Mistral·엔비디아, 공통 물리 평가 기준 갖춘 엔지니어링 AI 추진

Mistral과 엔비디아는 10월 21일 산업 엔지니어링 협력을 발표하며 시뮬레이션, AI 모델 개발, 제품 설계를 폐쇄형 순환 구조로 연결하겠다고 밝혔다. 계획된 작업 흐름은 Mistral Large 4, 데이터 생성, 물리 모델링을 엔비디아 CUDA-X 라이브러리 및 Warp와 결합한다. 엔비디아가 함께 발표한 산업 관련 자료 역시 Mistral의 기술 활용을 시뮬레이션 가속과 엔지니어링 모델 훈련 데이터 생성을 위한 계획으로 설명한다.

프로젝트의 중요한 축은 공통 평가 기반이다. 두 회사는 물리 모델용 공개 벤치마크와 개방형 데이터셋을 개발해 연구 및 산업 팀이 같은 자료를 바탕으로 정확도와 성능을 비교하도록 할 예정이다. 컴퓨터 지원 설계를 시뮬레이션으로 전환하는 자동화 작업 흐름도 대상이다. 이런 흐름에서는 준비 과정과 최종적으로 얻은 물리 예측을 모두 평가해야 한다.

컴퓨터 지원 엔지니어링과 전자 설계 자동화의 에이전트를 위한 별도 평가도 계획한다. 실행 시간과 연산 비용에 더해 도구 사용, 여러 단계로 구성된 작업 흐름의 완료, 결과의 기술적 정확성을 살펴본다. 항공우주, 자동차, 반도체가 목표 분야로 명시됐다. 발표는 벤치마크와 통합을 공동 개발 작업으로 제시했으며, 완성된 평가 결과나 전체 엔지니어링 작업 흐름의 제공 날짜는 공개하지 않았다.

Warp는 이러한 작업에 사용할 수 있는 기존 연산 구성 요소다. 엔비디아는 이를 물리 계산, AI, 최적화를 가속하는 오픈소스 Python 프레임워크로 설명한다. Python 함수를 GPU 실행 코드로 컴파일하고 미분 가능한 시뮬레이션을 지원해, 시뮬레이션 결과의 기울기를 훈련이나 최적화로 전달할 수 있다. PyTorch 및 JAX와의 연결은 시뮬레이션 코드에 대한 세밀한 통제를 유지하면서 수치 계산을 머신러닝 처리 흐름과 결합하도록 돕는다.

데이터 생성 문제는 이번 협력 이전부터 있었다. 엔비디아의 3월 기술 글은 고충실도 물리 데이터를 생성하는 비용을 시뮬레이션 모델 훈련의 제약 요소로 설명했다. 예제에서는 Warp로 2차원 유체 해석기를 만들고, 시뮬레이션을 통과하는 미분을 최적화 과제에 사용했다. 이는 수치 물리에서 모델 훈련으로 이어지는 방법이 이미 문서화됐음을 보여주지만, 새로 발표된 Mistral 작업 흐름의 성능 측정은 아니다. 이전 예제들이 협력 전체의 가속 배수를 입증하는 것도 아니다.

계획된 Omniverse 통합은 GPU로 가속하는 3D 장면 및 SimReady 자산 생성과 관련된다. 엔비디아의 기존 SimReady 규격은 OpenUSD 기반 시뮬레이션 콘텐츠를 설명하며, 메타데이터에 의미 라벨, 센서 속성, 강체 특성, 질량 등을 포함할 수 있다. 이런 속성은 물체의 보이는 형태만으로는 알 수 없는 시뮬레이터의 필수 정보를 제공한다. 규격은 서로 다른 시뮬레이션 요구에 맞춰 자산을 설정하는 것도 허용한다. 따라서 계획된 자산 생성은 엔지니어링 환경의 시각화뿐 아니라 환경을 준비하는 과정과도 연결된다.

Mistral은 이미 5월 Emmi AI가 회사에 합류했다고 밝히면서 물리 AI 계획을 소개했다. 당시 설명은 해석기 출력에서 학습하는 모델과 시뮬레이션 데이터로 훈련한 언어 모델을 구분했다. 이런 물리 모델은 형상, 경계 조건, 측정값으로 거동을 예측한다. Mistral은 학습 모델을 반복적인 설계 탐색에 활용하는 한편, 검증과 이례적 상황에서는 기존 해석기의 역할을 유지했다. 엔비디아와의 협력은 이 기존 엔지니어링 방향에 가속 연산과 공동 평가 작업을 추가한다.

언어 모델 구성 요소와 계획된 엔지니어링 벤치마크는 공개 단계가 다르다. Mistral Large 4는 10월 6일 Mistral Studio를 통해 공개 미리 보기에 들어갔다. 모델 발표에 따르면 Mistral이 직접 운영하는 유럽 데이터센터의 엔비디아 Grace Blackwell 인프라에서 훈련했으며, 가중치는 10월 말에 공개할 계획이었다. 이번 엔지니어링 발표는 그 가중치 공개 계획이 완료됐다고 설명하지 않으며, 별도의 물리 모델이 공개됐다고 명시하지도 않았다.