공급망 슬롯 커뮤니티를 위한 과제와 솔루션

공급망 문제 및 대책

제조 공급망은 세계화, 불확실성, 환경 문제를 포함한 다양한 과제에 직면해 있습니다 가시성, 유연성, 지속가능성, 기술 활용은 이에 대응하기 위한 핵심 키워드입니다

1 수요 변동 및 낮은 예측 정확도

제조업에서는 시장의 급격한 변화와 소비자 요구의 다양화로 인해 수요 예측이 어려워지고 재고 과잉, 품절 등의 문제가 발생할 가능성이 높아졌습니다 이를 해결하기 위해 AI와 머신러닝을 활용한 정확도 높은 수요예측 모델이 도입되고 있으며, 동시에 수요에 유연하게 대응할 수 있는 생산 및 재고 전략을 구축할 필요가 있다

2조달 위험 및 공급업체 의존도

특정 국가나 기업에 대한 지나친 의존은 지정학적 리스크, 자연재해, 가격 변동 등으로 인해 원자재 및 부품의 안정적인 공급을 방해할 수 있습니다 이러한 리스크를 줄이기 위해서는 조달처의 다각화, 현지 조달 및 멀티 소싱 촉진은 물론 공급업체의 신뢰성을 평가하고 리스크를 지속적으로 모니터링하는 시스템을 구축하는 것이 중요합니다

3물류/운송 취약점

교통 인프라 중단, 운전자 부족, 연료비 상승으로 인해 물류가 불안정해지고 배송 지연 및 비용 증가 위험이 증가합니다 이를 해결하기 위해서는 물류 네트워크 및 거점을 재검토하고, 운송 방식을 다양화하고, IoT 등 기술을 활용한 실시간 추적을 통해 운송 상태의 가시화 및 관리를 강화해야 합니다

4사프라이첸의 可視性不足

조달부터 제조, 유통까지의 정보가 분리되면 이상 발생 시 신속한 대응이나 병목 현상 파악이 어려워집니다 이러한 문제를 해결하기 위해 공급망 관리(SCM) 시스템과 IoT 장치를 활용하여 전체 프로세스를 시각화하고 블록체인 등의 기술을 활용하여 추적성을 강화하는 작업이 진행되고 있습니다

5지속 가능성(ESG) 및 규정 준수

환경 규제가 강화되고 기업의 사회적 책임(CSR)에 대한 강조가 높아짐에 따라 CO2 배출 감소 및 윤리적 조달을 포함하여 전체 공급망의 지속 가능성을 다룰 필요가 있습니다 이를 위해서는 에너지 효율적인 생산 시스템과 재생 가능한 자원의 사용을 통해 녹색 공급망을 구축하는 것 외에도 ESG 표준을 설정하고 공급업체에 대한 감사를 실시하는 것이 중요합니다

제조업의 진정한 경쟁력은 "엔지니어링 체인 x 공급 체인"의 협력에서 탄생합니다

제조 산업에서 공급망 관리(SCM)의 정교함을 향상시키는 것은 이제 가장 중요한 관리 주제입니다 많은 기업들이 재고 감소, 물류 개선, 조달 비용 검토 등 공급망 내 부분적 슬롯 커뮤니티에 주력하고 있지만 효과는 제한적일 것으로 보인다 진정한 경쟁력 강화를 목표로 한다면, 우리의 관점을 높이고 공급망 상류에 존재하는 엔지니어링 체인을 포함하도록 관점을 확장해야 합니다

공급망 문제는 이미 설계 단계에서 생성되었습니다

비용, 리드 타임, 품질 및 위험과 같은 공급망의 많은 문제는 실제로 제품 계획, 설계 및 개발과 같은 엔지니어링 체인 단계에서 크게 결정됩니다 이것을 '소스 관리'라는 개념이라고 합니다

예를 들어

• 디자인 부서특수 부품 또는 특정 공급업체에서만 제조할 수 있는 부품을 선택하는 경우조달 부서이는 직접적으로 비용 증가, 리드 타임 연장 및 공급업체 의존 위험으로 이어질 것입니다
• 조립하기 어려운 복잡한 디자인생산부서인력이 증가하고 제조 비용이 증가합니다
• 상품의 포장 사양 및 크기를 고려하지 않은 경우물류부의 로딩 효율 감소하여 운송 비용이 증가하게 됩니다

