카이스트(KAIST) 기계공학과 유승화 교수 연구팀 / 사진. 카이스트
카이스트(KAIST) 기계공학과 유승화 교수 연구팀이 사출 공정을 스스로 최적화하는 생성형 AI 기반 공정추론 기술과, 현장 지식을 전수하는 LLM 기반 지식 전이 시스템을 개발했다고 밝혔다. 연구 성과는 세계 최고 수준의 제조 분야 국제학술지에 연속 게재됐다.
사출성형 공정은 온도, 습도, 압력, 속도 등 다양한 변수가 복합적으로 작용해 조건이 조금만 달라져도 불량이 발생한다. 기존에는 환경이나 목표 품질이 바뀔 때마다 숙련자가 반복적인 시행착오를 통해 조건을 다시 설정해야 했다.
연구팀은 실제 사출 공장에서 수개월간 수집한 환경 데이터와 공정 파라미터를 기반으로, 확산 모델(Diffusion Model)을 활용해 목표 품질을 만족하는 공정 조건을 역으로 추론하는 생성형 AI 기술을 구현했다. 이는 ‘품질을 입력하면 조건을 도출하는’ 방식으로, 기존 공정 예측 접근과 차별화된다.
연구팀은 생성형 AI와 함께 실제 생산을 대신하는 대리모델(Surrogate Model)을 구축해, 공정을 실행하지 않고도 품질을 사전에 예측할 수 있도록 했다. 이를 통해 생산 중단이나 불량 발생 위험을 줄일 수 있다.
그 결과 기존 대표적 생성 모델인 GAN, VAE 기반 공정 예측 기술이 23~44% 수준의 오류율을 보인 것과 달리, 이번 기술은 1.63%의 오류율을 달성했다. 실제 사출 공정 실험에서도 AI가 제안한 조건에 따라 양품 생산이 확인되며 현장 적용 가능성이 입증됐다.
이번 성과는 단순한 공정 자동화를 넘어, 환경 변화와 목표 품질에 따라 공정 조건을 스스로 판단하고 제안하는 자율 제조 AI의 가능성을 보여준 사례로 평가된다.
두 번째 핵심 성과는 고숙련자 은퇴와 다국어 작업 환경에 대응하는 LLM 기반 지식 전이 시스템 ‘IM-Chat’이다. IM-Chat은 거대언어모델과 검색 증강 생성(RAG)을 결합한 멀티에이전트 AI로, 제조 현장용 지능형 도우미 역할을 수행한다.
작업자가 자연어로 질문하면 AI가 이를 이해하고, 필요 시 생성형 공정추론 AI를 자동 호출해 최적 공정 조건을 계산한다. 동시에 관련 기준과 배경 설명까지 제공해 초급 작업자나 외국인 작업자도 숙련자 수준의 의사결정 지원을 받을 수 있다.
예를 들어 “현재 공장 습도가 43.5%일 때 적정 사출 압력은?”이라는 질문에 대해 IM-Chat은 계산된 조건과 함께 해당 조건의 근거가 되는 매뉴얼 정보까지 제시한다. 다국어 인터페이스를 지원해 작업자 국적과 관계없이 동일한 품질 판단이 가능하다.
이번 연구는 사출성형을 넘어 금형, 프레스, 압출, 3D 프린팅, 배터리, 바이오 제조 등 다양한 산업 공정으로 확장 가능한 제조 AI 전환(AX) 핵심 기술로 평가된다. 특히 생성형 AI와 LLM 에이전트를 툴 콜링 방식으로 통합해, AI가 스스로 판단하고 필요한 기능을 호출하는 자율 제조 AI 패러다임을 제시했다는 점에서 의미가 크다.
카이스트 기계공학과 유승화 교수는 “공정을 스스로 최적화하는 AI와 현장 지식을 누구나 활용할 수 있는 LLM을 결합해 제조업의 본질적 문제를 데이터 기반으로 해결한 사례”라며 “향후 다양한 제조 공정으로 확장해 산업 전반의 지능화와 자율화를 가속하겠다”라고 말했다.
이번 연구에는 카이스트 기계공학과 김준영·김희규·이준형 박사과정이 공동 제1저자로 참여했으며, 연구 성과는 ‘저널 오브 매뉴팩처링 시스템즈(Journal of Manufacturing Systems)’ 4월호와 12월호에 연속 게재됐다. 연구는 과학기술정보통신부, 중소벤처기업부, 산업통상부의 지원을 받았다.
