Janus AI - 흩어진 해석 데이터를 지식 자산으로
신규 설계마다 해석을 처음부터 다시 돌리던 현장에서, Janus AI가 과거 해석 데이터를 찾아 초기 설계 검토를 앞당기는 방식을 살펴봅니다.
설계 검토 일정에서 오래 걸리는 구간 중 하나가 CAE 해석입니다. 형상 한 건을 해석하는 데 몇 시간에서 하루 가까이 걸리고, 결과가 기대와 다르면 조건을 바꿔 다시 돌려야 합니다. 비슷한 형상을 과거에 이미 해석해 둔 경우도 적지 않은데, 그 결과를 찾아 쓸 방법이 마땅치 않은 것이 문제입니다.
반복되는 해석, 흩어진 이력
해석 데이터는 프로젝트가 끝나면 부서와 프로젝트 폴더에 남은 채 다시 열리지 않는 경우가 많습니다. 어떤 조건에서 성공했고 어디서 실패했는지도 담당자 기억에 남아 있습니다. 새 설계가 들어오면 초기 조건을 개인 경험으로 잡고, 무거운 해석을 처음부터 다시 돌리게 됩니다.
Janus AI가 하는 일
Janus AI는 흩어진 설계·해석 데이터를 검색할 수 있게 정리하고, 신규 설계의 초기 검토를 돕는 엔지니어링 AI 에이전트입니다. 작업은 다섯 단계로 진행됩니다.
- 구조화·인덱싱: 설계·해석·시뮬레이션 데이터를 구조화하고 색인합니다.
- 다차원 형상 분석: 신규 3D 형상과 비슷한 과거 형상을 유사도로 찾습니다.
- 도메인 지식 보정: 신규 형상과 참조 형상의 차이를 유동·열·역학 지식으로 판단해 보정안을 냅니다.
- 초기 검토 결과 제시: 성능 변화와 리스크를 엔지니어에게 보여 주고, 확정은 엔지니어가 합니다.
- 이력 축적: 엔지니어의 검토·수정·확정 이력을 다시 쌓아 다음 검색에 활용합니다.
학습 대신 재활용
딥러닝 모델은 대량의 학습 데이터로 학습시켜야 하고, 설계가 바뀔 때마다 재학습이 필요합니다. Janus AI는 다차원 형상 분석과 위상-물리 변환으로 예측값을 도출하는 무학습(Zero-Training) 구조를 씁니다. 대규모 GPU 학습을 기다리지 않고 보유 데이터 검색과 도메인 지식 보정으로 동작하며, 신규 형상의 시뮬레이션 결과를 수 분 안에 예측합니다.
예측값에는 근거가 붙습니다. 유동·열·역학 법칙에 따라 계산하고 왜 그 값이 나왔는지 함께 제시하는 설명 가능한(White-box) 보정 방식이라, 현장 엔지니어가 결과를 확인한 뒤 다음 검토로 넘길 수 있습니다.
기존 CAE는 그대로 씁니다
Janus AI는 기존 CAE 검증 프로세스를 보완하는 도구입니다. 파라미터화나 메쉬 작업처럼 본 해석에 앞선 단계에서 초기 검토와 What-if 탐색을 빠르게 하고, 최종 검증은 기존 프로세스에서 진행합니다. 고객사 내부망이나 On-Premise로 구축하면 설계·해석 데이터를 회사 안에 둔 채 운영할 수 있습니다.
현장에서 확인한 변화
자동차 부품의 사출 성형 CAE 해석과 금형 트라이 과정에 Janus AI를 적용했습니다. 초기 해석 검토 시간이 줄었고, 같은 기간에 검토할 수 있는 설계안이 늘었습니다. 검토·확정 이력이 다시 사내 데이터로 쌓이는 흐름도 생겼습니다. 자세한 내용은 사출 성형 해석 자동화 사례에 정리했습니다.
사출 성형 밖으로
Janus AI는 도메인 지식 기반으로 동작하므로, 물리 법칙으로 설명되는 해석 문제라면 다른 산업으로 넓힐 수 있습니다. 자동차와 항공의 공기역학, 반도체 방열 구조, 다이캐스팅과 프레스의 압력·응력 검토, 정밀 주조의 탕구 설계, 의료기기 혈류·구조 해석, 공조와 풍력 설계가 대표적입니다. 조선소 야외 작업장의 열환경을 3D CFD로 예측하는 미세분사 냉각 시스템 사례에도 Janus AI를 활용했습니다.
기능 구성은 Janus AI 소개에서 더 보실 수 있습니다.