Surrogate Model: 혼다·요코하마고무가 CAE 해석 결과로 AI를 학습시켜 설계안을 빠르게 거른다
혼다 4륜개발센터는 S자 프레임 충돌 해석 30건으로 AI surrogate model을 학습시켜 처음 보는 형상 10건의 변형과 배리어 반력 파형을 예측했습니다(R² 0.9987). 요코하마고무는 FEM 약 100건으로 타이어 단면을 최적화했습니다. 두 회사 모두 최종 판단은 CAE에 맡기고, 해석이 크고 평가할 안이 많을수록 효과가 크다고 정리했습니다.
혼다와 요코하마고무는 CAE(컴퓨터 해석) 결과를 AI에 학습시킨 surrogate model(대리 모델)로 새 설계안의 성능을 몇 초 만에 미리 봅니다. 실무에 쓰려면 세 가지가 있어야 합니다. 학습용 해석을 싸게 많이 만드는 방법, 예측을 믿을 범위를 정하는 기준, 마지막 판단을 CAE로 되돌리는 흐름입니다.
요약
해석 소프트웨어 회사 DEP Japan이 2026년 10월 8일 처음 연 사용자 행사 DEP Tech Frontier 2026에서 혼다(本田技術研究所)와 요코하마고무가 AI 해석 사례를 발표했습니다. MONOist가 11월 11일 DEP Japan 제공 PR 기사로 이를 전했습니다. 혼다 4륜개발센터는 GDL(Geometric Deep Learning, 3D 형상과 물리량의 관계를 배우는 딥러닝)로 충돌 해석을 대신 예측합니다. 형상 파라미터와 판 두께를 바꾼 S자 프레임 충돌 해석 30건으로 DEP의 AIWorks를 학습시키고, 학습에 쓰지 않은 10건의 변형과 배리어 반력 파형을 예측했습니다. 요코하마고무는 형상을 바꾼 FEM(유한요소법) 해석 약 100건으로 대리 모델을 만들어 타이어 단면을 다목적 최적화했습니다. 메시를 직접 바꾸는 DEP의 MeshWorks로 트레드 패턴 소음 검토안을 늘리고, AIWorks로 발열·접지압 분포를 예측하는 시도도 함께 소개했습니다.
결과는 숫자보다 쓰는 자리를 정하는 데서 더 분명했습니다. 혼다는 반력 파형의 결정계수(R²)가 0.9987로 나왔고 프레임 변형도 기존 CAE와 대체로 맞았습니다. 지금은 실제 차량 개발에서 쌓은 충돌 해석 데이터로 학습을 넓히고 있습니다. 그래도 대리 모델의 정확도는 학습에 쓴 CAE에 달려 있으니 최종 판단은 CAE로 확인해야 한다고 정리했습니다. 작고 단순한 해석은 CAE가 더 빠를 수 있어서 효과가 큰 곳은 대규모 해석과 많은 설계안을 짧게 평가하는 경우라고 봤습니다. 요코하마고무는 시작품 타이어에서도 해석과 같은 경향이 나왔다고 밝혔습니다. 다만 며칠 걸리는 큰 해석일수록 학습 데이터를 만드는 계산 비용도 커진다는 점을 과제로 들었습니다. 기사에 해석 시간을 얼마나 줄였는지는 나오지 않습니다. 아래에서는 이 흐름을 다섯 가지 메커니즘으로 풀고, 다른 제조사가 같은 실증을 돌릴 때 필요한 기술·현업 디테일을 붙입니다.
핵심 메커니즘
Surrogate Model: CAE 결과를 배워 새 설계안의 성능을 바로 예측한다
Surrogate model은 시간이 오래 걸리는 해석을 대신해 결과를 빠르게 내는 예측 모델입니다. 설계 변수를 바꾼 해석을 여러 번 돌려 입력(형상, 판 두께)과 출력(변형, 반력, 응력)의 짝을 모으고, 이 짝으로 모델을 학습시킵니다. 학습이 끝나면 새 설계안을 넣었을 때 해석 없이 결과를 바로 얻습니다. 후보가 수백 개인 초기 탐색, 같은 부품의 치수만 바꾸는 반복 검토에 맞습니다. 반대로 해석 한 번이 몇 분이면 끝나거나 처음 보는 구조로 바뀌는 경우에는 학습 비용을 회수하기 어렵습니다. 원문에서 DEP의 AIWorks가 이 역할을 맡았고, 혼다와 요코하마고무 모두 해석 결과를 학습 데이터로 썼습니다. 가상 예시로, 범퍼 빔 단면을 20가지로 바꿔 보고 싶을 때 해석 20번 대신 대리 모델로 반력 곡선을 먼저 보고 상위 3개만 해석합니다.
