익형(airfoil) 하나를 개선한다고 할 때, “더 좋다”는 것은 대체 무엇을 뜻할까?
순항 효율은 높이는 것이 바람직하고, 설계 제약도 충족해야 하며, 고정밀 평가는 매번 계산 예산을 소모한다. 어떤 후보안은 특정 지표에서 더 뛰어나지만, 다른 후보안은 더 큰 여지를 남겨 둘 수 있다. 이들을 한 줄로 세워 1등을 뽑는 일은 생각만큼 단순하지 않다.
AI는 새로운 안을 제안하고 실험 코드를 작성하는 데 참여할 수 있다. 그다음에 마주하는 것은 어떻게 평가하고, 비교하고, 계속 탐색할 것인가의 문제다.
EvoClass의 AI999 《EvoX 지능형 진화 시스템과 AI Native 연구 실천》은 이 흐름을 따라 펼쳐진다. 진화 연산에서 다목적 문제로 들어가고, 이어서 현대적 계산 기반, 방법론의 진화, 그리고 AI Native 환경에서의 연구 실천을 논한다. 관심은 하나의 제안이 어떻게 실험으로 들어가고, 그 피드백이 어떻게 다음 제안을 바꾸는가에 있다.
먼저 분명히 하자, 어떤 개선이 보존할 가치가 있는가
3강 《현실 세계의 복잡성과 다목적 트레이드오프》는 익형 설계 등의 상황을 통해 목표, 제약, 평가 비용 사이의 관계를 논한다.
어떤 지표는 가능한 한 높이기를 바라고, 어떤 조건은 반드시 문턱을 넘어야 한다. 이 두 가지 요구를 먼저 구분해야 비교의 기반이 마련된다.
후보 집단을 마주했을 때, 어떤 안이 관심 지표 전반에서 뒤처진다면 이를 제외할 근거가 있다. 반면 여러 안이 각기 이득과 대가를 지닌다면, 그 차이를 보존하는 편이 이후의 취사선택을 더 분명하게 만든다. 분야 전문가는 구체적인 운용 조건과 선호를 결합해 어떤 방향을 계속할 가치가 있는지 결정할 수 있다.
이는 연구자에게 자신의 평가 방식을 점검하라고 일깨우기도 한다. 총점은 어떻게 계산되는가? 가중치는 왜 이렇게 설정했는가? 당초에 적어 넣지 않은 제약 때문에 높은 점수의 안이 사용 가치를 잃지는 않는가?
이 질문들은 실험 설계에서 답해야 한다. 그렇지 않으면 탐색은 점수를 따라 계속 나아가면서도 정작 관심 있는 과제에서 점차 벗어날 수 있다.
후보가 늘어날수록, 평가 예산은 어디에 써야 하는가?
여러 가능성을 보존하면 새로운 비용이 생긴다.
3강은 대리 모델(surrogate model)도 다룬다. 기존 표본으로부터 후보 파라미터와 성능 사이의 관계를 학습하고, 비용이 낮은 예측으로 선별을 돕고, 더 깊이 살펴볼 가치가 있는 후보를 고정밀 평가로 보내며, 그 결과를 이후 갱신에 활용하는 방식이다.
여기서는 서로 다른 증거의 무게를 분별해야 한다. 대리 예측에는 오차가 있으며, 탐색이 익숙하지 않은 영역으로 들어갈 때는 특히 검증이 필요하다. 매우 높아 보이는 예측 점수도 여전히 추가 점검을 받아야 한다.
또 다른 비용은 계산을 조직하는 방식에서 온다. 4강 《현대 계산 기반과 텐서화 병렬 진화》는 개체군, 평가 결과, 상태를 텐서로 조직해 묶음 단위로 계산을 진행하는 방법을 논한다.
이렇게 이해할 수 있다. 많은 후보의 파라미터를 일관된 구조로 나란히 배열해, 일괄 실행이 가능한 연산이 이들을 함께 처리하게 하는 것이다. EvoX의 사용자 정의 문제 개발 문서도 후보 묶음을 받아 그에 대응하는 목표값을 반환하는 평가 인터페이스로 이러한 조직 방식을 설명한다.
실제 이득은 여전히 측정해야 한다. 시간은 후보 생성에, 목적 함수에, 아니면 데이터 이동에 쓰이는가? 더 큰 배치가 너무 많은 비디오 메모리를 차지하지는 않는가? 이 비용들을 나누어 기록해야 다음에 어디를 고쳐야 할지 알 수 있다.
대리辅助 평가와 배치 병렬화는 각각 평가 비용과 계산 조직의 문제를 다룬다. 이 둘의 분업을 이해하는 것이 막연히 “더 많이 돌리면 더 좋아질 것”이라고 기대하는 것보다 도움이 된다.
