AI 뉴스에서는 잘 안 보이지만, 수많은 엔지니어링을 조용히 가로막는 문제가 하나 있습니다. 물리를 시뮬레이션하는 AI를 학습시키려면, 먼저 그 AI에게 먹일 물리 시뮬레이션 데이터가 산더미처럼 필요합니다. 그런데 그 데이터를 만드는 비용이 만만치 않습니다.
MIT 컴퓨터과학·인공지능연구소(CSAIL)가 칭화대와 함께 이 문제를 정면으로 겨냥한 방법을 내놓았습니다. 이름은 GeoPT, 기하학적 사전학습(실제 과제를 배우기 전에 형상 데이터로 먼저 훈련해 두는 방식)의 줄임말입니다. 최근 국제머신러닝학회(ICML)에서 발표됐고, MIT가 이를 공식 공개했습니다.
### 무엇을 만든 건가
먼저 한 가지 분명히 해 둘 점이 있습니다. GeoPT는 물리 법칙을 스스로 발견하는 모델이 아닙니다. 데이터를 보고 나비에-스토크스 방정식 같은 자연의 규칙을 역으로 알아내는 것이 아닙니다.
GeoPT는 뉴럴 서로게이트, 즉 느린 물리 계산을 대신하도록 훈련한 AI 모사 모델입니다. 느린 물리 솔버(solver)의 결과를 빠르게 흉내 내도록 학습했기 때문에, 실제 사용 시 그 느린 계산 과정을 생략할 수 있습니다. 새로운 점은 이 모델을 어떻게 학습시키느냐에 있습니다.
### 지형-물리 간극
엔지니어가 자동차나 비행기, 배의 선체를 설계할 때 무엇을 하는지 떠올려 보면 이해가 쉽습니다. 공기나 물이 형상 위로 어떻게 흐르는지 계산하는 유체 시뮬레이션을 돌립니다. 고해상도 한 번 돌리는 데 성능 좋은 장비로도 몇 시간, 며칠이 걸립니다. 그런데 이런 값비싼 시뮬레이션을 수천 번 반복해서 데이터를 만들어야 AI를 학습시킬 수 있습니다. 지름길을 가르치려고 비싼 길을 수천 번 걷는 셈입니다.
연구팀은 이 지점을 지형-물리 간극(geometry-physics gap)이라고 부릅니다. 여기서 핵심은 이렇습니다. 3D 형상 데이터는 세상에 넘쳐나고 값도 쌉니다. 자동차 차체, 기계 부품, 일상 사물의 형상 데이터는 얼마든지 있습니다. 정작 귀한 것은 그 형상 주위에서 공기와 물, 힘이 실제로 어떻게 움직이는지에 대한 기록, 즉 동역학(dynamics) 데이터입니다. 형상은 공짜인데 물리는 비쌉니다.
### 작은 공을 던지는 트릭
GeoPT는 이 간극을 합성 동역학, 즉 실제 유체 시뮬레이션이 아닌 값싼 가짜 움직임 데이터로 메웁니다. 비싼 실제 시뮬레이션 대신, 이 값싼 움직임을 만들어 모델에게 배우게 합니다.
구체적으로는 3D 물체에 작은 가상의 구를 던집니다. 여러 속도와 각도로 날아간 입자가 표면에 닿아 멈추는 과정입니다. 유치할 만큼 단순해 보이는데, 바로 그것이 노림수입니다. 이 작은 충돌들이 모델에게 실제로 중요한 감각을 가르칩니다. 형상의 표면과 그 주위에서 벌어지는 일 사이의 관계, 어디에 쌓이고 어디로 흘러가는지 하는 감각입니다.
모델은 이렇게 130만 개의 합성 샘플에서 물리 감각을 흡수합니다. 값비싼 물리 정답 데이터는 전혀 필요하지 않습니다. 그런 뒤에야 실제 시뮬레이션 과제에 맞춰 추가로 학습하는 미세조정(fine-tuning) 단계로 들어갑니다.
### 결과
성과는 미세조정 단계에서 드러납니다. 이미 표면과 움직임의 관계에 대한 감각을 갖춘 상태라, 제 실력을 내는 데 필요한 실제 정답 데이터가 훨씬 적습니다.
MIT는 GeoPT가 여러 벤치마크에서 기존 선도 모델 대비 정답 데이터를 20~60% 줄이고, 최고 성능에 도달하는 속도를 약 2배 끌어올렸다고 밝혔습니다. 특히 선체(DTCHull) 벤치마크에서는 약 60% 적은 정답 데이터로, 최고 정확도에 약 4배 빠르게 도달했습니다. 학습을 마친 뒤에는 1억 개가 넘는 메시 포인트의 고해상도 시뮬레이션을 몇 초 만에 만들어 냈습니다.