Geometric Deep Learning: 메시 형상을 그대로 입력해 변형까지 예측한다
GDL은 3D 형상의 점·요소와 그 연결 구조를 입력으로 받아 물리량과의 관계를 배우는 딥러닝입니다. 형상을 몇 개의 숫자 파라미터로 줄이지 않고 메시 자체를 읽기 때문에, 위치마다 다른 변위나 시간에 따라 변하는 반력처럼 모양이 있는 결과를 내놓습니다. 원문은 AIWorks가 메시 형상을 직접 학습해 충돌 변형처럼 복잡한 현상도 예측한다고 설명합니다. 혼다는 이 방식에 힘을 싣고 있으며, 사내에서 직접 만든 모델과 범용 도구를 나눠 쓰고 충돌 해석에는 AIWorks를 씁니다. 결과가 최대 반력 하나뿐이라면 일반 회귀 모델로도 충분합니다. 찌그러지는 순서나 접힘 위치를 봐야 한다면 GDL이 맞습니다.
Mesh Morphing: 메시를 직접 늘리고 줄여 학습용 해석을 빠르게 만든다
Mesh morphing은 CAD로 형상을 다시 그리지 않고 해석용 메시의 절점을 옮겨 형상을 바꾸는 방법입니다. 기준 메시 하나에 변수(단면 높이, 홈 폭, 피치)를 정해 두면 값만 바꿔 새 메시가 생깁니다. 원문에 따르면 DEP의 MeshWorks는 경계조건과 솔버 설정을 그대로 넘겨받아 해석 조건을 다시 잡을 필요가 없고, 설계 변수 조합에서 형상 모델을 자동으로 만들 수 있어 AI 학습 데이터 준비에 쓸모가 있습니다. 요코하마고무는 MeshWorks로 트레드 홈 폭, 피치, 패턴 모양을 바꿔 가며 소음을 해석으로 평가합니다. CAD를 고치지 않으니 여러 안을 쉽게 비교할 수 있고, 여러 패턴의 계산 결과를 AI에 학습시켜 메시 패턴을 자동으로 만드는 시도도 하고 있습니다. 위상 자체가 바뀌는 변경, 예를 들어 구멍을 새로 뚫거나 부품을 하나 더 붙이는 변경은 모핑보다 다시 모델링하는 편이 낫습니다.
Proxy Metric과 다목적 최적화: 직접 계산하기 어려운 성능은 대신 볼 지표로 잡는다
타이어는 연비, 정숙성, 내마모성, 젖은 노면 성능을 함께 만족해야 하는데, 구름 저항을 낮추면 젖은 노면 그립을 지키기 어려워지는 식으로 서로 부딪힙니다. 요코하마고무는 단면 형상이 접지 면적, 구름 저항, 강성에 바로 이어진다는 점을 이용했습니다. 해석으로 직접 구하기 어려운 젖은 노면 성능은 접지 면적을 대신 보는 지표(proxy metric)로 삼았습니다. 형상 파라미터를 바꾼 FEM 약 100건으로 대리 모델을 만든 뒤, 여러 지표를 동시에 놓고 좋은 절충안을 찾는 다목적 최적화를 돌렸습니다. 시작품에서도 해석과 같은 경향이 나왔습니다. 발표자 고다마 유지(児玉勇司) 씨는 정확도에는 논의 여지가 있다고 하면서도 대리 모델이 “개선 방향을 올바르게 잡는 것”은 충분히 해낸다고 설명했습니다. 대리 지표와 실제 성능의 관계가 시험 데이터로 확인되지 않았다면, 최적화 결과를 방향 참고로만 써야 합니다.
