급 관리나 운영 프로세스에서 AI가 데이터를 수집 및 검증하고, 사기나 위험 요소를 평가하는 단계별 과정마다 전문가가 개입해 최종 승인을 내리도록 설계함으로써 AI의 잠재적 실수를 통제하고 리스크를 관리할 수 있다.     한국 시장을 위한 특화 전략 : 데이터 주권과 규제 해소 이날 유아이패스는 한국 기업들이 보안 규제로 인해 AI 도입에 겪는 어려움을 해소하기 위한 두 가지 방안을 소개했다. 첫째는 마이크로소프트 애저(Azure)의 한국 리전을 통해 제공되는 ‘오토메이션 클라우드 포 코리아(Automation Cloud for Korea)’다. 이를 통해 국내 고객은 데이터 레지던시 요건을 준수하면서도 유아이패스의 전체 에이전틱 자동화 스택을 엔터프라이즈급으로 활용할 수 있게 되었다. 둘째는 인터넷이 차단된 폐쇄망 환경을 선호하는 기업들을 위한 ‘온프레미스 에이전틱 AI 배포’ 지원이다. 고규제 산업군인 금융, 공공, 헬스케어 기업들은 이제 ‘오토메이션 스위트’를 통해 자체 데이터센터 내에서 에이전틱 AI를 운영하며 데이터에 대한 완벽한 통제권을 확보할 수 있다. 유아이패스는 단순한 기술 제공자를 넘어, 한국 기업들이 AI 도입의 딜레마를 극복하고 실질적인 비즈니스 가치를 실현할 수 있도록 돕는 파트너로서의 입지를 공고히 한다는 계획이다. 형원준 지사장은 “규정 준수 요건이 혁신을 가로막아서는 안 되지만, 한국의 고규제 산업은 엄격한 제약으로 인해 초기 에이전틱 AI 도입의 성과를 충분히 누리지 못했다”며, “오토메이션 스위트는 AI 도입과 데이터 주권 유지 사이의 딜레마를 해소해 금융, 공공, 헬스케어를 비롯한 다양한 산업의 기업이 자체 인프라 제어권을 바탕으로 구상 단계를 넘어 실질적인 비즈니스 성과를 낼 수 있도록 돕는다”고 말했다. 현재 대부분의 에이전틱 자동화 기능은 유아이패스 오토메이션 스위트에서 이용할 수 있으며, 대화형 에이전트(Conversational Agent)와 IXP(Intelligent Xtraction and Processing) 기능은 2026년 10월 제공될 예정이다.     전 산업군으로 확산되는 실무 중심의 에이전틱 AI 소개 기자간담회와 같은 날 진행된 ‘유아이패스 퓨전 서울(UiPath FUSION Seoul)’ 행사에서는 에이전틱 AI를 대규모로 배포하고 실질적인 성과를 낸 국내외 실무 담당자들의 목소리가 생생하게 전달되었다. 유아이패스 야니스 브루스타스 부사장이 ‘에이전틱 엔터프라이즈의 오케스트레이션’을 주제로 글로벌 전략을 공유했으며, IDC 김경민 이사가 차세대 AI 자동화가 여는 자율 지능 시대에 대한 시장 인사이트를 전했다. LG CNS 진요한 AI센터장이 에이전틱 AI와 오케스트레이션의 실제 결합 사례를, 쏘카 김주녕 팀장이 AI 기반 업무 혁신 여정을 공유하며 제조·서비스 등 다양한 산업군에서 의 활용 가능성을 시연했다. 또한 딜로이트 정창모 수석위원은 미래형 에이전틱 ERP 전략을 제시하고, 유아이패스코리아 김형수 파트너는 복잡한 구현 없이 빠르게 시작할 수 있는 ‘산업별 AI 에이전트’를 소개했다. 이번 행사에서는 기조연설과 라이브 제품 시연을 통해 에이전틱 AI를 실제 운영 단계로 전환하기 위한 현실적인 방안인 엔드 투 엔드 오케스트레이션과 산업별 특화 설루션, 그리고 측정 가능한 ROI 실현 과정 등이 소개되었다.     ■ 기사 내용은 PDF로도 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (5)   심센터 HEEDS(Simcenter HEEDS) 2604 릴리스는 설계 파라미터와 시뮬레이션 워크플로를 유기적으로 연결하여 최적의 설계안을 자동으로 도출하는 역할을 더욱 공고히 하기 위해 계산 리소스의 효율적 관리, AI를 활용한 워크플로 가속화, 그리고 다목적 트레이드오프 스터디의 실시간 가시성 확보라는 세 가지 핵심 방향으로 혁신적인 기능을 담았다.