KAIST 기계공학과 이강택 교수 연구팀은 실제 소재 내부 구조를 그대로 담아내는 기가-복셀(Giga-Voxel) 기반 디지털 트윈 기술을 개발했다고 밝혔다. 이 기술은 수십 억 개 이상의 복셀(voxel)을 활용해, 복합소재의 섬유 분포부터 중·거시 규모 수준의 계층적 형상까지 4자릿수 이상의 길이 스케일을 정밀하게 연결해 표현할 수 있다.

본 연구에서는 데이터 기반 이미지 모델 생성 기능을 갖는 디지털 트윈 기술이 활용되었다. 디지털 트윈은 현실 사물의 3D 가상모델을 만드는 기술로, 실제 미세구조를 고충실도로 표현할 수 있을 뿐만 아니라 현실과 가상모델 간 정형·비정형 정보를 양방향 동기화 가능한 장점을 갖고 있다. 고해상도 3D 이미지 데이터를 바탕으로 인공지능이 소재 내부 섬유의 길이·각도·분포 등 미세구조 특성을 데이터화하고, 이를 기반으로 디지털 유닛 트윈이라는 개별 정체성을 갖는 가상의 기본 블록을 생성한다. 이 블록을 쌓아 올리는 상향식(bottom-up) 조립 방식을 통해 기존 모델링 기술로는 불가능했던 실제와 동일한 다중스케일 구조 재현이 가능해졌다. 연구팀은 이를 바탕으로 3D 프린팅으로 제작한 계층적 이방성 구조물(알파벳 문자 및 성(castle) 구조)을 디지털로 완벽 복제하고, 실제 제작 과정에서 발생하는 미세구조 상의 열수축·변형·응력 집중특성을 정량/정성적으로 예측하는 데 성공했다. 특히, 기존 방식은 단일 스케일에 국한되어 중·거시 형상에서 미세구조적 특징을 파악하기 어려웠으나, 이번 기술은 미세 결함·섬유-매트릭스 계면 응력까지 하나의 중·거시 모델에서 모두 분석할 수 있다는 점에서 혁신적이다. 이강택 교수는 “나노·마이크로 구조까지 포함해 중·거시 계층적 구조물을 빠르고 정확하게 분석할 수 있어, 복합소재 산업 전반의 설계·검증·예측 체계에서 대전환을 이끌 기술일 것”이라고 말했다. 해당 기술은 향후 에너지·항공·우주용 고성능 복합소재 설계 및 중·거시 구조물 균열 조기 진단 등 다양한 산업에 적용되어 개발 공정 단축과 안전성 향상을 동시에 달성할 수 있을 것으로 기대된다. 이번 연구는 국제 학술지 ‘어드벤스드 머터리얼스(Advanced Materials)’에 11월 24일 자 온라인으로 게재되었다. ※ 논문명: Giga-Voxel Multiscale Composite Architecture Mirrored Through a Data-to-Model Closed-Loop Digital Twin DOI: https://doi.org/10.1002/adma.202510559 본 연구는 과학기술정보통신부·한국연구재단(RS-2023-00247245, RS-2022-NR068258), 산업통상자원부·한국산업기술진흥원(P0017120), 과학기술정보통신부의 이노코어 프로그램(N10250154)의 지원을 받아 수행되었다.

A research team led by Prof. Kang Taek Lee from the Department of Mechanical Engineering at KAIST, has developed a giga-voxel digital twin framework capable of faithfully mirroring the hierarchical architecture of real composite materials. By leveraging billions of voxels, the proposed approach seamlessly connects hierarchical structures spanning more than four orders of magnitude in length scale—from microscale microstructures to meso- and macro-scale architectures. In this study, a data-to-model closed-loop digital twin was implemented by harmoniously integrating top–down image-based modeling and bottom–up data-driven generation. High-resolution 3D image data obtained from X-ray tomography are analyzed using computer vision and artificial intelligence to characterize statistical geometric attributes of the microstructure, including fiber length, orientation, distribution, and interfacial features. Based on these data, digital unit twins—each endowed with a unique identity through random seed generation—are created as fundamental building blocks. These unit twins are then hierarchically assembled through a bottom-up process to construct giga-voxel-scale digital architectures while preserving intrinsic microstructural identity. Using this framework, the research team successfully generated high-fidelity digital twins of 3D-printed hierarchical and anisotropic structures, including meso-scale text characters and a giga-voxel-scale castle architecture. The digital twins accurately reproduced the physical counterparts and enabled quantitative and qualitative prediction of process-induced thermal shrinkage, local deformation, and microscale fiber–matrix interfacial stress concentrations occurring during fabrication. Unlike conventional single-scale modeling approaches, the proposed method allows micro-defects, interfacial stresses, and global structural responses to be analyzed simultaneously within a single multiscale model. Prof. Kang Taek Lee stated, “This giga-voxel digital twin framework enables rapid and accurate analysis of hierarchical architectures from the microscale to the macroscale. It represents a paradigm shift in the design, verification, and predictive analysis of composite materials.” The technology is expected to find broad applications in energy, aerospace, and space industries, supporting accelerated development processes, early-stage degradation diagnosis, and enhanced structural safety. This research was published online on November 24 in Advanced Materials under the title “Giga-Voxel Multiscale Composite Architecture Mirrored Through a Data-to-Model Closed-Loop Digital Twin.” DOI: https://doi.org/10.1002/adma.202510559 This study was supported by the National Research Foundation of Korea (NRF) grant funded by the Korean government (MSIT) (RS-2023-00247245, RS-2022-NR068258). This work was also funded and conducted under the “Competency Development Program for Industry Specialists” of the Korean Ministry of Trade, Industry, and Energy (MOTIE) (P0017120). This work was also supported by the InnoCORE program of the Ministry of Science and ICT (N10250154).