디지털 트윈을 위한 하이브리드 모델링 시뮬투리얼 강화학습 대형 언어모델 기반 제어

초록

본 연구는 미니어처 온실을 실험 플랫폼으로 삼아 물리 기반, 데이터 기반, 하이브리드 모델링을 비교하고, 모델 예측 제어(MPC), 강화학습(RL), 대형 언어모델(LLM) 기반 제어를 구현한다. 실험 결과, 하이브리드 모델이 정확도와 일반화, 계산 효율성에서 가장 균형 잡힌 성능을 보였으며, MPC는 안정적인 제어, RL은 높은 적응성, LLM은 자연어 인터페이스와 설명 가능성을 제공한다는 결론을 도출한다.

상세 분석

이 논문은 디지털 트윈(DT) 구현에 있어 모델링과 제어 두 축을 동시에 고찰한 드문 사례이다. 물리 기반 모델(PBM)은 에너지 보존식에 기반해 히터와 팬의 열·공기 흐름을 선형 미분식으로 기술했으며, 공기 혼합 가정, 물성 상수 고정, 즉시 응답 등 여러 단순화를 전제로 한다. 이러한 가정은 실험 환경에서 온도 변동을 대략적으로 포착하지만, 식물 성장에 따른 열 부하와 공기 흐름 변이, 센서 노이즈 등 비선형 요인을 반영하지 못한다. 데이터 기반 모델(DDM)로는 ARX 형태의 선형 회귀와 LSTM 기반 순환 신경망을 도입했는데, ARX는 과거 온도와 제어 입력을 선형 결합해 단기 예측에 적합하지만, 비선형 상호작용을 포착하지 못한다. 반면 LSTM은 게이트 구조를 통해 장기 의존성을 학습하고, 비선형 열·공기 동역학을 어느 정도 재현한다. 그러나 LSTM은 학습 데이터 분포에 민감하고, 추론 시 연산 비용이 크게 증가한다. 하이브리드 분석·모델링(HAM)인 CoST A는 PBM에 잔차 보정 함수를 추가한다. 이 보정 함수는 신경망(또는 다른 DDM)으로 파라미터화되어, 실제 측정값과 PBM 예측값 사이의 차이를 학습한다. 결과적으로 물리적 해석 가능성을 유지하면서, 미지의 비선형 효과를 보완한다. 실험에서는 인터폴레이션(훈련 범위 내)과 엑스트라폴레이션(훈련 범위 외) 두 시나리오를 설정했으며, HAM이 두 경우 모두 평균 절대 오차와 RMSE에서 가장 안정적인 성능을 보였다. LSTM은 인터폴레이션에서는 최고 정확도를 기록했지만, 엑스트라폴레이션에서는 급격히 성능이 저하되었다.

제어 측면에서는 세 가지 접근법을 비교했다. MPC는 HAM 기반 선형 모델을 사용해 10‑step 예측을 수행하고, 상태 비용(Q)과 제어 비용(R)을 최소화하는 이차 계획법을 풀었다. 제약조건(u_min, u_max)과 목표 온도(22 °C) 설정을 통해 실시간 적용 가능성을 검증했으며, 온도 오버슈트와 진동이 최소화되는 안정적인 거동을 보였다. RL은 DQN 기반으로 이산 액션 공간(히터 듀티 0‑1, 팬 ON/OFF)을 정의하고, 온도 편차와 에너지 소비를 결합한 보상 함수를 설계했다. 시뮬레이션 단계에서 대규모 에피소드(>10⁴) 학습 후, 실제 온실에 정책을 전이했을 때 초기 오버슈트는 다소 크지만, 환경 변화(외기 온도 변동, 식물 성장)에 빠르게 적응해 목표 온도에 수렴했다. 마지막으로 LLM 기반 제어는 GPT‑4를 프롬프트 엔진으로 활용했으며, 현재 온도와 목표 온도를 자연어로 입력하면, “히터를 30 % 듀티로 켜고 팬을 켜라”와 같은 명령을 생성한다. 또한 Retrieval‑Augmented Generation(RAG)으로 최신 센서 데이터와 과거 운영 로그를 검색해 보조 정보를 제공함으로써, 인간‑AI 협업 인터페이스를 구현했다. LLM은 제어 정확도 면에서는 MPC·RL에 미치지 못했지만, 사용자의 직관적 의도 전달과 정책 해석 가능성에서 큰 장점을 보였다.

전체적으로 논문은 (1) 모델링에서는 물리·데이터·하이브리드의 삼각관계, (2) 제어에서는 최적화·학습·언어 기반 접근법의 상호 보완성을 체계적으로 실험으로 입증했다. 특히 “시뮬‑투‑리얼” 강화학습 전이 성공 여부가 DT의 예측 정확도에 크게 의존한다는 점을 강조하며, HAM이 그 핵심 역할을 할 수 있음을 실증했다. 향후 연구는 다중 변수(습도·CO₂·조도) 동시 제어, 연속 액션 공간 RL, 그리고 LLM의 안전 검증 메커니즘을 포함한 확장성을 탐구해야 할 것으로 보인다.