생성형 AI는 오래전부터 복잡한 3D 형태를 시각화하는 능력을 갖추었으나, 디지털 속 결과물을 튼튼하고 기능적인 실물로 구현하는 데는 늘 한계가 있었다. 대부분의 모델은 중력이나 구조적 안정성에 대한 근본적인 이해가 부족해, 실제로 제작했을 때 무게를 견디지 못하고 무너지거나 제조 과정에서 실패하는 설계도를 내놓곤 했기 때문이다. 이러한 문제를 해결하기 위해 MIT CSAIL 연구진은 3D 생성 과정에 물리적 상식을 주입하는 시스템인 PhysiOpt를 선보였다.

PhysiOpt는 AI가 생성한 설계도의 실현 가능성을 점검하는 일종의 '현실 확인' 장치 역할을 수행한다. 물리 시뮬레이션을 설계 루프에 직접 통합함으로써, 액체의 무게를 버티기엔 너무 가느다란 유리잔 다리와 같은 구조적 약점을 식별하고 기하학적인 미세 조정을 수행한다. 특히 물체를 수백만 개의 미세한 조각으로 나누어 응력과 하중이 구조 전체에 어떻게 분산되는지 계산하는 유한요소해석 기술을 활용한다. 이에 따라 3D 프린터로 출력한 고리가 실제로 코트 무게를 견디고, 북엔드가 수많은 책의 하중을 버틸 수 있게 된다.

무엇보다 PhysiOpt가 효율적인 이유는 '셰이프 프라이어'를 사용한다는 점에 있다. 대규모의 새로운 데이터셋을 구축하는 대신, 사전 학습된 모델에 이미 내재된 지식을 활용해 물체가 어떻게 보여야 하는지 파악하면서 동시에 성능을 최적화한다. 이러한 접근 방식 덕분에 기존 최적화 방식보다 약 10배 더 빠른 속도를 구현했다. 연구팀은 향후 시각 언어 모델을 결합해 시스템이 주변 환경의 제약 조건을 스스로 예측하게 할 계획이며, 이는 AI가 픽셀을 이해하는 것만큼이나 실제 물리 세계를 깊이 이해하는 미래로 나아가는 중요한 발걸음이 될 전망이다.

생성형 AI는 오래전부터 복잡한 3D 형태를 시각화하는 능력을 갖추었으나, 디지털 속 결과물을 튼튼하고 기능적인 실물로 구현하는 데는 늘 한계가 있었다. 대부분의 모델은 중력이나 구조적 안정성에 대한 근본적인 이해가 부족해, 실제로 제작했을 때 무게를 견디지 못하고 무너지거나 제조 과정에서 실패하는 설계도를 내놓곤 했기 때문이다. 이러한 문제를 해결하기 위해 MIT CSAIL 연구진은 3D 생성 과정에 물리적 상식을 주입하는 시스템인 PhysiOpt를 선보였다.

PhysiOpt는 AI가 생성한 설계도의 실현 가능성을 점검하는 일종의 '현실 확인' 장치 역할을 수행한다. 물리 시뮬레이션을 설계 루프에 직접 통합함으로써, 액체의 무게를 버티기엔 너무 가느다란 유리잔 다리와 같은 구조적 약점을 식별하고 기하학적인 미세 조정을 수행한다. 특히 물체를 수백만 개의 미세한 조각으로 나누어 응력과 하중이 구조 전체에 어떻게 분산되는지 계산하는 유한요소해석 기술을 활용한다. 이에 따라 3D 프린터로 출력한 고리가 실제로 코트 무게를 견디고, 북엔드가 수많은 책의 하중을 버틸 수 있게 된다.

무엇보다 PhysiOpt가 효율적인 이유는 '셰이프 프라이어'를 사용한다는 점에 있다. 대규모의 새로운 데이터셋을 구축하는 대신, 사전 학습된 모델에 이미 내재된 지식을 활용해 물체가 어떻게 보여야 하는지 파악하면서 동시에 성능을 최적화한다. 이러한 접근 방식 덕분에 기존 최적화 방식보다 약 10배 더 빠른 속도를 구현했다. 연구팀은 향후 시각 언어 모델을 결합해 시스템이 주변 환경의 제약 조건을 스스로 예측하게 할 계획이며, 이는 AI가 픽셀을 이해하는 것만큼이나 실제 물리 세계를 깊이 이해하는 미래로 나아가는 중요한 발걸음이 될 전망이다.