공정 설계 엔지니어는 납땜 전 열 프로파일을 바꿔 휨을 줄이고 싶어 한다. 현장 검사자는 이미 나온 불량의 표면과 내부 원인을 빨리 연결하고 싶어 한다. 같은 디지털 트윈이라도 두 사람에게 필요한 출력은 다르다.
OMRON은 VT-X 계열 검사 데이터와 NVIDIA Omniverse·Metropolis를 결합한다고 발표했다. 세부 일본어 자료는 Omniverse 물리 시뮬레이션, AOI·AXI 데이터 정합, VSS와 VLM·Graph RAG 기반 질의 응답을 설명한다. 개발 발표를 실제 양산 불량률 개선으로 읽기 전에 각 역할과 검증 계약을 분리해야 한다.
먼저 예방·원인분석·교육 중 무엇을 고르는지 정한다
OMRON의 공식 영어 발표는 VT-X 보드 검사 시스템을 NVIDIA Omniverse와 Metropolis 라이브러리에 연결해 기판 휨을 물리적으로 시각화하고 AI 진단을 지원한다고 요약한다. 그러나 현장 문제는 하나가 아니다.
열을 가하기 전에 휨을 예측하려면 물리 시뮬레이션이 필요하고, 표면 이상과 내부 기포의 관계를 찾으려면 AOI와 AXI 데이터의 공간 정합이 필요하다. 초보자가 원인을 묻고 과거 사례를 찾으려면 영상·언어 검색 계층이 필요하다. 어떤 단계의 의사결정을 줄일지 먼저 정해야 ROI를 평가할 수 있다.
VT-X의 3D X선 데이터가 공통 바닥이다
OMRON의 PCB 검사 시스템 페이지는 VT-X750과 VT-X700·900 같은 3D CT X선 검사 장비를 소개한다. AOI가 표면의 3D 형상을 보고 AXI가 외부에서 보이지 않는 납땜·내부 구조를 보는 관계다.
디지털 트윈은 검사 장비를 대신하는 가상 카메라가 아니다. 실제 장비가 만든 표면·내부 데이터와 공정 조건을 같은 좌표계에 놓고, 변형과 원인 후보를 탐색하는 계층이다. 원본 데이터의 보정과 좌표 정합이 틀리면 시각화가 정교해도 결론은 틀릴 수 있다.
Omniverse와 검사 AI를 역할별로 비교한다
OMRON의 상세 일본어 발표는 세 흐름을 적었다. 첫째, Omniverse 라이브러리로 부품 변형과 변형에 저항하는 힘을 물리 시뮬레이션해 휨을 시각화한다. 둘째, AOI의 3D 표면 데이터와 AXI의 3D-CT 내부 데이터를 겹쳐 표면 이동과 내부 기포 같은 관계를 찾는다. 셋째, NVIDIA VSS, VLM, Graph RAG를 조합해 자연어 질문에 과거 유사 사례와 원인 지식을 돌려준다.
| 계층 | 잘 맞는 질문 | 출력 | 증명하지 않는 것 |
|---|---|---|---|
| Omniverse 물리 시뮬레이션 | 열 프로파일을 바꾸면 휨이 어떻게 달라질까 | 가상 변형·힘·시간 변화 | 실제 공정에서 불량이 사라짐 |
| AOI·AXI 공간 정합 | 표면 이동과 내부 결함이 연결되는가 | 겹쳐진 3D 표면·내부 구조 | 원인이 자동 확정됨 |
| VSS·VLM·Graph RAG | 이 휨과 비슷한 과거 사례는 무엇인가 | 유사 이미지·설명·원인 후보 | 숙련자 승인과 공정 변경 대체 |
| 현장 VT-X 검사 | 현재 기판이 기준을 통과했는가 | 측정·판정 데이터 | 모든 미래 변형 예측 |
숨은 비용은 데이터 정합과 변경관리에서 생긴다
AOI와 AXI가 같은 기판을 보더라도 해상도, 시야, 촬영 시점, 좌표계가 다르다. 부품 ID와 공정 이력을 맞추고 데이터 보존 기간을 정해야 한다. 잘못 정합된 내부 기포와 표면 이동을 인과로 보여주면 엔지니어는 엉뚱한 공정 조건을 바꿀 수 있다.
