26. Digital Twin 동기화와 모델 자동 생성

17편은 이렇게 끝났다 — 디지털 트윈의 시뮬레이션 모델은 한 번 만들고 끝이 아니라, 실물이 마모되고 변하면 쌍둥이도 따라 변해야 진짜 쌍둥이라고. 앞 글 25편이 트윈의 정적 구조(아키텍처와 표준)를 다뤘다면, 이 글은 동적 측면을 다룬다. 즉, 트윈을 실물과 계속 같게 유지하는 기술이다. 참고로 ISO 23247은 물리 대상과 디지털 표현 사이의 동기화(synchronization) 를 디지털 트윈 정의 자체에 포함시킬 만큼, 이것을 트윈의 본질로 본다.

문제는 두 층위로 나뉜다.

1. parameter가 변한다 — 모델의 구조는 그대로인데 공정 시간·고장률 같은 수치가 실물에서 서서히 흘러간다. 해법은 가동 중 데이터로 parameter를 계속 맞추는 온라인 보정(online calibration).
2. 구조 자체가 변한다 — 라인이 개편되어 흐름 자체가 달라지면 parameter 보정으로는 부족하다. 해법은 더 급진적인 모델 자동 생성(automated model generation).

12편의 V&V가 모델 구축 시점에 사람이 주도하는 오프라인 검증이었다면, 여기서는 그 보정 루프가 가동 중 흘러드는 데이터 위에서 자동으로 돌아야 한다는 점이 다르다.

온라인 보정 = data assimilation

먼저 parameter 층위를 정식화하자. 시뮬레이션 모델의 parameter를 $\theta$라 하자 — 예컨대 장비의 공정 시간 분포 모수, 고장률, 수율 같은 것들이다. 실물에서는 마모·환경 변화로 $\theta$가 시간에 따라 서서히 변하므로, 시점 $t$의 값 ${\theta }_t$를 추적해야 한다. 우리가 가진 것은 센서·MES에서 흘러드는 관측 스트림 $y_1,y_2,\dots$ (throughput, cycle time, 대기열 길이 등)이다. 목표는 관측이 쌓일 때마다 다음 분포를 갱신하는 것이다.

$$p({\theta }_t\mid y_{1:t})$$

이 식이 말하는 것: 단일 추정값이 아니라 “지금 parameter가 어디쯤 있을지”에 대한 확률 분포를 유지한다는 것이다. 분포를 유지하면 추정의 불확실성까지 알 수 있고, 관측이 새로 올 때마다 베이즈 규칙으로 갱신하면 된다.

이런 문제 설정을 data assimilation(자료 동화)이라 부른다. 원래 기상 예보에서 온 발상이다 — 대기 모델은 시간이 지나면 실제 날씨와 어긋나므로, 관측소·위성 데이터로 모델의 상태를 주기적으로 교정하면서 예측을 이어간다. “모델의 예측을 관측으로 계속 잡아당긴다”는 이 구도가 디지털 트윈의 동기화와 정확히 같다.

수식으로는 두 개의 식으로 이루어진 state-space model(상태공간 모델 — 숨은 상태의 전이와, 상태로부터 관측이 나오는 과정을 분리해 적는 틀)이다.

$${\theta }_t={\theta }_{t-1}+{\epsilon }_t$$

이 식이 말하는 것: parameter는 한순간에 점프하지 않고 잡음 ${\epsilon }_t$만큼씩 천천히 흘러간다(drift) 는 가정이다. ${\epsilon }_t$의 크기가 “실물이 얼마나 빨리 변한다고 믿는가”를 표현한다.

$$y_t\sim p(y_t\mid {\theta }_t)$$

이 식이 말하는 것: parameter가 ${\theta }_t$일 때 관측 $y_t$가 나올 그럴듯함(likelihood)인데, 디지털 트윈에서는 이 분포를 시뮬레이션 모델 자체가 정의한다. “parameter를 ${\theta }_t$로 놓고 시뮬레이션을 돌리면 어떤 출력이 나오는가”가 곧 likelihood다. 닫힌 수식이 없어도 시뮬레이션을 실행해서 평가할 수 있다는 점이 핵심이다.

