generative AI와 physics를 혼합하여 현실 세계에서 작동하는 개인 아이템 만들기
Source: MIT News - AI
Source: …
From Cool Ideas to Real‑World Objects
멋져 보이지만 실제로는 잘 작동하지 않을 것 같은 아이디어를 떠올린 적이 있나요? 장식품과 개인 액세서리를 디자인할 때, 생성형 인공지능(Gen‑AI) 모델도 비슷한 상황에 처합니다. 이 모델들은 창의적이고 정교한 3D 디자인을 만들어낼 수 있지만, 그런 설계도를 실제 물체로 제작하려 하면 일상적인 사용을 견디지 못하는 경우가 많습니다.
The Problem: Missing Physics
근본적인 문제는 Gen‑AI 모델이 물리학에 대한 이해가 부족하다는 점입니다. Microsoft의 TRELLIS와 같은 도구는 텍스트 프롬프트나 이미지를 기반으로 3D 모델을 만들 수 있지만, 예를 들어 의자 디자인이 불안정하거나 부품이 연결되지 않은 상태일 수 있습니다. 모델은 사용자가 의도한 물체가 어떤 역할을 해야 하는지 완전히 파악하지 못하므로, 좌석을 3D 프린트하더라도 사람이 앉는 힘에 의해 부서질 가능성이 높습니다.
A Reality Check – PhysiOpt
이러한 설계를 실제 세계에 적용하려는 시도로, MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL)의 연구원들은 생성형 AI 모델에 현실 검증을 도입하고 있습니다. 그들의 PhysiOpt 시스템은 물리 시뮬레이션을 결합해 컵, 열쇠걸이, 책받침 등 개인용 아이템의 설계도가 3D 프린팅 시 의도대로 작동하도록 합니다. 구조가 가능한지 빠르게 테스트하고, 전체 외관과 기능을 유지하면서 작은 형태를 부드럽게 수정합니다.
How it works
- 만들고 싶은 것과 용도를 입력하거나 이미지를 업로드합니다.
- 약 30초 안에 PhysiOpt가 제작 준비가 된 현실적인 3D 객체를 반환합니다.
- 시스템이 물리 시뮬레이션(유한 요소 해석)을 실행하고, 설계가 구조적으로 견고하도록 미세한 조정을 합니다.
“PhysiOpt는 GenAI와 물리 기반 형태 최적화를 결합해, 거의 모든 사람이 독특한 액세서리와 장식을 위한 디자인을 생성하도록 돕습니다.”라고 MIT EECS 박사과정 학생이자 CSAIL 연구원 Xiao Sean Zhan(SM ’25)이 말합니다. 그는 이 작업을 발표한 논문의 공동 저자이기도 합니다. “이 시스템은 주어진 제약 조건 하에 형태를 물리적으로 제조 가능하도록 자동으로 변환합니다. 추가 학습 없이도 원하는 만큼 반복해서 디자인을 개선할 수 있습니다.”
Smart Design Workflow
PhysiOpt는 AI 생성기가 사용자 사양 및 기능적 제약을 기반으로 아이템을 제작하는 **‘스마트 디자인’**을 가능하게 합니다:
- 힘/무게 제한: 물체가 견뎌야 할 하중을 지정합니다(예: 코트를 걸어 둘 후크).
- 재료 선택: 플라스틱, 목재 등 원하는 재료를 선택합니다.
- 지지 조건: 물체가 어떻게 지지되는지를 정의합니다(예: 컵은 테이블 위에 놓이고, 책받침은 책에 기대어 놓임).
이러한 세부 정보를 제공하면 PhysiOpt가 반복적으로 물체를 최적화합니다. 내부적으로는 유한 요소 해석을 통해 설계를 스트레스 테스트하고, 약한 부분을 강조하는 히트맵을 생성합니다. 예를 들어, 새집 디자인에서는 빨간색으로 표시된 보강이 필요한 지지 빔을 확인할 수 있습니다.
Impressive Creations
PhysiOpt는 대담하고 스타일리시한 작품을 만들어냅니다:
- 복잡하고 로봇 같은 갈고리 형태를 가진 스팀펑크 키홀더.
- 물건을 올려둘 수 있는 평평한 뒤받침이 있는 ‘기린 테이블’.
“기존 시스템은 사용자가 원하는 것을 의미적으로 이해하려면 많은 추가 학습이 필요합니다.”라고 공동 저자이자 MIT EECS 박사과정 학생인 Clément Jambon이 덧붙였습니다. “하지만 우리는 이미 원하는 창작 감각이 내장된 모델을 사용하므로, PhysiOpt는 학습이 필요 없습니다.”
Leveraging Pre‑Trained Shape Priors
PhysiOpt는 이미 수천 개의 형태를 학습한 사전 학습된 모델을 활용합니다. 이는 모델에게 ‘형태 사전지식’을 부여해, 추가 학습 없이도 3D 모델을 생성할 수 있게 합니다. 마치 유명 화가의 스타일을 흉내낼 수 있는 예술가처럼, 사전 학습된 형태 사전지식을 바탕으로 새로운 디자인을 만들어냅니다.
dying many works.
When compared to the comparable method DiffIPC, PhysiOpt’s visual know‑how made it nearly 10× faster per iteration while producing more realistic objects for tasks such as chair design.
Looking Ahead
PhysiOpt bridges the gap between imaginative concepts and manufacturable personal items. A coffee‑mug idea that once lived only on a screen could soon appear on your desk, fully stress‑tested and ready for 3D printing. Future versions may even predict constraints (loads, boundaries) autonomously, reducing the need for user‑provided details. This more common‑sense approach could be enabled by incorporating vision‑language models, which blend an understanding of human language with visual perception.
Computer Vision
게다가 Zhan과 Jambon은 PhysiOpt의 3D 모델에 가끔 나타나는 무작위 조각인 아티팩트를 제거하기 위해 시스템을 더욱 물리 인식하게 만들 계획입니다. MIT 과학자들은 또한 3D 프린팅 시 돌출 부품을 최소화하는 등 다양한 제작 기술에 대한 더 복잡한 제약을 모델링하는 방법을 고민하고 있습니다.
Zhan과 Jambon은 MIT‑IBM Watson AI Lab의 수석 연구 과학자 Kenney Ng ’89, SM ’90, PhD ’00 및 두 명의 CSAIL 동료인 학부 연구원 Evan Thompson과 조교수 Mina Konaković Luković(실험실의 주요 연구원)와 함께 논문을 작성했습니다.
연구자들의 작업은 MIT‑IBM Watson AI Laboratory와 Wistron Corp.의 지원을 일부 받았습니다. 그들은 12월에 Association for Computing Machinery의 SIGGRAPH Conference and Exhibition on Computer Graphics and Interactive Techniques in Asia에서 이를 발표했습니다.