Surrogate-HPC 순환: 확실한 안은 AI로, 애매한 안만 해석으로 돌린다
혼다가 그리는 다음 단계는 대리 모델과 HPC(고성능 계산) 해석을 한 바퀴로 잇는 구조입니다. 대리 모델로 설계안을 빠르게 훑고, 예측이 불확실한 안만 HPC에서 해석합니다. 그 해석 결과를 다시 학습 데이터로 넣어 대리 모델을 키웁니다. 혼다는 GDL을 HPC 솔버의 짝으로 쓰겠다는 방향을 밝혔고, 이를 위해 기존 해석 환경과 데이터를 이어 데이터 준비, 학습, 예측, 결과 확인을 한 흐름으로 다뤄야 한다고 짚었습니다. 실제 차량 데이터에서는 학습 부담을 줄이려고 차체 골격의 일부 부품만 떼어 학습시키고 있습니다. 이 순환은 해석 한 건이 비싸고 후보가 계속 새로 나오는 개발 초기에 효과가 큽니다. 설계가 거의 굳은 뒤의 인증 해석에는 맞지 않습니다.
통념과 다른 주장
흔히 이렇게 봅니다AI 대리 모델이 충분히 정확해지면 시간이 많이 드는 CAE 해석을 대신할 수 있다.
혼다는 이렇게 봅니다대리 모델의 정확도는 학습에 쓴 CAE를 넘지 못하므로 최종 판단은 CAE로 확인합니다. 작고 단순한 해석은 CAE가 더 빠를 수도 있습니다.
근거반력 파형 R² 0.9987이라는 높은 일치도를 얻은 뒤에도 혼다는 정확도 관리와 CAE 확인을 원칙으로 두었고, 효과가 큰 곳을 대규모 해석과 다수안 평가로 좁혔습니다.
흔히 이렇게 봅니다해석이 오래 걸릴수록 AI로 바꾸는 이득이 커지니, 가장 무거운 해석부터 AI화하면 된다.
요코하마고무는 이렇게 봅니다무거운 해석일수록 학습 데이터를 만드는 데도 같은 비용이 듭니다. 빨리 끝나는 해석은 AI화 이득이 작아 둘 사이에 딜레마가 있습니다.
근거며칠 걸리는 대규모 해석에서 효과가 크지만, 모델을 만들려면 그 해석을 미리 여러 번 돌려야 합니다. 고다마 씨는 조건을 좁혀도 이 계산 비용이 큰 벽이라고 했습니다.
저자가 든 사례
혼다 4륜개발센터: S자 프레임 충돌을 30건으로 학습해 10건을 예측
- 상황: 충돌·공기역학 같은 CAE를 받치는 HPC 자원을 사업 전반에서 효율화해야 했습니다. 발표자는 AI 드리븐 엔지니어링 체인 개혁실의 하세가와 가즈히데(長谷川一英) 치프 엔지니어입니다.
- 한 일: 형상 파라미터와 판 두께를 바꾼 S자 프레임 충돌 해석 30건으로 AIWorks를 학습시켜, 학습에 없던 10건의 프레임 변형과 배리어 반력 파형을 예측했습니다. 이어서 실제 차량 개발의 충돌 해석 데이터로 넓히며 차체 골격 일부 부품만 떼어 학습합니다.
- 결과: 변형 거동은 기존 CAE와 대체로 맞았고 반력 파형 R²는 0.9987이었습니다. 단순 형상 검증이지만 충돌 예측에 쓸모가 있음을 보였습니다. 해석 시간 단축 수치는 원문에서 밝히지 않았습니다.
- 연결: Surrogate Model, Geometric Deep Learning, Surrogate-HPC 순환.
요코하마고무: 단면 최적화, 트레드 소음, FEM AI화
- 상황: 타이어의 여러 요구 성능이 서로 부딪혀 수치 해석으로 균형을 잡아야 합니다. 발표자는 연구선행개발본부 시뮬레이션해석연구실의 고다마 유지 씨입니다.