두 식을 베이즈 규칙으로 엮으면 갱신 재귀가 나온다.

$$p({\theta }_t\mid y_{1:t})\propto p(y_t\mid {\theta }_t)\int p({\theta }_t\mid {\theta }_{t-1})p({\theta }_{t-1}\mid y_{1:t-1})d{\theta }_{t-1}$$

이 식이 말하는 것: 두 단계의 반복이다. 적분 부분은 예측(predict) — 어제까지의 믿음을 drift 모델로 한 걸음 퍼뜨린다(불확실성이 늘어난다). 앞의 $p(y_t\mid {\theta }_t)$는 교정(update) — 오늘의 관측과 잘 맞는 $\theta$ 쪽으로 믿음을 다시 좁힌다. 트윈이 “실물을 따라가는” 메커니즘이 바로 이 늘었다 좁혔다의 반복이다.

particle filter로 푸는 이유

문제는 저 적분이다. 시뮬레이션이 likelihood를 정의하는 상황에서는 적분을 해석적으로 풀 수 없다. 그래서 대표적인 접근이 particle filter(입자 필터 — 분포를 수식 대신 가중치 붙은 표본들의 집합으로 근사하는 순차 Monte Carlo 방법)다. 1990년대 초에 제안된 이래 항법·표적 추적·로보틱스 등에서 비선형·비가우시안 상태 추정의 표준 도구로 자리 잡은 방법이다. 5편에서 적분·기대값을 무작위 표본으로 추정했던 그 발상을, 시간에 따라 순차적으로 반복하는 것이다.

parameter 가설 입자 $N$개와 가중치의 집합 $\{({\theta }_t^{(i)},w_t^{(i)}){\}}_{i=1}^N$을 유지한다. 관측 $y_t$가 들어오면 먼저 각 입자를 drift 모델대로 한 걸음 옮기고(${\theta }_t^{(i)}={\theta }_{t-1}^{(i)}+{\epsilon }_t^{(i)}$ — 위 재귀의 예측 단계에 해당), 이어서 가중치를 갱신한다.

$$w_t^{(i)}\propto w_{t-1}^{(i)}p\left(y_t|{\theta }_t^{(i)}\right),{\hat{\theta }}_t=\sum _{i=1}^N{w}_t^{(i)}{\theta }_t^{(i)}$$

이 식이 말하는 것: 각 입자는 “parameter가 이 값일 것”이라는 하나의 가설이고, 입자마다 그 parameter로 시뮬레이션을 돌려 출력을 실제 관측과 비교한다. 관측과 잘 맞는 입자는 가중치가 커지고, 안 맞는 입자는 작아진다. 가중 평균 ${\hat{\theta }}_t$가 현재의 parameter 추정치다. 시간이 지나며 소수 입자에 가중치가 쏠리면(degeneracy), 가중치에 비례해 입자를 다시 뽑는 resampling으로 표본을 갱신한다 — 4편에서 다룬 분포 샘플링이 그대로 쓰이는 지점이다.

이 접근이 시뮬레이션 기반 디지털 트윈에 잘 맞는 이유는 분명하다. 모델을 미분하거나 수식으로 풀 필요 없이, “실행할 수 있다”는 것만으로 보정이 된다. 실제로 Hu & Yan (WSC 2024)는 particle filter 기반 data assimilation으로 시뮬레이션 디지털 트윈의 여러 모델 parameter를 동시에 온라인 추정하는 사례 연구를 제시했다.

간단한 예로 감을 잡자. 어떤 장비의 처리 시간 평균이 마모 때문에 5.0분에서 몇 주에 걸쳐 5.6분으로 서서히 늘고 있다고 하자. 오프라인 모델은 여전히 5.0분으로 돌면서 cycle time을 낙관적으로 예측할 것이다. particle filter 트윈이라면 — 예컨대 평균 4.8, 5.0, 5.2, …, 6.0분짜리 입자들을 유지하면서 — 매 시간 관측되는 실제 cycle time과 각 입자의 시뮬레이션 출력을 비교해, 가중치가 점점 5.5~5.7분 입자 쪽으로 옮겨 간다. 사람이 “모델이 안 맞네”라고 알아채기 전에 추정치가 실물을 따라가는 것이다.