탐색이 정체될 때는 후보를 만들어 내는 방법도 점검할 수 있다
더 많은 라운드를 돌렸는데도 결과가 뚜렷이 개선되지 않는다면, 이때 점검할 가치는 후보 자체에만 있지 않다.
변이는 어떻게 일어나는가? 파라미터는 어떻게 설정되는가? 현재의 탐색 방식이 이 문제에 적합한가?
5강 《방법의 진화: 최적해에서 최적 알고리즘 자체로》는 MetaDE, AutoPSO 등의 자료를 통해 후보를 생성하는 방법 역시 논의의 대상으로 끌어들인다.
MetaDE를 예로 들면, 내부 계층의 차분 진화가 목표 문제를 풀고, 외부 계층은 풀이 성능에 근거해 전략과 파라미터 설정을 탐색한다. 따라서 “어떤 해를 얻었는가”를 비교하는 것 외에도 “어떤 방식으로 해를 찾았는가”를 비교할 수 있다.
이 층위의 변화 역시 비용을 치러야 한다. 방법을 비교할 때는 내부와 외부 계층이 몇 번의 평가를 사용했고 얼마만큼의 실행 시간을 차지했는지를 모두 예산에 포함해야 하며, 결론도 시험한 문제와 조건 속에서 이해해야 한다.
학습자에게 시도해 볼 만한 연습은 먼저 명확한 기준선을 세우고, 전략 하나를 바꾸고, 설정과 전체 결과를 보존하며 반복 실행하는 것이다. 그래야 성능 변화가 설명될 기회를 얻고, 어떤 변경이 특정 한 번의 실행에서만 멋져 보였던 것인지도 더 쉽게 발견할 수 있다.
코드를 작성한 뒤에 연구는 무엇을 남겨야 하는가?
AI가 더 많은 실험을 구현하는 데 참여할 수 있게 되면서도, 연구자가 내려야 할 판단이 줄어들지는 않는다.
6강의 Genesis와 소프트웨어 지속적 진화에 관한 논의는 관심을 프로젝트로 확장한다. 과제를 어떻게 분해하는가, 코드 변경을 어떻게 검증하는가, 유효한 결과를 어떻게 이후 작업의 기반으로 편입하는가. Genesis의 공식 프로젝트 설명 역시 빌드, 검증, 지속적 개발을 하나의 작업 경로 안에 조직한다.
다만 컴파일과 테스트 통과가 뒷받침하는 결론은 연구 결론과 구분해 인식해야 한다. 그것들은 프로그램이 이미 점검한 요구 사항을 충족했음을 보여 줄 수 있다. 어떤 방법이 더 효과적인지는 문제 설정, 대조 실험, 평가 지표, 결과 분석을 함께 보아야 한다.
7강 《AI Native 연구 패러다임과 EvoX 실전 진입》은 이 책임을 다시 연구자에게 돌린다. 문제를 제기하고, 평가를 정의하고, 방향을 판단하고, 기존 결과를 비판적으로 검토하는 일이다.
“연구 취향”도 이로부터 구체적인 것이 될 수 있다. 어떤 문제를 선택한 것은 그것이 중요하기 때문인가, 아니면 보기 좋은 결과를 얻기 쉽기 때문인가? 평가는 자신의 주장을 검증할 수 있는가? 다음 연구자가 코드, 환경 설명, 파라미터, 실행 기록을 받았을 때 이번 실험을 다시 점검할 수 있는가?
이미 AI의 도움을 받아 실험 코드를 작성하기 시작했다면, 스스로 확인할 수 있는 작은 문제에서 시작할 수 있다. 먼저 목표와 제약을 쓰고, 예산과 기준선을 정한 뒤, 실행하고 비교하고 기록하며, 다음 라운드에 무엇을 보존할지 결정하는 것이다. EvoClass의 AI999 강좌 개요는 이 경로를 따라 계속 학습할 수 있는 입구를 제공한다.
처음의 그 익형 후보 집단으로 돌아가 보면, 연구의 수확은 당분간 근거 있는 취사선택의 묶음일 수 있다. 어떤 안은 보존할 가치가 있고, 어떤 안은 평가를 보충해야 하며, 어떤 방향은 더 이상 계속할 가치가 없다는 판단이다.
이 판단과 증거가 다음 실험으로 이어질 수 있을 때, 아직 충분히 좋지 않은 하나의 안은 개선을 이어 갈 출발점을 얻게 된다.
강좌 소개는 EvoClass AI999의 현재 자료에 근거하며, 기술적 배경은 본문에서 링크한 공식 프로젝트 자료를 추가로 참조했다. 익형에 관한 논의는 목표와 제약 사이의 관계를 설명하기 위한 것이며, 본문의 실험 구성은 학습 제안으로, 이 글에서 수행한 성능 평가가 아니다. 강의 링크는 중국어 간체 학습 자료를 가리킨다.