- 한 일: 단면은 FEM 약 100건으로 대리 모델을 만들어 다목적 최적화했습니다. 트레드 패턴은 MeshWorks로 홈 폭·피치·형상을 바꿔 소음을 평가했습니다. AIWorks에는 타이어 30~40개 모델의 해석 결과를 학습시켜 처음 보는 4개 모델의 내부 발열 분포와 접지압 분포를 예측했습니다.
- 결과: 단면 최적화는 시작품에서도 같은 경향을 보였습니다. 발열·접지압 예측은 완전히 일치하지는 않았지만 분포의 전체 경향을 대체로 잡았습니다. 학습 데이터 계산 비용을 과제로 남겼습니다.
- 연결: Mesh Morphing, Proxy Metric과 다목적 최적화, Surrogate Model.
기술 디테일: 우리 회사 해석으로 대리 모델을 돌린다면
아래 필드명, 설정값, 시간, 기준은 원문에 없는 실행 제안이자 가상 예시입니다. 원문에서 온 사실은 괄호로 표시했습니다.
학습 케이스는 기준 메시 하나에서 모핑으로 만듭니다(Mesh Morphing). 케이스마다 메시 위상(절점 연결 구조)이 같아야 GDL이 위치별 변화를 안정적으로 배웁니다. 설계 변수 범위를 먼저 정하고, Latin hypercube처럼 범위를 고르게 채우는 표본법으로 변수 조합을 뽑습니다. 혼다처럼 형상 파라미터와 판 두께를 함께 바꾸려면 두 종류 변수를 한 표본 설계에 넣습니다(원문: 형상 파라미터와 판 두께 변경). 케이스 한 건은 아래처럼 기록합니다.
{
"case_id": "SF-031",
"base_mesh": "sframe_base_v3",
"params": {"section_height_mm": 62, "bend_radius_mm": 180, "thickness_mm": 1.6},
"solver": {"type": "explicit_crash", "deck_hash": "a91f...", "end_time_ms": 40},
"outputs": {
"barrier_force_csv": "SF-031/force.csv",
"nodal_disp": "SF-031/disp.h5"
},
"cpu_hours": 7.5,
"split": "test",
"status": "converged"
}deck_hash는 해석 조건 파일의 지문입니다. 조건이 한 줄이라도 바뀐 케이스가 섞이면 학습 데이터가 오염되니, 학습 전에 같은 값인지 확인합니다. status가 수렴 실패인 케이스는 버립니다.
검증은 학습에 쓰지 않은 케이스로만 합니다(Surrogate Model). 혼다는 학습 30건과 별도로 10건을 남겨 예측했습니다(원문). 같은 비율로 전체의 25% 안팎을 처음부터 떼어 두고 학습 중에는 열어 보지 않습니다. 지표는 셋을 함께 봅니다. 반력 파형 전체가 얼마나 맞는지 보는 R², 최대 반력의 오차율, 변형 모드(접히는 위치와 순서)가 같은지 해석 담당자가 눈으로 보는 판정입니다. R²가 높아도 최대값이 몇 ms 어긋나면 탑승자 가속도 평가가 달라질 수 있어서 한 지표만 보지 않습니다.
불확실한 안을 골라내려면 모델을 여러 개 학습시킵니다(Surrogate-HPC 순환). 같은 데이터로 시드(seed)나 학습 분할을 바꾼 모델 5개를 만들고 새 설계안마다 다섯 예측의 흩어짐을 봅니다. 흩어짐이 큰 상위 10%는 HPC 해석 대기열로 보내고, 해석이 끝나면 그 케이스를 학습 데이터에 더해 주 1회 다시 학습시킵니다. 학습 범위 밖 변수 값이 들어오면 흩어짐과 상관없이 바로 해석으로 보냅니다.
AI화할 해석은 손익분기로 고릅니다(통념과 다른 주장 두 가지). 학습 비용은 학습·검증 케이스 수에 한 건 해석 시간을 곱한 값입니다. 얻는 것은 대리 모델로 거를 후보 수에 한 건 해석 시간을 곱한 값에서, 마지막에 CAE로 다시 확인할 상위안 해석 시간을 뺀 값입니다. 가상 예시로 한 건에 8 CPU시간이 드는 해석이면 40건 학습에 320시간이 듭니다. 후보 500개를 거르고 상위 10개만 다시 해석하면 해석으로 4,000시간 들 일을 400시간에 끝냅니다. 후보가 30개뿐이면 학습 비용도 회수하지 못합니다.