동기화 주기와 fidelity의 트레이드오프

그렇다면 얼마나 자주, 얼마나 정교한 모델로 동기화해야 할까. 여기에는 정답이 하나로 정해진 공식은 없지만, 일반적으로 다음의 긴장 관계가 성립한다.

• 동기화 주기를 짧게 할수록 실물 추적은 정확해지지만, 계산·통신 비용이 커진다. 매 갱신마다 입자 수만큼 시뮬레이션을 돌려야 한다는 점을 떠올리면 비용의 출처가 분명하다.
• 모델 fidelity(충실도 — 모델이 실물의 세부를 얼마나 정교하게 담는가)를 높일수록 1회 보정에 드는 시뮬레이션 비용이 커져, 역설적으로 실시간성이 떨어진다. 가장 정교한 모델이 가장 좋은 트윈이 아닐 수 있다는 뜻이다.

그래서 실무에서 흔한 패턴은 용도별로 주기와 fidelity를 다르게 가져가는 것이다. 제어·모니터링처럼 빠른 반응이 필요한 용도에는 짧은 주기 + 가벼운 모델을, 생산 계획이나 정책 학습(예: 강화학습 환경)처럼 깊은 분석이 필요한 용도에는 느린 주기 + 무거운 모델을 쓴다. 결과적으로 “하나의 트윈”이 아니라, 같은 실물을 바라보는 fidelity가 다른 모델 패밀리를 운영하게 된다. 25편에서 본 “fit for purpose”(목적에 맞는 디지털 표현)라는 표준의 문구가 실무에서 이런 모습으로 나타나는 셈이다.

모델 자동 생성: 모델을 데이터에서 뽑아내기

온라인 보정은 모델의 구조는 맞다고 전제하고 parameter만 맞춘다. 하지만 라인이 개편되고 장비가 추가되고 흐름이 바뀌는 공장에서는 구조 자체가 낡는다. 수작업으로 만든 시뮬레이션 모델은 완성되는 순간부터 낡기 시작하는데, 이를 model obsolescence(모델 노후화)라 부른다. 여기서 더 급진적인 질문이 나온다 — “모델을 사람이 만들지 말고, 데이터에서 자동으로 뽑아내면 안 되나?”

다행히 공장에는 재료가 이미 있다. MES와 장비가 남기는 이벤트 로그 — “어느 lot이, 언제, 어느 공정/장비를 지났는가”의 기록이다. 예를 들면 이런 식이다.

lot_id  activity      timestamp
L001    ETCH-01 시작   09:00:12
L001    ETCH-01 종료   09:07:45
L001    CLEAN-02 시작  09:11:03
L002    ETCH-01 시작   09:08:10
...

이 로그에서 시뮬레이션 모델을 뽑아내는 파이프라인은 대략 다음과 같다.

1. Process discovery — process mining(이벤트 로그에서 실제 업무·공정 흐름을 자동으로 발견·분석하는 데이터 분석 분야)의 핵심 기법으로, 로그로부터 “어떤 공정 다음에 어떤 공정이 오는가”의 흐름 구조(Petri net이나 material flow 그래프)를 자동 발견한다.
2. DES 모델 변환 + parameter 적합 — 발견된 흐름 구조를 DES 모델(station, queue, routing)로 변환하고, 각 공정의 처리 시간 분포 등을 로그 데이터로 적합한다. 이 단계가 바로 10편의 input modeling이다 — 히스토그램을 그리고, 분포 가족을 고르고, MLE로 모수를 추정하고, 적합도를 검정하는 그 절차가 자동 파이프라인 안에 그대로 들어간다.
3. 검증·튜닝 — 생성된 모델이 로그의 실제 성능(cycle time, throughput)을 재현하는지 확인한다. 12편의 historical validation이 자동화된 형태다.

