시뮬레이션 및 모델링(M&S) 분야에서 기존 모델을 재활용하는 것은 오랜 숙원이지만, 수많은 모델 중에서 특정 목적에 맞는 것을 찾아내는 일은 매우 어렵습니다. 하지만 최근 인공지능(AI) 기술, 특히 검색 기반 AI의 발전이 이러한 문제를 해결할 실마리를 제공하고 있습니다. 자연어 질의를 통해 시뮬레이션 모델을 의미론적으로 검색하는 새로운 가능성이 열린 것입니다.
최근 발표된 한 실험 연구는 데이터 표현 방식, 트랜스포머 기반 임베딩(embedding) 모델, 그리고 검색 전략이 시뮬레이션 모델 발견 성능에 미치는 영향을 심층적으로 분석했습니다. 연구팀은 다양한 질의 유형에 대해 recall@5 및 nDCG@5와 같은 표준 정보 검색 지표를 사용하여 성능을 평가했습니다. 그 결과, 데이터가 어떻게 표현되는지가 모델 검색에 매우 중요하며, 오픈소스 임베딩 모델도 높은 성능을 달성할 수 있음을 확인했습니다. 또한, 질의의 복잡성이 증가할수록 재순위화(reranking) 기법이 검색 정확도를 높이는 데 핵심적인 역할을 한다는 점도 밝혀졌습니다.
이 연구는 AI 기반 모델 발견의 중요한 기준점(baseline)을 제시하며, AI를 활용한 모델의 조합 가능성(composability)과 상호 운용성(interoperability)을 향한 진전을 이끌 것으로 기대됩니다. 시뮬레이션 모델을 효율적으로 재사용할 수 있게 되면, 새로운 시뮬레이션 개발에 드는 시간과 비용을 크게 절감할 수 있을 것입니다. 이는 복잡한 시스템을 설계하고 분석하는 다양한 산업 분야에 혁신적인 변화를 가져올 잠재력을 가지고 있습니다.