이번 릴리스를 통해 복잡성 모델링(model the complexity), 가능성 탐색(explore the possibilities), 속도 향상(go faster), 통합 유지(stay integrated)라는 네 가지 기둥 아래 엔지니어링 시뮬레이션의 새로운 기준을 제시한다.   ■ 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   전산 자원 관리의 재구상 : 새로운 리소스 카탈로그 기존 방식의 한계 엔지니어링 최적화 스터디는 단 한 번의 시뮬레이션으로 끝나는 작업이 아니다. 수십 번에서 수천 번의 반복 해석을 수행해야 하며, 이를 위해서는 로컬 워크스테이션, 사내 HPC 클러스터, 클라우드 컴퓨팅 플랫폼 등 다양한 전산 자원을 조합하여 활용해야 한다. 기존의 HEEDS(히즈)는 이러한 원격 실행 환경을 프로젝트별로 설정해야 했기 때문에, 팀 내의 여러 엔지니어가 동일한 클러스터를 사용하더라도 각자 동일한 설정 과정을 반복해야 하는 비효율이 존재했다. 특히 HPC 클러스터의 경로, 인증 정보, 작업 스케줄러 파라미터를 매번 수동으로 입력해야 하는 번거로움은 첫 번째 설계 최적화를 시작하기도 전에 엔지니어의 시간을 낭비하게 만들었다.   리소스 카탈로그의 등장 심센터 HEEDS 2604는 원격 실행 기능을 새로운 ‘리소스 카탈로그(Resource Catalog)’로 전면 개편하여 이 문제를 근본적으로 해결했다. 리소스 카탈로그는 전산 자원 정보를 프로젝트에 종속된 설정이 아닌, 전사적으로 공유 가능한 독립적 자산으로 관리하는 방식이다. 이제 로컬 머신, 원격 클러스터, 리스케일(Rescale)과 같은 HPC 클라우드 플랫폼, 또는 작업 스케줄러를 사용하는지의 여부와 관계 없이 프로젝트 전체에서 리소스 구성을 더 쉽게 설정하고 재사용할 수 있다.   그림 1. 리소스 카탈로그 설정 환경   그림 2. 작업 수행을 위해 미리 설정된 리소스 선택   주요 기능 및 이점 원클릭 리소스 생성 : 사용자가 리소스 유형을 선택하면, 해당 유형에 적합한 모든 설정 항목이 기본값으로 미리 채워진 상태로 나타난다. 처음 사용하는 엔지니어도 복잡한 설정 파라미터를 일일이 파악할 필요 없이 빠르게 시작할 수 있다. 관리형 카탈로그(Managed Catalogs) : 조직의 IT 관리자 또는 HEEDS 전문가가 심센터 HEEDS 커넥트(Simcenter HEEDS Connect)를 통해 표준 리소스 프로필을 미리 구성하면, 팀의 다른 구성원이 이를 즉시 다운로드하여 사용하거나 로컬 카탈로그로 복사하여 필요에 맞게 조정할 수 있다. 이는 조직 전체가 동일한 리소스 표준을 따르도록 하는 ‘단일 정보 소스(single source of truth)’ 역할을 수행하여 설정 오류와 불일치를 원천적으로 방지한다. 다중 제출 항목(Multiple Submission Items) : 하나의 물리적 서버에서도 PBS, LSF, SLURM, MSHPC, 또는 다이렉트 서브미션(Direct submission) 등 다양한 방식의 작업 스케줄러를 위한 복수의 제출 항목을 생성할 수 있다. 예를 들어, 빠른 소규모 해석을 위한 인터랙티브 대기열과 대규모 최적화를 위한 배치 대기열을 동일한 클러스터에서 각각 별도의 리소스 프로필로 관리할 수 있다. 리소스 구성 확인 기능 : 복잡한 네트워크 환경에서 원격 리소스가 실제로 접근 가능한지, 또는 올바르게 설정되었는지 확인하는 것은 종종 어려운 문제였다. 