Manufacturing AI Lab (MAI Lab)

홈 연구활동 Manufacturing AI Lab (MAI Lab)

제조인공지능 연구실(Manufacturing AI Lab, MAI Lab)은 인공지능과 물리 기반 모델링을 제조 및 기계시스템에 융합하여, 복잡한 제조공정과 물리시스템을 분석하고 설계·최적화·제어하는 지능형 기술을 연구합니다. Physics-informed machine learning, generative AI, reinforcement learning 등 다양한 AI 방법론을 활용하여 공정 모니터링 및 진단, 계측 및 모델링, 역설계 및 공정 최적화, 자율 제어 기술을 개발하고 있습니다. 궁극적으로 센싱, 모델링, 의사결정 및 제어가 유기적으로 연결되는 지능형·자율 제조시스템의 구현을 목표로 합니다.

Research area 1 – Analysis, Metrology & Diagnostics

분석, 계측 및 진단

제조공정 및 물리시스템에서 발생하는 다양한 데이터를 활용하여 시스템의 상태를 정밀하게 분석하고 예측하기 위한 AI 기반 기술을 연구합니다.

• Physics-informed modeling: 물리 법칙과 AI를 결합하여 복잡한 역학, 유동 및 열전달 문제의 해석을 가속하고, 다양한 조건에서도 적용 가능한 효율적인 surrogate model을 개발합니다.
• Process monitoring & fault diagnostics: 센서 및 공정 데이터를 기반으로 시스템의 이상 상태와 성능 저하를 조기에 감지하고 진단하는 데이터 기반 기술을 연구합니다.
• AI-enhanced metrology: 영상 및 센서 데이터에 딥러닝을 적용하여 기존 계측기법의 정확도와 강건성을 향상시키고, 직접 측정이 어려운 물리량을 재구성합니다.
• Digital twins: 실시간 센싱 데이터와 물리·데이터 기반 모델을 연계하여 시스템의 상태를 지속적으로 추정하고 진단할 수 있는 디지털 트윈 기술을 연구합니다.

그림 1 딥러닝 기반 입자 추적 및 3차원 유동장 재건

그림 2 이상 탐지 및 고장 진단    

그림 3 Physics-informed machine learning 기반 다중물리 시스템 해석

Research area 2 – Inverse Design & Process Optimization

역설계 및 공정 최적화

목표 성능이나 물성을 만족하는 설계 및 제조조건을 효율적으로 탐색하기 위한 AI 기반 역설계와 최적화 기술을 연구합니다.

• Surrogate-based process optimization: 계산 또는 실험 비용이 높은 제조공정을 효율적으로 최적화하기 위해 데이터 기반 surrogate model을 활용합니다.
• Inverse design: 원하는 성능이나 물성을 입력으로 하여 이를 구현할 수 있는 설계 변수, 소재 조성 또는 공정조건을 역으로 탐색합니다.
• Generative design: 생성형 AI를 이용하여 단일 최적해뿐 아니라 주어진 요구조건을 만족하는 다양하고 새로운 설계 후보를 생성합니다.
• Multi-objective optimization: 성능, 제조가능성, 신뢰성 및 비용 등 상충하는 여러 설계목표를 동시에 고려하여 최적의 설계 대안을 탐색합니다.

그림 4 Surrogate model 기반 공정 최적화 및 역설계

Research area 3 – AI-based Control & Physical AI

AI 기반 제어 및 Physical AI

AI가 실제 물리시스템의 상태를 인지하고 스스로 의사결정을 수행할 수 있도록 하는 학습 기반 제어기술을 연구합니다.

• Reinforcement learning-based control: 시스템과의 상호작용 및 성능 피드백을 기반으로 최적의 제어정책을 학습하는 강화학습 기반 제어기술을 개발합니다.
• Sim-to-real learning: 시뮬레이션에서 학습된 제어정책을 실제 제조시스템에 안정적으로 적용하기 위한 전이 및 강건 학습기술을 연구합니다.
• Imitation learning: 전문가의 제어 데이터 및 시연을 활용하여 학습 초기의 탐색 비용을 줄이고 효율적인 제어정책을 학습합니다.
• Hybrid intelligent control: 물리·모델 기반 제어기법과 데이터 기반 학습을 결합하여 안정성과 적응성을 동시에 확보하는 제어기술을 연구합니다.
• Physical AI: 향후 센싱, 디지털 트윈 및 자율제어를 통합하여 실제 제조환경에서 인지–판단–행동을 수행할 수 있는 Physical AI 기반 자율 제조시스템으로 연구를 확장하고자 합니다.

	그림 5 Expert-assisted 강화학습 제어

	그림 6 Sim-to-real 강화학습 기반 적층제조 공정 제어