활용 분야는 충분히 예상할 수 있는 영역입니다. 자동차·항공기 공력 시험, 바람·물·충돌에 설계가 어떻게 반응하는지 예측하는 일, 나아가 소재 시험과 더 사실적인 영상 생성까지 바라봅니다.
한 가지 솔직한 단서도 있습니다. 연구팀 스스로 GeoPT를 자신들이 구축 중인 더 큰 물리 파운데이션 모델의 예고편일 뿐이라고 표현했습니다. 산업 벤치마크에서 나온 강력한 결과이고 ICML 동료 심사를 통과했습니다. 다만 출시된 제품이 아니며, 아직 범용 물리 엔진도 아닙니다.
### 짚어 보면
이 블로그를 꾸준히 읽어 온 독자라면, GeoPT가 반복되는 패턴 위에 놓인다는 점을 금세 알아챌 것입니다. AI가 물리 세계와 만나는 최전선에서 그 병목은 좀처럼 모델에 있지 않았습니다. 데이터가 문제였습니다.
앞서 다뤘던 엔비디아의 진단과 똑같습니다. 로보틱스의 진짜 제약은 하드웨어가 아니라 현실의 손재주 데이터 부족이라, 엔비디아는 시뮬레이션 기반의 확장 법칙으로 방향을 틀었습니다. 물리적 결과를 상상해 로봇이 값싼 합성 경험으로 훈련하게 하는 코스모스 3도 같은 발상이었습니다. GeoPT는 같은 생각을 다른 벽에 겨눈 것입니다. 로보틱스는 실제 조작 데이터를 충분히 못 모으고, 엔지니어링은 실제 시뮬레이션을 충분히 감당하지 못합니다. 두 경우 모두 결론은 같습니다. 비싼 진짜를 닮은 값싼 합성 경험을 만들어, 모델이 거기서 출발하도록 하는 방식입니다.
제가 GeoPT에서 정말 영리하다고 본 지점은 그 트릭이 얼마나 단순한가입니다. 메시에 작은 공을 튕기는 것은 정교한 물리 시뮬레이션이 아니라 장난감에 가깝습니다. 하지만 그 장난감이 모델에게 부족했던 단 하나, 형상과 움직임 사이의 관계를 모델에 각인시킵니다. 비싼 물리 데이터는 막대한 비용을 들여 그 관계를 간접적으로 가르쳤습니다. GeoPT는 같은 것을 거의 비용 없이, 직접 가르칩니다.
동시에 과대평가는 경계해야 합니다. 뉴럴 서로게이트는 시뮬레이터의 빠른 근사이고, 시뮬레이터 자체도 현실의 근사입니다. GeoPT는 유체역학을 이해하는 것이 아니라, 그것을 이해하는 도구의 출력을 흉내 내도록 배운 것입니다. 수천 개의 설계안을 빠르게 걸러 내는 초기 단계에는 이 정도 근사가 딱 맞습니다. 안전이 걸린 최종 검증은 여전히 실제 계산을 돌려야 합니다. GeoPT의 가치는 물리를 대체하는 것이 아니라, 설계 루프의 앞단을 압축하는 데 있습니다.
더 깊은 신호는 누가 이걸 만들었는가에 있습니다. ResNet과 마스크드 오토인코더로 현대 딥러닝의 토대를 만든 연구자가 물리 시뮬레이션으로 눈을 돌리고, 이를 물리 파운데이션 모델로 가는 한 걸음이라고 명시했다는 점입니다. 언어, 이미지, 그리고 점차 로봇 행동까지 파운데이션 모델이 생겨났습니다. 재사용 가능한 물리 감각을 품은 범용 모델이 나온다면, 방대한 엔지니어링·시뮬레이션 작업의 기반층이 될 수 있습니다. GeoPT는 아직 그것이 아닙니다. 다만 그 방향으로 나아간, 검증된 한 걸음입니다. 그리고 그 핵심, 즉 값싼 합성 데이터라는 발상은 여러 분야로 잘 퍼지는 유형의 아이디어입니다.
※ 정보 제공 목적이며 투자 권유가 아닙니다.
원문 출처 / Source: https://news.mit.edu/2026/ai-models-simulate-wider-range-of-real-world-scenarios-0810
이미지: Bozhin Karaivanov / Unsplash
댓글 남기기