새로운 ‘Run test now’ 기능을 통해 사용자는 설정 완료 즉시 리소스의 접근 가능성과 동작 상태를 확인할 수 있다. 테스트 결과는 Not tested(미실행), Passed(성공), Error(오류)의 세 가지 상태로 직관적으로 표시되어 문제 발생 시 신속한 보정이 가능하다. 지속적 구성 : 매핑된 로컬 및 원격 드라이브 설정이 모든 프로젝트에 걸쳐 유지되므로, 프로젝트를 새로 만들 때마다 리소스를 재구성할 필요가 없다. 한 번 설정한 리소스 카탈로그는 이후 모든 프로젝트에서 즉시 재사용 가능하다.   비최적화 스터디를 위한 효율적 데이터 및 리소스 운용 디스크 공간의 숨겨진 병목 실험계획법(Design of Experiments : DOE), 강건성(robustness) 분석, 신뢰성(reliability) 분석, 또는 단순히 특정 설계 후보를 일괄 평가하는 ‘Evaluation Only’ 스터디는 최적화 알고리즘이 동반되지 않는 빠른 유형의 설계 탐색이다. 이러한 스터디는 개별 해석이 비교적 짧게 완료되기 때문에, HEEDS는 실행 스택을 가득 채워 최대한 많은 병렬 해석을 동시에 구동하려 한다.   그림 3. 프로세스의 병렬 해석 진행 상황 예시   그런데 여기서 예상치 못한 문제가 발생한다. 해석이 매우 빠르게 완료되기 때문에 각 해석의 임시 작업 디렉토리와 결과 파일이 시스템에 쌓이는 속도도 매우 빠르다. 짧은 시간 안에 수백 개의 해석 폴더가 생성되어 디스크 공간을 순식간에 소진할 수 있으며, 이는 특히 로컬 워크스테이션이나 디스크 할당량이 제한된 HPC 환경에서 심각한 장애 요인이 될 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

LG 그룹 제조 현장의 실제 R&D 품질 리더와 전문가 총출동하는 세미나에 초청합니다. LG전자 / LX하우시스 / LGCNS 외

심센터 HEEDS 더 깊게 살펴 보기 (4)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA의 성능을 비약적으로 가속화시키는 AI 시뮬레이션 프레딕터(AI Simulation Predictor) 기술에 대해 자세히 살펴본다. 지난 호에서 다룬 SHERPA의 지능형 탐색 방식에 AI의 예측 통찰력을 결합하여, 어떻게 해석 시간의 병목을 해결하고 검색 효율을 극대화하는지 조명할 예정이다. 이를 통해 고비용 해석 모델에서도 실질적인 리드타임을 단축하고 더 우수한 설계안을 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 병목, 해석 시간과 비용의 문제 고충실도(High-Fidelity) 해석의 딜레마 현대 엔지니어링 설계의 정점은 전산유체역학(CFD)이나 비선형 구조해석과 같은 고성능 계산 과정을 필수로 한다. 이러한 고충실도 해석은 제품 성능을 가상 공간에서 정밀하게 모사할 수 있게 해 주지만, 치명적인 약점이 있다. 복잡한 모델의 경우 1회 해석에 수 시간에서 수 일이 소요되기도 하며, 수백 번의 반복 계산이 필요한 최적화 과정에서 이는 극복하기 어려운 시간적 병목(bottleneck)이 된다.   MDAO 과정에서 직면하는 실제 문제들 연재의 배경이 되는 다분야 설계 분석 및 최적화(MDAO : Multidisciplinary Design Analysis and Optimization) 환경에서는 다음과 같은 네 가지 핵심 문제에 직면한다. 시뮬레이션 시간 & 계산 비용 : 장기간의 CAE 실행은 컴퓨터 자원의 점유와 라이선스 비용 부담을 가중시킨다. 신뢰성 : 시간 제약으로 인해 충분한 설계안을 검토하지 못하면 결과의 신뢰성이 떨어진다. 