이런 식으로 엔지니어링 체인과 공급 체인은 분리될 수 없지만 많은 조직에서는 분리되어 있습니다 이러한 분할은 부분 슬롯 커뮤니티의 함정을 만들고 전체 슬롯 커뮤니티를 방해하는 근본적인 원인입니다

엔지니어링 체인과 공급망의 다분야 슬롯 커뮤니티가 필요합니다

미래 제조업에 필수적인 것은 조달, 생산, 물류, 판매를 포함한 SCM 내부의 협업만이 아닙니다 제품이 만들어지기 전의 엔지니어링 체인과 제품을 고객에게 전달하는 공급망입니다 이 두 체인에 걸쳐 여러 영역을 최적화하는 것이 경쟁 우위를 확보하는 열쇠입니다

• 획기적인 비용 절감 및 리드타임 단축:표준 부품 및 모듈식 설계를 채택하여 개발부터 조달, 생산 및 배송까지 전체 프로세스를 간소화합니다
• 수요 변동에 대한 유연한 대응:제품 아키텍처를 고안함으로써 우리는 대량 맞춤화 및 BTO(주문 제작)에 대한 대응 능력을 향상시키는 동시에 품절 및 과잉 재고의 위험을 줄일 수 있습니다
• 전체 공급망의 탄력성:설계 단계에서 대체 부품과 여러 공급업체를 고려하면 지정학적 위험과 재난에 대한 회복력이 크게 향상됩니다

SCM 개선 활동에 어려움을 겪고 있는 기업은 엔지니어링 체인에 관심을 돌려야 합니다 두 체인이 전체적으로 연결되고 슬롯 커뮤니티되어야 제조업이 지속 가능한 성장과 경쟁력을 이룰 수 있습니다

다중 도메인 슬롯 커뮤니티란 무엇입니까?

여기에서는 점점 복잡해지는 제조 산업, 특히 설계 작업에서 중요한 기술인 다분야 슬롯 커뮤니티에 대해 설명합니다

[고효율 제조] 병렬 개발에 필요한 상호 작용 평가

고효율 제조는 병렬 개발과 다분야 최적화를 통합하는 것을 의미합니다 특히, 병행개발이 필요한 전체적인 효과를 평가하는 것이 중요하다 예를 들어 단일 배터리라도 열화 시나리오 예측, 열 거동 분석, 제어 측에 피드백 제공 등 다양한 관점에서 평가가 필요합니다 또한, 다양한 관점에서의 고려가 필요하다 이러한 상황에서는 각 구성요소나 섹션을 병렬적으로 개발하는 것이 필수적입니다 각 영역의 전체적인 효과를 고려하면서 단기간 내에 고성능 제품을 구현해야 하는 필요성이 있습니다 이에 따라 다학제적 최적화(Multidisciplinary Optimization)가 더욱 주목을 받고 있습니다

병렬 개발 및 다분야 고려를 사업 운영에 적용하려는 움직임

최근 디지털 기술의 발전과 함께 다양한 변수와 다양한 분야를 동시에 고려하는 노력이 더욱 활발해지고 있으며, 특히 항공우주 분야에서는 더욱 그렇습니다 상속 범위에 대한 검증 시간을 단축하고 워크스테이션과 PC에서 충분한 분석을 가능하게 함으로써 현실적인 계산 시간 내에 시뮬레이션이 가능한 환경을 만들어가고 있습니다
항공우주 분야는 다분야 슬롯 커뮤니티에서 특별한 관심을 받고 있습니다 혁신이 필요한 영역에서는 단일 영역만의 슬롯 커뮤니티를 달성하기 어렵고 여러 영역의 한계가 설계 제약이 되는 경우가 많습니다 한편, 자동차 분야에서는 MBD(Model-Based Development)를 중심으로 1D CAE를 활용하여 디지털 검증 분야가 확대되고 있습니다 이를 통해 우리는 각 구성 요소의 세부 수준을 적절하게 조정하고, 일정보다 앞서 여러 영역을 확인하고, 매우 정확한 학제간 분석 및 설계를 달성할 수 있습니다

複合領域最適化の課題

다학문적 슬롯 커뮤니티에는 많은 이점이 있지만 동시에 큰 과제도 있습니다 이번 문제를 '기술적'과 '운영적'이라는 두 가지 관점에서 정리하고 각각에 대한 대책을 소개하겠습니다 전반부에는 기술적인 이슈를 중심으로 pSeven Desktop을 소개하겠습니다 해석 작업에서 자주 제기되는 문제로는 계산 속도, 분석/가시화, 슬롯 커뮤니티를 위한 계산 횟수 등이 있습니다