실차 데이터는 부품 단위로 잘라 씁니다(Surrogate-HPC 순환). 혼다는 학습 부담을 줄이려고 차체 골격 일부 부품만 떼어 학습시킵니다(원문). 실제로 하려면 전체 차량 해석 결과에서 대상 부품의 메시와, 경계에서 받는 하중·변위 이력을 함께 떼어 냅니다. 차종마다 메시 크기와 요소 종류가 다르면 같은 부품이라도 학습 전에 메시 규칙을 맞춥니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 학습 범위 밖 설계안 | 그럴듯하지만 틀린 파형 | 변수 범위 검사, 범위 밖은 바로 CAE |
| 해석 조건 섞임 | 같은 형상인데 결과가 들쭉날쭉 | deck_hash 일치 확인 후 학습 |
| 위상이 다른 메시 | 위치별 예측이 어긋남 | 기준 메시 하나에서 모핑, 위상 변경은 별도 모델 |
| 학습 데이터 비용 과다 | 케이스 생성에 몇 주 소요 | 변수 수를 3~5개로 줄이고 야간·주말 HPC 배치 |
| 대리 지표와 실제 성능 불일치 | 최적안이 시험에서 기대만 못함 | 시작품 몇 개로 지표와 시험값 관계 먼저 확인 |
현업 실행 디테일: 누가, 언제, 무엇을
원문은 혼다가 기존 해석 환경과 데이터를 이어 데이터 준비부터 결과 확인까지 한 흐름으로 다뤄야 한다고 밝혔고, 요코하마고무는 시작품으로 해석 경향을 확인했습니다. 아래 역할, 일정, 판정 기준은 이를 바탕으로 새로 짠 가상 예시입니다.
| 역할 | 맡는 일 |
|---|---|
| 개발 부문장(스폰서) | 대상 부품 선정, HPC 시간 배정, 진행 판정 |
| CAE 리더 | 해석 조건 표준화, 검증 케이스 판정, 최종 CAE 확인 |
| 설계 담당 2~3명 | 설계 변수와 범위 결정, 후보안 제안 |
| 데이터·ML 엔지니어 | 케이스 기록, 학습·검증, 불확실성 계산 |
| HPC 운영 | 학습용 해석 배치, 계산 시간 기록 |
| 시험 부서 | 시작품 측정, 대리 지표와 실제 성능 대조 |
준비물. 대상 부품 하나의 기준 메시와 해석 조건 파일, 지난 2~3년 같은 부품 해석 결과와 각 해석의 계산 시간, 설계 변수 후보 목록이 필요합니다. 해석 한 건의 평균 계산 시간과 다음 분기에 평가할 후보 수를 첫 주에 숫자로 적어 두면 손익분기 계산에 바로 씁니다.
CAE 리더와 설계 담당에게 물을 것.
- 이 부품에서 한 분기에 해석하는 설계안은 몇 개이고, 그중 몇 개가 치수만 바뀐 안인가요?
- 해석 한 건의 계산 시간과 대기 시간은 각각 얼마인가요?
- 결과에서 실제로 보는 값은 무엇인가요? 최대값 하나인가요, 파형이나 분포인가요?
- 해석 조건 파일은 버전 관리되나요? 같은 조건으로 돌렸는지 확인할 수 있나요?
- 직접 계산하기 어려운 성능이 있다면 대신 볼 수 있는 해석 지표는 무엇인가요?
진행 판정 기준(예시). 검증 케이스의 반력 파형 R²가 평균 0.98 이상이고, 최대 반력 오차가 모든 케이스에서 5% 이내이며, CAE 리더가 변형 모드를 같다고 판정하면 실제 후보 탐색에 씁니다. R²는 넘었지만 일부 케이스에서 변형 모드가 다르면 그 영역 케이스를 10건 더 해석해 4주 더 봅니다. 손익분기 계산에서 학습 비용이 다음 분기 절감분보다 크면 대상 부품을 바꿉니다.
