Engineering Foundation Model을 만들기 위해 가장 먼저 필요한 것은 데이터입니다. 하지만 공학 데이터는 일반적인 텍스트나 이미지 데이터와 다릅니다. 파일이 많다고 좋은 모델이 만들어지지 않습니다. 형상, 재료, 하중, 구속 조건, 해석 결과, 실패 이력, 설계 의사결정이 함께 구조화되어야 합니다.
공학 문제는 맥락 의존적입니다. 같은 형상이라도 재료가 바뀌면 응력과 변형이 달라지고, 같은 재료라도 하중 방향이 달라지면 위험 위치가 바뀝니다. 구속 조건 하나가 바뀌어도 결과는 완전히 달라질 수 있습니다. 따라서 모델이 배워야 하는 것은 점들의 좌표만이 아니라, 형상과 물리 조건 사이의 관계입니다.
형상만으로는 부족하다
많은 데이터셋은 CAD 파일이나 메쉬 파일을 중심으로 정리됩니다. 물론 형상은 중요합니다. 그러나 공학 해석에서 형상은 문제의 일부일 뿐입니다. 어떤 재료를 가정했는지, 하중은 어디에 어떻게 작용하는지, 어느 면이 고정되었는지, 접촉은 어떤 방식으로 처리했는지가 함께 있어야 결과를 해석할 수 있습니다.
예를 들어 두 개의 브래킷이 같은 형상을 가지고 있어도 하나는 항공 부품이고 다른 하나는 산업 장비의 지지대일 수 있습니다. 사용 환경, 안전 기준, 피로 요구사항, 제조 공차가 다르면 같은 결과도 다르게 판단해야 합니다. 좋은 데이터는 이 차이를 담아야 합니다.
결과 데이터보다 중요한 것은 조건 데이터
AI 모델을 만들 때 사람들은 종종 결과에 집중합니다. 응력장, 변형장, 온도장, 모드 형상 같은 결과는 분명 중요합니다. 하지만 결과만으로는 모델이 왜 그런 답을 내야 하는지 배우기 어렵습니다. 결과가 나오기까지의 조건이 함께 있어야 합니다.
- 형상 정보: CAD, 메쉬, 주요 피처, 치수, 두께, 곡률
- 재료 정보: 탄성계수, 항복강도, 밀도, 온도 의존성
- 경계 조건: 하중 위치, 방향, 분포, 구속 방식, 접촉 조건
- 해석 설정: 솔버, 메쉬 품질, 수렴 기준, 단순화 가정
- 판단 기록: 통과 여부, 설계 변경 이유, 다음 액션
이 정보가 연결되어야 모델은 단순한 패턴 매칭을 넘어 공학적 관계를 배울 수 있습니다.
실패 사례는 버릴 데이터가 아니다
성공한 해석만 모으면 모델은 현실을 충분히 배우지 못합니다. 수렴하지 않은 해석, 품질이 낮은 메쉬, 비현실적인 경계 조건, 잘못된 재료 입력, 과도한 단순화는 모두 중요한 데이터입니다. 이런 실패 사례는 모델이 피해야 할 조건을 알려줍니다.
산업 현장에서 중요한 것은 좋은 결과를 내는 능력뿐만 아니라 위험한 입력을 감지하는 능력입니다. 사용자가 모호한 조건을 입력했을 때 시스템이 “이 결과는 신뢰하기 어렵다”고 말할 수 있어야 합니다. 이를 위해서는 실패의 패턴도 데이터로 남겨야 합니다.
데이터의 단위는 결과가 아니라 의사결정이다
RHX.LAB이 관심을 두는 데이터는 단순한 해석 결과 테이블이 아닙니다. 설계자가 어떤 질문을 했고, 어떤 조건을 선택했으며, 어떤 결과를 보고 어떤 결정을 내렸는지까지 포함하는 데이터입니다. 공학 데이터의 진짜 가치는 계산 결과가 설계 의사결정과 연결될 때 생깁니다.
예를 들어 “최대 응력이 180MPa이었다”는 결과는 중요하지만 충분하지 않습니다. 그 값이 허용 기준 안에 있었는지, 어떤 부품 영역에서 발생했는지, 설계자가 그 결과를 보고 두께를 늘렸는지, 재료를 바꿨는지, 추가 검증을 요청했는지가 함께 있어야 합니다. 모델이 배워야 하는 것은 숫자만이 아니라 판단의 흐름입니다.
Engineering Foundation Model의 데이터 조건
우리가 생각하는 Engineering Foundation Model은 공학 지식을 압축한 모델입니다. 이를 위해서는 문제 정의부터 결과 해석까지 연결된 데이터 구조가 필요합니다. 데이터는 버전 관리되어야 하고, 단위와 좌표계가 명확해야 하며, 동일한 문제를 서로 다른 조건으로 비교할 수 있어야 합니다. 또한 사람이 나중에 다시 검토할 수 있도록 출처와 전제가 남아야 합니다.
RHXY는 이 관점에서 제품 경험과 데이터 구조를 함께 설계하고 있습니다. 사용자의 질문, 시스템의 가정, 모델의 결과, 사용자의 최종 판단이 하나의 루프로 연결될 때, 공학 AI는 더 강해질 수 있습니다. 좋은 모델은 좋은 데이터에서 나오고, 좋은 데이터는 좋은 제품 경험에서 만들어집니다.