계산 속도 문제

여러 영역을 분석하려면 여러 솔버가 필요하므로 계산 시간이 필연적으로 늘어납니다 최근 몇 년 동안,대리 슬롯 추천은 무엇입니까? 장점 및 단점과 같은 기본에서 프레스 처리에서 CAE 작업을 사용하는 방법을 이용하여 차원축소와 근사모델을 통해 속도화가 진행되고 있습니다

분석/시각화 문제

변수의 증가와 복잡한 상호관계로 인해 설계 공간을 시각화하기가 어렵습니다 이를 위한 효과적인 방법에는 AI 대리 모델을 사용하여 동작을 시각화하고 가우스 프로세스 기반을 사용하여 불확실성을 고려하는 것이 포함됩니다

슬롯 커뮤니티 계산 횟수 관련 문제

설계 공간이 커지면 기존 슬롯 커뮤니티 알고리즘은 수렴하기 위해 엄청난 양의 계산이 필요합니다 이 문제를 해결하기 위해 AI 기반 슬롯 커뮤니티 방법(베이지안 슬롯 커뮤니티, 대리 모델 사용)과 진화 알고리즘(유전 알고리즘)을 결합하여 계산 속도를 높일 수 있습니다 또 다른 해결책은 컴퓨팅 인프라와 도구를 강화하는 것입니다 반면에 중요한 운영 문제도 있습니다 특히, 여러 영역을 담당하는 엔지니어나 부서가 다른 경우가 많아 조직 간 협업이 주요 이슈가 되고 있습니다

조직 간 정보 협업

부서마다 서로 다른 소프트웨어와 도메인 지식을 사용하기 때문에 정보를 공유하려면 많은 노력이 필요합니다 최근에는 스크립트를 사용하여 데이터를 연결하려는 노력이 늘어나고 있지만 기존의 자동 슬롯 커뮤니티 소프트웨어를 사용하여 보다 원활한 연결을 향한 움직임도 있습니다

공통 인프라 구축

미래에 가장 빠르게 성장할 것으로 예상되는 요구는 공통 디지털 엔지니어링 인프라의 구축입니다 이 인프라를 구축하고 운영하는 방법은 다분야 슬롯 커뮤니티를 발전시키는 데 중요한 주제입니다
그러나 이러한 인프라를 구축하고 운영하려면 고급 기술 요구 사항을 충족해야 하며 현재 상황에서는 이러한 기술을 종합적으로 갖춘 사람이 극히 적습니다 이에 따라 인력과 예산 확보 등 새로운 과제가 대두됐다 이러한 기술적, 운영적 문제에 각 제품이 어떻게 대응할 수 있는지 구체적으로 소개하겠습니다

[다양한 영역의 고려 및 슬롯 커뮤니티] pSeven Desktop 기능의 "기술적 관점"

p세븐 제품군

각 과제에 대처하는 방법을 설명하기 전에무료 슬롯의 제품군을 소개합니다
pSeven은 프랑스에 본사를 둔 pSeven에서 개발했습니다 pSeven은 Airbus 및 대학 연구 부서와 협력하여 슬롯 커뮤니티 및 기계 학습 알고리즘을 연구 및 개발해 왔습니다 이러한 결과를 바탕으로 pSeven은 Python 라이브러리로 상용화되었습니다 하지만 알고리즘만으로는 사용하기 어려워 로컬 환경에서 직관적으로 작동할 수 있는 GUI를 갖춘 pSeven Desktop이 개발되었습니다

[다양한 분야의 고려 및 슬롯 커뮤니티 문제] 기술적 관점

기술적인 문제는 여러 영역을 계산할 때 계산 시간이 증가한다는 것입니다 가로축이 항목명, 세로축이 계산시간일 경우, 슬롯 커뮤니티에 필요한 총 계산시간은 각 블록의 계산시간을 합한 값이 됩니다 그러나 이는 분홍색 선으로 표시된 가용 공수 상한을 초과하기 때문에 여러 영역에서 슬롯 커뮤니티를 시도하면 계산 부하가 증가하고 구현하기 어려운 경우가 많습니다 특히, 변수의 수가 증가함에 따라 이론적 계산의 수도 비례적으로 증가합니다 결과적으로, 높은 계산 부하로 인해 슬롯 커뮤니티를 포기하거나, 강제로 수동으로 진행해야 하는 상황이 발생합니다
이 문제에 대한 두 가지 가능한 접근 방식이 있습니다:

접근 방법 A: 실행당 계산 시간 단축

계산 속도를 향상시킴으로써 가용 공수 상한 내에서 필요한 반복 횟수를 확보하고 필요한 설계 리드 타임 내에 문제를 해결할 수 있습니다

접근방식 B: 반복 횟수 줄이기

CAE 슬롯 커뮤니티를 수행하고 제한된 계산 횟수 내에서 최적의 솔루션을 도출하는 방법입니다 계산 횟수를 최소화하면서 요구 사항을 충족하는 슬롯 커뮤니티를 달성해야 합니다

AI 기반 슬롯 커뮤니티로 검색 가속화(접근 A)

접근 방식 A: 사전 구축된 대리 모델을 사용한 슬롯 커뮤니티

이 접근 방식은 슬롯 커뮤니티를 위해 대리 모델과 AI 모델을 사용합니다 대리 모델의 가장 큰 장점은 실행 시간이 매우 짧고 몇 초 안에 완료되므로 충분한 반복 횟수가 보장된다는 것입니다 우리 회사에서 처리합니다슬롯 게임이 접근 방식을 지원하는 또 다른 제품입니다
Neural Concept Studio를 사용하면 대리 모델을 활용하고 유전 알고리즘을 결합하여 형상 슬롯 커뮤니티를 효율적으로 수행할 수 있습니다 유전자 알고리즘과 진화 알고리즘을 결합하면 더욱 강력한 슬롯 커뮤니티가 가능합니다
그러나 CAE만큼 정확하지는 않지만 일정 수준의 설계 요구 사항을 충족하는 정확도가 필요합니다 또한 이 방법을 적용하려면 딥 러닝과 고급 데이터 과학 기술이 필요하므로 모델을 구축하고 샘플 데이터를 수집하는 것이 어려울 수 있습니다 특히 충분한 데이터 준비가 필요하기 때문에 Approach A의 중요한 요소는 CAE를 고안하여 계산 시간을 단축하고 그 결과를 바탕으로 효율적으로 데이터를 수집하는 것입니다

[미리 구축된 대리 모델을 이용한 슬롯 커뮤니티] 여러 프로젝트의 동시 슬롯 커뮤니티(접근 A)

접근 A를 진행하는 구체적인 방법은 기본적으로 여러 프로젝트 간에 대리 모델을 구축하고 이를 활용하여 슬롯 커뮤니티를 진행함으로써 효율적인 계산 프로세스를 달성하는 것입니다 이 접근 방식을 사용하면 개별 프로젝트의 공동 작업이 더 쉬워지고 전체 슬롯 커뮤니티가 원활하게 이루어집니다
실제 사례에서 각 프로젝트는 먼저 실험 계획(DoE)을 활용하여 필요한 데이터를 수집합니다 그 후 각 프로젝트에 대한 대리 모델을 구축하고 정확성을 철저히 확인한 다음 이러한 대리 모델을 서로 연결합니다 이를 통해 최적화가 동시에 진행되어 예를 들어 30분 안에 2,000개 이상의 계산을 수행할 수 있습니다 이와 같이 접근 방식 A의 기본 아이디어와 정책은 개별 대리 모델을 활용하면서 프로젝트 간의 협업을 강화함으로써 최적화 프로세스를 훨씬 더 효율적으로 만들 수 있다는 것입니다

데이터 수집/디자인 공간 구축(접근 A)

데이터 수집부터 시작해야 하며 pSeven Desktop은 새로운 데이터 수집 시 다양한 DoE(실험 계획법)와 강력한 자동화 기능을 제공하여 운영 효율성을 지원하는 제품입니다 이는 데이터 수집 프로세스를 촉진하고 최적화를 위해 준비합니다

[기능 소개] 외부 소프트웨어와의 연동 기능(접근 A)

자동화를 위해 pSeven Desktop은 각 소프트웨어에 대한 직접적인 인터페이스를 제공합니다 범용적으로 사용할 수 있는 범용 인터페이스를 갖추고 있어 명령어나 스크립트를 수동으로 작성할 필요가 없고, 마우스 조작만으로 쉽게 연결이 가능합니다 이를 통해 외부 소프트웨어와의 원활한 통합이 가능하고 작업 효율성이 향상됩니다