대표 연구가 Lugaresi & Matta (2021)다 (Journal of Manufacturing Systems, 오픈액세스). 이벤트 로그에서 제조 시스템의 material flow 그래프를 발견하고, 이를 DES 기반 디지털 트윈으로 자동 생성하는 방법을 제시했다.

이것이 왜 중요한가. 자동 생성이 가능하면 자동 재생성도 가능하기 때문이다. 라인이 바뀌면 최신 로그로 모델을 다시 뽑으면 된다 — 트윈 유지보수의 병목이었던 “모델을 실물에 맞게 고치는 사람 손”이 루프에서 빠지고, model obsolescence 문제가 구조적으로 완화된다. 온라인 보정이 parameter 수준의 동기화라면, 자동 재생성은 모델 구조 수준의 동기화인 셈이다.

이 방향은 이제 하나의 연구 흐름으로 자리 잡았다. WSC 2024의 논문 “Process Mining as Catalyst of Digital Twins for Production Systems”는 process mining과 디지털 트윈 결합의 과제와 연구 기회를 정리했고, 최근에는 LLM으로 DES 모델 생성을 시도하는 연구 (Journal of Manufacturing Systems, 2026)까지 등장했다 — 로그와 구조화된 데이터뿐 아니라 자연어로 된 공정 기술(description)에서도 모델을 뽑아내려는 시도다.

정리

• 디지털 트윈을 트윈답게 만드는 것은 동기화다 (ISO 23247은 이를 정의에 포함한다). 동기화는 parameter 수준(온라인 보정)과 구조 수준(모델 자동 재생성)으로 나뉜다.
• 온라인 보정은 data assimilation 문제다: drift하는 parameter ${\theta }_t$를 관측 스트림으로 추적하며 $p({\theta }_t\mid y_{1:t})$를 갱신한다. 시뮬레이션이 likelihood를 정의하므로 particle filter — parameter 가설 입자마다 시뮬레이션을 돌려 관측과 맞는 입자에 가중치를 주는 방법 — 가 잘 맞는다 (Hu & Yan, WSC 2024).
• 동기화 주기 ↑ → 정확도 ↑, 비용 ↑ / fidelity ↑ → 1회 보정 비용 ↑ → 실시간성 ↓ 의 트레이드오프 때문에, 실무에서는 용도별로 fidelity가 다른 모델 패밀리를 운영한다.
• 모델 자동 생성은 이벤트 로그 → process discovery → DES 변환 + input modeling → 검증의 파이프라인으로 모델을 데이터에서 뽑아낸다 (Lugaresi & Matta, 2021). 자동 재생성은 model obsolescence를 구조적으로 완화하며, process mining·LLM과의 결합으로 연구가 이어지고 있다.

다음 글 27편에서는 디지털 트윈의 최신 트렌드를 살펴본다.

참고문헌

• X. Hu, M. Yan, “Data Assimilation for Online Calibration of Simulation Digital Twin — A Case Study with Multiple Model Parameters,” Proc. Winter Simulation Conference (WSC), 2024. PDF / DOI: 10.1109/WSC63780.2024.10838855
• G. Lugaresi, A. Matta, “Automated manufacturing system discovery and digital twin generation,” Journal of Manufacturing Systems, 59, pp. 51–66, 2021. DOI: 10.1016/j.jmsy.2021.01.005 / 오픈액세스 (HAL)
• G. Lugaresi et al., “Process Mining as Catalyst of Digital Twins for Production Systems: Challenges and Research Opportunities,” Proc. Winter Simulation Conference (WSC), 2024. ACM DL / IEEE Xplore
• “LLM-driven discrete-event simulation: A generative AI framework for automated model generation, adaptation, and evaluation in manufacturing,” Journal of Manufacturing Systems, 2026. ScienceDirect
• ISO 23247-1:2021, Digital twin framework for manufacturing — Part 1: Overview and general principles. ISO