지식의 재사용 : 이전 프로젝트의 방대한 시뮬레이션 데이터를 현재 최적화에 제대로 자산화하지 못하는 한계가 있다. 시프트 레프트(shift left) : 제품 개발 초기 단계에서 오류를 발견하지 못하면 이후 단계에서 대규모 수정 비용이 발생한다.   기존 대안 : 전통적 최적화 프로세스와 근사 모델의 한계 해석 시간을 줄이기 위해 전통적인 설계 공간 탐색(design space exploration) 과정에서는 반응표면법(RSM)이나 크리깅(kriging)과 같은 근사 모델(surrogate model)이 널리 사용되어 왔다. 하지만 이러한 전통적인 방식은 프로세스 측면에서의 번거로움과 기술적 모델 구축 측면에서의 한계를 동시에 안고 있다.   그림 1   첫째, 전문가 중심의 복잡한 다단계 프로세스로 인한 고충(pain points)이 크다. 목적 정의부터 모델 단순화, 알고리즘 선택 및 튜닝, 탐색 수행, 결과 해석으로 이어지는 과정은 매우 정교한 전문 지식을 요구하며 다음과 같은 문제를 일으킨다. 모델 단순화의 오류 가능성 : 변수 선별이나 응답면 모델을 수동으로 생성하는 과정은 오류가 개입되기 매우 쉽다.(too error-prone) 알고리즘 선택 및 튜닝의 고비용 구조 : 적절한 검색 알고리즘을 결정하기 위해 수많은 반복 시도가 필요하며, 파플레이션 크기나 변이율 등 세부 매개변수 설정에 고도의 전문성이 요구되어 시간과 비용이 많이 든다.(too costly & too difficult) 제한적인 혁신 : 이러한 난이도 탓에 최적화 기술이 일부 전문가에 의해 매우 한정적인 문제에만 적용되어, 결과적으로 설계 혁신의 폭이 좁아지는 결과를 초래한다. 둘째, 기술적으로 구축된 근사 모델 자체가 가진 결정적인 한계가 존재한다. 초기 데이터 확보의 높은 비용 : 신뢰할 수 있는 모델을 구축하기 위해서는 설계 공간 전체에 걸쳐 상당수의 초기 샘플 해석이 선행되어야 하며, 고성능 CAE 환경에서는 이 초기 샘플링 과정 자체가 막대한 병목이 된다. 정적 구조의 경직성 : 한 번 구축된 모델은 최적화가 진행되는 동안 설계 공간의 특성 변화나 새로운 유망 영역의 발견을 실시간으로 반영하여 스스로 업데이트되지 않는다. 전역적 경향성과 국부적 정밀도의 딜레마 : 전체적인 경향성은 파악하지만 최적해 주변의 미세한 비선형적 거동을 포착하는 데 한계가 있어, 최종 설계안이 실제 해석 결과와 괴리를 보이는 경우가 빈번하다.   그림 2   반면, 심센터 HEEDS는 이러한 복잡한 중간 단계를 ‘Automated Search’ 하나로 통합하여 엔지니어가 본연의 설계 업무인 목적 정의와 결과 분석에만 집중할 수 있는 환경을 제공한다. 이번 호에서 다룰 AI 프레딕터(AI Predictor)는 이 혁신적인 자동 탐색 과정을 한 단계 더 가속하여 기술적 한계를 극복하고 진정한 설계 디스커버리(discovery)를 실현하는 핵심 기술이다.   기술 혁신 : Boosting SHERPA의 정의와 전략적 가치 AI 시뮬레이션 프레딕터란 무엇인가? 심센터 HEEDS의 AI 시뮬레이션 프레딕터는 최적화 검색 과정을 가속시키는 퍼포먼스 부스터(Performance Booster)이다. 단순히 정해진 데이터를 학습하는 것을 넘어, SHERPA 검색 프레임워크 상단에서 작동하는 AI 오버레이(AI Overlay) 기술을 통해 실시간으로 데이터를 학습(on-the-fly)하여 해석이 필요한 위치(DOE)를 지능적으로 선별한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

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.