AX 적용 제언. 충돌 부재, 타이어, 전자기기 방열판, 브래킷처럼 같은 형상 계열을 치수만 바꿔 반복 해석하는 부품이 첫 대상입니다. 순서는 손익분기로 대상 고르기, 해석 조건 표준화, 모핑으로 학습 케이스 생성, 검증 케이스 판정, 불확실한 안만 해석하는 순환입니다. 모델을 고르기 전에 과거 해석 데이터가 같은 조건으로 돌았는지부터 정리하면 학습 비용이 크게 줄어듭니다. 스폰서는 IT가 아니라 개발 부문장이 맡아야 HPC 시간과 해석 담당자 시간을 함께 확보합니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | MONOist, 2026.11.11 게재, PR 기사(DEP Japan 제공) |
| 행사 | DEP Tech Frontier 2026, 2026.10.8, DEP Japan 첫 사용자 컨퍼런스, 강연 5건 |
| DEP | 1998년 미국 미시간주에서 자동차 회사 출신 CAE 기술자들이 설립. 일본 법인 2017년 설립 |
| 제품 | MeshWorks(메시 모핑, 경계조건·솔버 설정 승계), AIWorks(메시 형상을 직접 학습하는 대리 모델) |
| 혼다 발표 | 4륜개발센터 하세가와 가즈히데 치프 엔지니어, HPC 활용 효율화와 대리 모델 |
| 혼다 수치 | S자 프레임 학습 30건, 미지 형상 10건 예측, 반력 파형 R² 0.9987 |
| 혼다 정리 | 최종 판단은 CAE, 효과는 대규모·다수안 평가, 데이터 준비부터 결과 확인까지 한 흐름 |
| 요코하마고무 발표 | 연구선행개발본부 고다마 유지 씨, 수치 해석에 의한 타이어 성능 예측 |
| 요코하마고무 수치 | 단면 FEM 약 100건, AIWorks 학습 30~40개 모델, 미지 4개 모델 예측 |
| 요코하마고무 과제 | 며칠 걸리는 해석일수록 학습 데이터 계산 비용이 큼 |
| DEP 방향 | MeshWorks·AIWorks를 중심으로 ChatGPT·Claude 같은 LLM 대화형 AI, 외부 CAD·CAE와 잇는 AI 에이전트 구상 |
| 수치 | 해석 시간 단축 수치 언급 없음 |
핵심 개념
- CAE
- Computer-Aided Engineering. 시작품을 만들기 전에 컴퓨터로 강도, 충돌, 열, 유동을 계산해 성능을 확인하는 일입니다.
- FEM(유한요소법)
- 형상을 작은 요소로 잘게 나눠 각 요소의 힘과 변형을 계산해 전체 거동을 구하는 해석 방법입니다.
- 배리어 반력 파형
- 부재가 벽(배리어)에 부딪힐 때 벽이 받는 힘을 시간 순서로 그린 곡선입니다. 충돌 에너지를 어떻게 흡수하는지 보여 줍니다.
- R²(결정계수)
- 예측값이 실제값의 변화를 얼마나 설명하는지 나타내는 값입니다. 1에 가까울수록 예측 곡선이 해석 곡선과 잘 겹칩니다.
- HPC
- High Performance Computing. 대규모 해석을 돌리는 고성능 계산 자원입니다.
- Engineering Intelligence
- DEP가 AI로 설계·생산 환경을 똑똑하게 만든다는 방향을 부르는 이름입니다.
내 메모
TODO: 내 생각 추가
원문은 MONOist의 「AIでCAEの限界を突破 ホンダ、横浜ゴムが示すサロゲートモデルの可能性」(2026.11.11, DEP Japan 제공 PR 기사, DEP Tech Frontier 2026 개최 보고)입니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 원문 내용을 AX Review가 다시 정리했습니다. 핵심 메커니즘의 작동 설명과 작은 예시, 핵심 개념의 뜻풀이는 일반적인 설명으로 보탰습니다. JSON 예시, 검증 지표 조합, 불확실성 계산, 손익분기 계산, 막히는 경우 표, 역할·일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명, 시간, 비율, 기준값은 가상 예시입니다. 전체 내용은 원문 페이지에서 볼 수 있습니다.