적층제조를 위한 머신러닝
📍 현재 위치: 2부 · 모델링 — 19장 중 5장. 4장은 물리로 모델을 만들었습니다. 이 장은 데이터로 모델을 만들고, 각각을 언제 믿을 수 있는지 묻습니다.
물리 모델은 화학을 알고 제1원리로 레시피를 계산해 내는 요리사와 같습니다. 머신러닝 모델은 일만 가지 요리를 맛본 뒤 무엇이 맛있을지 짐작하는 요리사와 같습니다. 두 번째 요리사는 빠르고 익숙한 요리에서는 대체로 맞지만, 새로운 요리에서는 아무 경고 없이 크게 틀릴 수 있습니다. 적층제조에서 "요리"는 비쌉니다. 시료 하나가 곧 빌드 하나이므로, 일만 번이 아니라 수십 번 맛본 정도인 경우가 많습니다.
이 장에서 다루는 내용
적층제조에서 머신러닝(ML)이 쓰이는 곳(대리모델, 파라미터 최적화, 결함 검출, 물리 기반 모델), 소규모 데이터 문제가 각각에 미치는 영향, 그리고 재현성과 벤치마크가 이 분야의 가장 약한 고리인 이유를 살핍니다. 증거는 실험실 규모(lab-scale), 양산 수준(production), 논쟁 중(contested)으로 표시합니다.
문제
적층제조는 데이터(공정 설정, 센서 스트림, CT 스캔, 시험 결과)를 만들어 내지만, 중요한 곳에서는 데이터가 희박합니다. 새 합금이나 장비에는 빌드가 거의 없고, 희귀한 결함은 정의상 드뭅니다. 엔지니어는 좋은 파라미터를 제안하고, 결함이 생기는 도중에 알려 주고, 물성을 예측하는 모델을 원합니다. 리뷰 논문들은 적층제조 작업 흐름 전반에 걸친 ML을 다루며 [1][2][3], 더 최근의 리뷰는 물리 기반의 관점을 취합니다 [4][5].
최신 기술 수준
네 가지 용도
| 용도 | 아이디어 | 증거 수준 |
|---|---|---|
| 대리모델과 물성 예측 | 파라미터에서 밀도, 용융풀 크기, 강도로 가는 빠른 맵을 학습 | 실험실 규모. 소규모 연구가 많고 대부분 장비 한 대 |
| 파라미터 최적화 | 다음에 시도할 실험을 선택, 흔히 베이즈 최적화 | 실험실 규모 |
| 결함 검출 | 영상이나 신호를 정상 또는 이상으로 분류 | 실험실 규모. 일부는 양산 지향 연구 |
| 물리 기반 모델 | 지배 방정식을 손실이나 구조에 내장 | 실험실 규모 |
대리모델과 모범 사례. 분말 베드 융합의 공정 파라미터 개발을 겨냥한 ML의 모범 사례를 다룬 논문은 물리 제약 신경망과 소규모 데이터를 위한 데이터 증강 등, 타당성에 영향을 미치는 설계 선택을 논의합니다 [6].
베이즈 최적화. 가우시안 과정 모델과 획득 규칙이 다음 실험을 골라 가장 많이 배우게 합니다. 기계 구조를 설계하고, 출력하고, 시험하는 일을 닫힌 루프로 수행하는 자율 시스템이 이 접근을 사용해 기계 설계를 최적화했습니다 [7]. 소규모 출력에서 실험실 규모로 입증되었고, 실험 하나가 훨씬 비싼 금속 장비에 적용하는 것은 아직 열린 단계입니다.
결함 검출. 훈련된 컴퓨터 비전 알고리즘이 LPBF 공정에서 이상을 검출하고 분류하기 위해 분말 베드 영상에 적용되었습니다 [8]. 더 어려운 시험은 키홀 기공 같은 공정 사건을 생성되는 순간에 검출하는 것입니다. 싱크로트론 X선 정답으로 학습한 ML 시스템이 열화상으로 키홀 기공 생성을 실시간 검출했고 [9], 이후 소리와 빛 센서로 1밀리초 미만의 분해능으로 검출했습니다 [10]. 이는 이례적으로 엄밀한 레이블을 쓴 실험실 규모 시연이며, 센싱 쪽은 6장 현장(in-situ) 모니터링과 계측에서 다룹니다.
물리 기반 모델. 물리 기반 신경망(PINN)은 열 방정식을, 일부 버전에서는 유체 방정식을 학습 손실에 넣습니다. 한 연구는 이런 방식으로 온도와 용융풀 유체 동역학을 예측하여 레이블된 데이터에 대한 의존을 줄였습니다 [11]. 2025년 리뷰(최근 연구)는 적층제조의 공정-조직-물성 모델링에 대한 물리 기반 ML을 정리합니다 [5]. 데이터가 부족할 때 물리가 도움이 되며, 그 한계는 4장과 같습니다. 포함된 물리는 입력만큼만 좋습니다.
소규모 데이터와 전이
전이 학습은 한 재료나 장비에서 학습한 모델을 다른 곳에 재사용합니다. LPBF에서 재료 간 심층 전이 학습에 대한 연구는 한 합금에서 학습한 메커니즘이 다른 합금에 도움이 될 수 있음을 보였습니다 [12]. 이는 실험실 규모이며, 핵심은 데이터 양입니다. 대상 재료에도 여전히 레이블된 빌드가 필요하고, 장비 간 전이가 양산 현장에서 일상적이라는 근거는 찾지 못했습니다.