표면 이동과 내부 기포가 같은 위치에서 자주 함께 보인다는 사실만으로 어느 쪽이 원인이라고 말할 수는 없다. 소재, 리플로 온도, 부품 로트 같은 숨은 변수를 고정한 공정 실험이나 파괴검사로 원인 가설을 확인해야 한다. 디지털 트윈은 가설 순서를 줄일 수 있지만 인과관계를 자동 증명하는 도구는 아니다.
| 운영 계약 항목 | 받아야 할 내용 | 누락 시 위험 |
|---|---|---|
| 데이터 스키마 | 기판·부품 ID, 좌표, 단위, 보정 버전 | 다른 기판 데이터가 섞임 |
| 모델·물리 버전 | 재료 상수·학습 데이터·변경 이력 | 같은 입력의 결과가 조용히 바뀜 |
| 질의 응답 | 근거 이미지·출처·불확실성 표시 | 그럴듯한 원인 설명을 사실로 채택 |
| 공정 변경 | 승인자·시험 로트·롤백 기준 | AI 제안을 즉시 양산에 반영 |
| 장애 지원 | VT-X·NVIDIA·통합사별 소유 구간 | 문제 원인을 서로 넘김 |
초기 현장과 성숙 현장은 다른 기능부터 시작한다
과거 AOI·AXI 데이터가 잘 정리되지 않은 현장은 자연어 에이전트보다 데이터 ID와 좌표 정합부터 시작해야 한다. 불량 분류와 공정 이력이 안정적으로 쌓인 현장은 유사 사례 검색을 붙여 숙련자 탐색 시간을 줄일 수 있다.
열 프로파일과 소재 변형을 조정하는 설계 조직은 물리 시뮬레이션을 별도 검증할 가치가 있다. 가상 시운전과 디지털 트윈의 차이처럼 가상 모델의 타당성 범위와 실제 라인 시험을 연결한다. 검사 장비를 대체한다기보다 실험 순서를 좁히는 도구로 보는 편이 맞다.
양산 적용 전에는 세 종류의 정답을 따로 만든다
첫째는 측정 정답이다. 동일 기판을 반복 촬영했을 때 AOI·AXI 좌표와 휨 값이 얼마나 일관적인지 본다. 둘째는 원인 정답이다. 내부 기포와 표면 이동의 관계를 파괴 검사나 공정 실험으로 확인한다. 셋째는 업무 정답이다. AI 제안으로 분석 시간이 줄었는지, 잘못된 공정 변경이 늘지 않았는지 본다.
- 공정 온도·소재·기판 로트별 휨 예측 오차 분포
- AOI와 AXI 공간 정합의 평균이 아닌 최악 오차
- VLM 답변에 근거 이미지·이력·불확실성이 함께 나오는지
- 초보자와 숙련자의 원인분석 시간·오류 차이
- AI 제안 거부·공정 롤백·모델 버전 변경이 감사 로그에 남는지
시뮬레이션 검증은 합성 조건과 실제 라인 데이터를 나눠 진행한다. 합성 데이터로 극단 온도·소재 조합을 넓게 훑은 뒤 실제 시험 로트에서 오차를 재고, 엔지니어가 AI 설명만 본 경우와 원본 검사 데이터까지 본 경우의 판단 차이도 확인한다. 로봇 VLA 평가 기준에서처럼 평균 정답률만 보지 않고 실패 분포와 사람 개입을 나누면 답변 속도 향상과 잘못된 확신 증가를 동시에 볼 수 있다.
현재 발표는 개발 방향과 세 가지 기술 흐름을 보여준다. 독립된 양산 불량률, 수율, 분석 시간 개선 수치가 공개되기 전에는 ‘혁신’이라는 표현을 현장 성과 수치로 바꾸지 않는다.
독자가 이어서 묻는 질문
처음 도입한다면 디지털 트윈과 AI 에이전트 중 무엇부터 시작하나?
AOI·AXI 데이터의 기판 ID, 좌표, 보정, 공정 이력이 안정적인지 먼저 확인한다. 정합이 불안하면 시각화와 자연어 답변 모두 잘못된 데이터를 빠르게 설명할 뿐이다. 데이터 기반이 갖춰진 뒤 유사 사례 검색이나 물리 시뮬레이션을 목적에 맞춰 붙이는 편이 낫다.
어떤 현장에서는 이 접근을 미뤄야 하나?
측정 반복성이 낮거나 파괴검사·공정 실험으로 원인을 확인할 방법이 없고, AI 제안을 승인·롤백할 품질 절차도 없다면 미루는 편이 맞다. 먼저 검사 장비의 기준선과 변경관리부터 안정화해야 한다.
자료 최종 확인: 2026년 8월 25일