이번 과의 주된 흐름은 인공지능의 여러 갈래——기호주의, 연결주의, 사이버네틱스, 진화 계산——이 다시 만나는 것이며, 그중에서진화 계산은 유일한 정답을 미리 지정하지 않는 해법 경로를 제공합니다. 즉 변이와 선택을 착안점으로 삼아군집 후보의 병렬 생성과 평가를 가능하게 하고,다양성으로 목표 간의 충돌과 복잡한 제약에 대응합니다. 이 페이지는 이러한 배경 위에서 핵심 개념을 정리합니다:초임계 익형 설계의 다목표 실무——실제 공학 최적화가 추구하는 것은 어느 한 점의 최적해가 아니라, 다목표 충돌 상황에서 서로 비교 가능하고 설명 가능하며 의사결정이 가능한 후보안 집합을 남기는 것입니다. 그 기술적 흐름은 다음과 같이 요약할 수 있습니다:대리 모델로 높은 시뮬레이션 비용을 절감하고,다목표 탐색으로 트레이드오프의 여지를 남기며, 마지막으로 도메인 전문가가 선호도와 제약에 따라 의사결정을 완성합니다.
세 가지 핵심 흐름
- 목표 충돌과 Pareto 트레이드오프: 먼저 목표 간의 충돌과 비지배 관계를 식별하여, 여러 지표를 너무 일찍 단일 목표로 압축하는 것을 피합니다. Pareto 후보로 트레이드오프의 여지를 남겨 이후 의사결정에 여유를 둡니다.
- 대리 모델을 통한 비용 절감과 검증: 고충실도 시뮬레이션, 풍동 또는 실험이 막대한 비용을 요구할 때, 근사 모델로 탐색, 선별, 민감도 분석을 가속합니다. 동시에 반드시 독립적인 검증 샘플과 불확실성 관리를 통해 신뢰성을 지켜야 합니다.
- 다중 후보안 집합과 전문가 의사결정: 기본 익형 교란, 대리 모델 보조 탐색, 다양한 후보 출력, 전문가 평가가 순환 구조를 이룹니다. 핵심은 유일한 정답이 아니라 비교 가능하고 설명 가능하며 의사결정이 가능한 후보안 집합입니다.
사례 시사점: 왜 후보안 집합을 남겨야 하는가
초임계 익형 설계에서 양항비만 최적화하면 항력 발산 특성이나 피칭 모멘트가 수용 불가능한 안이 나올 수 있습니다. Pareto 후보군을 남기면 순항 효율, 구조 두께, 조종 안정성 제약 사이에서 임무 선호도에 따라 트레이드오프 선택을 할 수 있습니다. 다중 후보 탐색은 또한 선호도 변화, 강건성 비교, 의사결정 추적을 지원하여 단일 경로에 고정될 위험을 줄이고, 복잡한 공학에서 흔히 존재하는 목표 충돌과 희소한 피드백에 대응합니다. 대규모 병렬 공학 기반(GPU 가속 일괄 시뮬레이션과 평가 등) 위에서야 이 순환 구조가 진정한 실행 가능성을 갖춥니다.
다목표 실무 순환 구조그림은 초임계 익형 다목표 설계의 주된 흐름을 하나의 순환 구조로 엮습니다. 샘플이나 시뮬레이션으로 먼저 대리 모델을 훈련하고, 다목표 탐색으로 Pareto 트레이드오프 후보를 남기며, 마지막으로 도메인 전문가가 선호도와 제약에 따라 의사결정을 완성하고 새 샘플을 재투입합니다. 이는 실제 공학 최적화가 단일 점의 최적해가 아니라 비교 가능하고 설명 가능하며 의사결정이 가능한 후보안 집합을 전달하는 것임을 강조합니다.