적층제조에서 ML은 공정, 센서, 시험 데이터를 예측과 의사결정으로 바꾸지만, 모든 역할이 작고 장비별인 데이터셋과 공유 벤치마크의 부족에 제약됩니다.
저자가 AI의 도움을 받아 직접 제작한 그림입니다.
왜 어려운가
- 작고, 비싸고, 장비별인 데이터. 시편 빌드 하나는 시간과 분말을 소모하고, 센서 위치, 기체 흐름, 교정은 장비마다 다르므로 모델이 이어지지 않는 경우가 많습니다.
- 불균형한 레이블. 중요한 기공은 드물고, 정답에는 CT나 싱크로트론이 필요하며 둘 다 비쌉니다 [9].
- 누수와 약한 검증. 같은 빌드의 층, 트랙, 슬라이스가 학습과 시험 세트에 모두 들어가면 정확도가 부풀려집니다. 모범 사례 지침은 이런 유의 타당성 문제를 다룹니다 [6].
- ML을 위한 공유 벤치마크가 없습니다. 물리 모델링에는 데이터를 감춘 블라인드 챌린지(AM Bench [13])가 있어 독자가 방법을 비교할 수 있습니다. 용융풀 형상과 결함 모드 예측에는 문헌에서 만든 벤치마크가 있지만 [14], 센서 기반 결함 검출에 대해 널리 채택된 블라인드 챌린지 대응물은 찾지 못했으며, 그래서 논문 간 비교가 어렵습니다. 이는 분야 전체에 대한 검증된 진술이 아니라 우리의 평가로 받아들여 주십시오.
- 외삽. 어떤 파라미터 영역에 맞춘 모델은 그 밖에서 경고 없이 실패할 수 있습니다.
열린 질문
- 데이터가 얼마나 있어야 충분합니까? 전이 학습은 대상에서 필요한 데이터를 줄이려 하지만 [12], 어떤 차이(장비, 분말, 합금)에 걸쳐 성립하는지는 아직 지도화되지 않았습니다.
- 데이터 기반 PSP 모델 [15]을 같은 빌드의 보류 분할이 아니라, 보류된 장비와 연구실에서 검증할 수 있습니까?
- 불확실성 추정을 모델이 자기 범위 밖에서 "모른다"고 말할 수 있을 만큼 믿을 만하게 만들 수 있습니까?
- ML 검출기를 적격성 평가에 쓰려면 어떻게 검증해야 합니까? 이는 기술적 질문만큼이나 규제의 질문이며 12장에서 다룹니다.
- 물리와 데이터를 어떻게 결합하는 것이 가장 좋으며, 잘 설계된 데이터 전용 모델 대비 물리 항이 얼마나 보태 줍니까?
산업적 영향
ML의 단기 산업 가치는 좁은 과제에 있습니다. 층별 영상의 이상 표시, 새 분말의 공정 파라미터 선별, 7장의 제어 아이디어에 입력을 주는 센서 기반 사건 검출입니다. ML 기반 폐루프 보정이 양산에서 입증되었다는 주장은 우리가 검증한 출처에서는 빈약하며, 대부분의 증거는 실험실 규모입니다. 병목은 모델 구조가 아니라 데이터 인프라와 검증입니다(13장 디지털 스레드).
왜 중요한가
새 합금의 파라미터 개발은 도입 비용의 큰 부분을 차지하고, 결함 검출은 적격성 평가의 중심입니다. ML은 둘 다 줄이겠다고 약속하지만, 예측을 믿을 수 있을 때만 그렇습니다.
실제 현장에서는
- 연구 그룹은 싱크로트론 X선 영상과 빠른 센서를 짝지어, 검출기를 학습시킬 희귀하고 레이블이 잘 된 데이터셋을 만듭니다 [9][10].
- NIST의 공개 벤치마크 데이터로 물리 기반 방법과 데이터 기반 방법을 같은 측정에 대해 시험할 수 있습니다 [13].
- 소규모 데이터셋을 포함한 ML 전략에 대한 실용 지침이 이제 분말 베드 융합을 위해 따로 발표되어 있습니다 [6].
핵심 용어
- 대리모델(surrogate model) — 고비용 시뮬레이션이나 실험을 대신하는, 학습된 빠른 근사.
- 베이즈 최적화(Bayesian optimisation) — 지금까지 배운 것의 확률 모델로 다음 실험을 고르는 방법.
- 가우시안 과정(Gaussian process) — 불확실성과 함께 예측을 내놓는 확률적 회귀 모델.
- 물리 기반 신경망(PINN) — 데이터뿐 아니라 지배 방정식도 만족하도록 학습된 신경망.
- 전이 학습(transfer learning) — 한 과제나 장비에서 학습한 모델을 다른 곳에 재사용하는 것.
- 데이터 누수(data leakage) — 시험 데이터의 정보가 학습에 들어가 정확도를 부풀리는 현상.
- 정답 데이터(ground truth) — 모델을 판정하는 기준이 되는 신뢰할 만한 측정(예: X선 영상, CT).
- 이상 검출(anomaly detection) — 정상 빌드와 다른 데이터를 표시하는 일.
- 과적합(overfitting) — 작은 학습 세트의 잡음에 맞춰져 새 데이터에서 실패하는 현상.
- 벤치마크(benchmark) — 방법을 공정하게 비교할 수 있게 하는, 공유되고 데이터가 감춰진 시험 사례.
다음 이야기
모델은 공정을 볼 수 있어야 쓸모가 있습니다. 다음 장은 현장(in-situ) 모니터링과 계측입니다.