  INFOWORLD   Case Study 15　CES 2026에서 만난 언리얼 엔진　차세대 HMI부터 시뮬레이션, 몰입형 모빌리티 생태계까지 20　건설 인력 교육을 혁신한 지멘스와 에듀케이션XR의 디지털 툴　XR과 AI로 건설 분야의 차세대 전기 공학자 양성   Focus 24　플랜트 조선 컨퍼런스 2026, DX 및 AI가 이끄는 기술 진화와 산업 혁신 짚다 46　인텔, 코어 울트라 시리즈 3로 온디바이스 AI 및 에지 시장 공략 가속화 48　오라클, “DB를 넘어 데이터 중심의 AI 플랫폼 기업으로”   People&Company 30　지멘스 디지털 인더스트리 소프트웨어 오병준 한국지사장　AI·디지털 트윈으로 제조 현장의 실질적 가치 입증할 것   New Products 33　HP Z북 울트라 G1a 리뷰 / 정수진　CAE 실무 해석 프로젝트 성능 검증 40　현장을 디지털화하는 차세대 하이브리드 스캐닝 설루션　Stonex X70GO 43　이달의 신제품   Column 50　트렌드에서 얻은 것 No. 28 / 류용효　스마트 엔지니어링과 제조 지능화를 위한 AI 활용 전략 54　디지털 지식전문가 조형식의 지식마당 / 조형식　온톨로지 디지털 트윈 정보화 시대   On Air 57　캐드앤그래픽스 CNG TV 지식방송 지상중계　DX와 AI로 재도약하는 플랜트·조선 산업의 미래   58　News   Directory 107　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 63　새로워진 캐디안 2026 살펴보기 (4) / 최영석　원 중심선 그리기 외 66　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　뮌헨 공과대학교 연구진의 오픈소스 3D 건물 데이터셋 개발 기술 70　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (12) / 최하얀　다이세이의 모바일 CAD 도입과 건설 현장 워크플로의 혁신   Mechanical 73　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (8) / 김성철　향상된 제너레이티브 디자인   Analysis 78　앤시스 워크벤치를 활용한 해석 성공 사례 / 박준수　복합재 날개 구조의 배치 설계와 파라메트릭 자동화 해석 88　심센터 HEEDS 더 깊게 살펴 보기 (3) / 이종학　심센터 HEEDS SHERPA의 최적 검색 원리 94　산업을 위한 AI와 버추얼 트윈 기술 (1) / 신정일　MBSE 기반 저탄소 친환경 선박 성능 검증의 프론트 로딩 97　성공적인 유동 해석을 위한 케이던스의 CFD 기술 / 나인플러스IT　고양력 항공기 형상의 공력 시뮬레이션 102　가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (5) / 오재응　모델 기반 시스템 엔지니어링에서 SysML의 역할     2026-3-dx-aifrom 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기