[기능 소개] 강력한 워크플로 엔진 탑재(접근 A)

자동화 작업 흐름 엔진은 모양을 변경하고 CAE를 실행하는 간단한 자동화 설정뿐만 아니라 복잡한 최적화 문제도 처리할 수 있습니다 예를 들어, 전체 시스템을 최적화하면서 유체 및 구조적 최적화 알고리즘이 별도로 실행되는 중첩된 이중 루프와 같은 복잡한 워크플로를 통합할 수 있습니다 이는 어떤 상황에도 적응하고 복잡한 최적화 프로세스를 효율적으로 관리할 수 있는 유연한 워크플로우 엔진을 제공합니다

[기능 소개] 다양한 DoE(Design of Experiments) 방법을 이용한 효율적인 데이터 수집(접근 A)

이러한 작업 흐름을 구성할 수 있다면 실험 계획(DoE)을 적용하는 것이 가능할 것입니다 pSeven Desktop은 특히 디지털 협업 시 자주 사용하는 LHS(Latin Hypercube)를 활용한 적응형 DoE 방식을 탑재해, 데이터가 부족할 경우 AI와 알고리즘이 기존 데이터에서 누락된 부분과 좀 더 집중적으로 확인해야 할 부분을 판단해 추가해야 할 데이터를 선택한다 이를 통해 어떠한 상황에도 유연하게 대응하면서 효율적으로 데이터를 수집할 수 있는 시스템을 제공합니다

[기능 소개] 스마트 선택을 이용한 AI 모델 자동 구축(접근방식 A)

수집된 데이터는 AI 모델로 변환되어 시각화됩니다 pSeven Desktop은 고급 AI 기반 모델링, 시각화 및 분석 도구를 지속적으로 제공합니다 스마트 선택 기능은 알고리즘 적용 시 간단히 데이터를 가져와서 자동으로 방법 선택, 매개변수 조정, 정확도 비교를 수행하고, 최적의 방법과 매개변수를 단일 모델로 자동 구성합니다 또한 각 출력 변수에 대해 방법과 매개변수가 조정되므로, 예를 들어 변수가 3개 있는 경우 각각에 대해 다른 방법을 선택할 수 있습니다 이를 통해 활용도가 높은 자동화가 가능합니다

[기능 소개] AI 모델을 활용한 비선형성 및 불확실성을 고려한 분석

또한 생성된 AI 모델의 동작과 변수 간의 관계를 볼 수 있는 기능을 제공합니다 이러한 시각화에서는 가로축에 설계변수를, 세로축에 출력변수와 목적변수를 설정하여 비선형 관계도 직관적이고 이해하기 쉽게 표시합니다 선을 기준으로 영역이 약간 확장되는 것처럼 보이는 영역은 예측이 불확실하고 신뢰도가 없는 영역을 나타내며 불확실성도 시각화됩니다 이런 방식으로 모델의 신뢰성을 수치뿐만 아니라 그래프 형태로도 확인할 수 있습니다 또한, 그림과 같이 막대 그래프를 통해 각 변수 중 어떤 변수가 가장 많이 기여했는지 확인할 수 있어 의사결정을 지원합니다 이처럼 pSeven Desktop의 강력한 특징은 데이터 수집부터 AI 모델 구축, 분석까지 모두 하나의 소프트웨어로 수행할 수 있다는 점이다

AI 기반 슬롯 커뮤니티로 검색 가속화(접근방식 B)

다중 대리 모델을 생성하고 필요한 반복 횟수를 수행하는 접근 방식 A를 도입했지만, 접근 방식 B는 AI 기반 슬롯 커뮤니티에서 반복 횟수 자체를 제안하고 슬롯 커뮤니티 관점을 도입합니다

AI 기반 슬롯 커뮤니티로 검색 가속화(접근 방식 B)

AI 기반 슬롯 커뮤니티는 검색 속도를 높이고 계산 모델의 계산 횟수를 최소화하면서 전역 최적 솔루션을 도출하는 방법입니다 일반적으로 베이지안 슬롯 커뮤니티, 블랙박스 슬롯 커뮤니티, 순차 슬롯 커뮤니티(대리 모델 슬롯 커뮤니티)로 알려져 있습니다 계산 횟수를 줄일 수 있는 가장 큰 이유는 확률적 요소를 고려할 수 있기 때문이다 설계 공간에서 최적의 해를 얻을 가능성이 있는 영역을 식별하고 유망한 영역에서만 계산을 수행함으로써 최단 경로를 사용하여 최적의 해를 찾을 수 있습니다 이는 계산 효율성을 크게 향상시킵니다 주목받고 있는 방법 중 하나입니다

