▶️25분
[영상] AI와 디지털 트윈의 제조 활용 — KAIST
Day 3: 공정 최적화
[영상] AI와 디지털 트윈의 제조 활용 — KAIST
생산 최적화 — 스마트 팩토리 AI > Day 3: 공정 최적화
학습 목표
디지털 트윈의 정의와 제조 공정 최적화에서의 역할을 물리 모델·데이터 모델·하이브리드 모델로 구분해 설명할 수 있다 강화학습(RL) 에이전트가 디지털 트윈 시뮬레이션 환경에서 공정 파라미터를 최적화하는 과정을 설명할 수 있다 Gymnasium 환경으로 간단한 공정 최적화 시뮬레이터를 구현하고 PPO 에이전트를 학습시킬 수 있다 디지털 트윈 구축 시 물리 모델의 정확도와 데이터 수집 비용 사이의 트레이드오프를 평가할 수 있다
플레이어 로딩 중...
핵심 포인트
- • 디지털 트윈은 '3D 모델'이 아니다 — 실시간 센서 데이터로 지속 업데이트되는 물리 시스템의 동적 디지털 복사본이다
- • 강화학습 에이전트를 실제 공장에서 직접 학습시키면 수백 번의 시행착오가 생산 차질로 이어진다 — Sim-to-Real 전략이 필수다
- • SAC(Soft Actor-Critic)와 PPO는 연속 공정 파라미터 최적화에 가장 널리 쓰이는 RL 알고리즘이다
- • 디지털 트윈의 현실적 구축 순서는 '데이터 기반 ML → 물리 기반 보강 → 하이브리드'다 — 처음부터 완벽한 물리 모델을 만들려다 프로젝트가 멈춘다