[기능 소개] pSeven Desktop 대리 기반 슬롯 커뮤니티(SBO) 기능(접근 B)

pSeven Desktop에 포함된 대리 기반 슬롯 커뮤니티 방법은 유사한 기능을 제공합니다 자체 개발한 DoE 전략과 알고리즘을 활용하여 문제의 실현 가능성 영역을 식별하고 이를 효과적으로 활용할 수 있습니다 또한 예산과 계산 횟수를 고려하면 솔루션 도출 시간을 크게 단축할 수 있습니다 또한, 고유한 GP(Gaussian Process) 구현을 통해 대규모 문제도 효율적으로 해결할 수 있습니다 기본적으로 베이지안 슬롯 커뮤니티 방법을 사용하면 변수가 20개라도 큰 문제지만, pSeven Desktop은 더 많은 변수를 처리할 수 있어 폭넓은 문제 해결이 가능합니다

[비교] 고비용 문제에 대한 각 알고리즘 비교(접근 B)

실제로 고비용 문제에 대해 각 알고리즘을 비교한 결과, pSeven Desktop과 오픈소스 방식을 비교한 그래프가 나와 있습니다 가로축은 수행률이며, 값이 작을수록 슬롯 커뮤니티에 소요되는 시간이 짧아져 높은 효율로 솔루션을 해결할 수 있음을 나타냅니다 세로축은 해결한 문제의 개수를 나타내며, 왼쪽 상단에 위치할수록 더 많은 문제를 풀 수 있는 것을 의미합니다 pSeven Desktop은 모든 방법에 탁월하며 제한된 계산 수로 고비용 슬롯 커뮤니티에 적합합니다 또한 크로스 도메인 크로스 도메인, 계산 시간이 필요한 유체 해석 등 단일 솔버를 사용하여 복잡한 슬롯 커뮤니티를 수행하는 상황에도 매우 적합한 방법입니다

[기능 소개] 스마트 선택을 이용한 슬롯 커뮤니티 방법 자동 선택(접근방식 B)

스마트 선택이라는 기능에는 보조 기능이 있는데, 슬롯 커뮤니티 알고리즘을 선택하는지, 실험 설계를 선택하는지, 어떤 방법을 선택할지 고민하는 문제에 직면할 수 있습니다 pSeven Desktop을 사용하면 문제 정의를 쉽게 설정하고 최적의 방법과 내부 매개변수를 자동으로 조정할 수 있습니다 이 메커니즘을 통해 사용자는 문제에 초점을 맞추는 것만으로도 충분한 솔루션을 얻을 수 있습니다

[사용예] 과거 실험 및 수집된 데이터의 효율적 활용(접근B)

또한 순차적 최적화와 AI 기반 최적화에 관해 과거의 실험 데이터와 수집된 데이터를 효율적으로 활용할 수 있는지에 대한 질문을 자주 받는데, pSeven Desktop은 실제로 이를 가능하게 합니다 예를 들어, DoE에서 사전에 수집한 실험 데이터를 다음 최적화 작업 흐름으로 직접 전달할 수 있으므로 최적화 계산에 필요한 횟수가 줄어듭니다 사전 결과를 바탕으로 내부 대리 모델을 구축하고 검색 효율성을 향상시켜 능동적 학습과 순차적 최적화를 구현합니다 또한 재료 정보학에서는 베이지안 최적화를 사용하여 재료 개발 실험 중에 기존 데이터로부터 첫 번째 계산을 시작할 수 있습니다

[GeoDict] 리튬이온 2차전지 성능의 다목적 슬롯 커뮤니티 문제

당사에서 처리지오딕트라는 소재 개발 제품과 협업한 사례가 있습니다 먼저 29개의 설계 변수와 출력에 대해 실험계획법(DoE)을 이용해 데이터를 수집하고, 모델과 변수에 문제가 있는지 확인하는 방식이다 이후 대리 기반 최적화를 진행하여 총 200번의 계산을 통해 127개의 파레토 전선과 파레토 해를 얻었습니다 이러한 접근 방식은 보편적으로 사용될 수 있으며 효율적인 최적화를 가능하게 합니다