캐나다 연구소의 GPU 시뮬레이터, 수술용 로봇 분야의 가장 큰 병목 현상을 해결하다

캐나다 연구소의 GPU 시뮬레이터, 수술용 로봇 공학의 가장 큰 병목 현상 해결에 나서

앨버타 대학교 연구진은 목요일, 수술용 로봇 공학 및 로봇 학습을 위해 특별히 개발된 배치형 GPU 시뮬레이션 엔진인 ‘CRESSim-Neo’를 소개하는 프리프린트를 발표했다. 연구진은 이 엔진이 단일 엔비디아 RTX 4090 소비자용 그래픽 카드에서 초당 200만 회 이상의 시뮬레이션 단계를 수행하며 8,192개의 병렬 훈련 환경을 실행할 수 있다고 보고했다. 이 연구는 에드먼턴에 위치한 앨버타 대학교의 ‘원격 로봇 및 생체 로봇 시스템 그룹(Telerobotic and Biorobotic Systems Group)’에서 수행되었으며, 이 그룹을 이끄는 마흐디 타바콜리(Mahdi Tavakoli) 교수는 대학의 ‘의료 로봇공학 연구 석좌교수’를 맡고 있으며, 협업 및 재활 로봇공학, 햅틱, 수술 분야를 연구하는 3개의 제휴 연구실을 운영하며, 연구용으로 사용되는 실제 다빈치 수술 시스템을 기반으로 구축된 시뮬레이션 수술실도 보유하고 있다. 이 논문은 아직 동료 심사를 완료하지 않았으며, 저자인 야페이 오우(Yafei Ou), 아나프 나힌(Ahnaf Naheen), 툴칸 무신(Tleukhan Mussin), 한스 자랄레스(Hans Jarales), 멜윈 몬시(Melwin Moncy), 타바콜리(Tavakoli)는 이를 그 자체로 새로운 수술 능력이라기보다는 시스템 및 툴링 분야의 기여로 제시하고 있다.

CRESSim-Neo는 로봇이 아닙니다. 이는 궁극적으로 로봇을 구동할 소프트웨어를 구축하고 훈련하기 위한 기반 시설이며, 기반 시설에 관한 논문은 새로운 로봇 시연이 그러하듯 헤드라인을 장식하는 경우가 드뭅니다. 하지만 이 엔진이 해결하고자 하는 구체적인 문제, 즉 기계 학습 모델이 유용한 수술 기술을 습득할 수 있을 만큼 정확하게 부드럽고 변형 가능한 인체 조직을 시뮬레이션하는 데 드는 막대한 계산 비용은, 오늘날의 원격 조종 수술용 로봇과 자율적 또는 반자율적 보조 기능으로의 의미 있는 진전을 가로막는 가장 고질적인 장애물 중 하나이며, 이 문제를 그 자체로 충분히 이해한 후에야, 소비자 대상 수술용 로봇 시장이 이에 주목해야 할지 여부를 판단할 가치가 있습니다.

산업용 로봇 시뮬레이터가 수술 분야에 적용되지 않는 이유

산업용 및 모바일 로봇 분야에서 급속한 발전을 가능하게 한 시뮬레이션 도구들, 즉

경질 창고 선반, 공장 바닥의 암, 또는 바퀴 달린 배송 로봇을 시뮬레이션하는 모델들은 인체 내부에서는 완전히 무너지게 되는 물리학적 가정을 바탕으로 구축되어 있습니다. 즉, 로봇이 상호작용하는 대부분의 물체는 경질이거나, 경질에 가까워 단순화된 물리 모델이 허용 가능한 근사치가 된다는 가정입니다. 그러나 수술 조작에는 경질 물체가 거의 등장하지 않습니다. 조직은 변형되고 찢어지며 출혈을 일으키고, 봉합사는 실을 꿰고 장력을 조절해야 하는 유연한 가닥이며, 체액은 실시간으로 주입 및 흡입되어야 하며, 수술 기구가 이 모든 요소와 상호작용하는 방식은 환자마다 해부학적 구조에 따라 달라집니다. 강체 창고 로봇 공학을 위해 구축된 시뮬레이션 엔진에는 수술용 로봇이 실제로 접촉하는 대부분의 대상에 대한 물리 모델이 아예 존재하지 않습니다. 이것이 바로 수술용 로봇 공학 연구자들이 다른 분야에서 표준으로 채택한 범용 로봇 시뮬레이터를 활용하는 대신, 역사적으로 맞춤형이며 종종 훨씬 더 느린 시뮬레이션 도구를 직접 개발해야만 했던 이유입니다.

CRESSim-Neo의 핵심 기술적 장점은 각 물질 유형별로 별도의 전문 도구를 조합하는 대신, 수술 특유의 여러 물리적 거동(강체, 변형 가능한 조직, 유체, 봉합사 및 케이블과 같은 가닥형 구조물)을 단일 GPU 기반 시뮬레이션 엔진 내에서 통합한다는 점입니다. 이 논문은 조직 조작, 유체 흡입, 봉합, 케이블 구동형 로봇 역학, 합성 초음파 영상 생성을 하나의 프레임워크 내에서 지원하며, 저자들이 ‘제로 카피(zero-copy)’ 통합이라고 부르는 Nvidia의 DLPack 데이터 교환 형식을 통한 PyTorch와의 연동 기능도 함께 설명하고 있다. 이는 시뮬레이션된 센서 및 물리 데이터를 그래픽 카드에서 복사해 다시 되돌리는 계산적으로 비용이 많이 드는 단계 없이, 기계 학습 훈련 루프로 직접 전달할 수 있음을 의미한다. 로봇 학습 파이프라인을 직접 다뤄본 적이 없는 사람에게는 이러한 데이터 복사 오버헤드가 사소한 구현 세부 사항처럼 들릴 수 있습니다. 하지만 실제로는 대량의 시뮬레이션된 센서 데이터를 이동하는 것이

훈련 과정에서 GPU와 CPU 메모리 간에 반복적으로 데이터를 주고받는 것은 수술 분야뿐만 아니라 로봇공학 전반에 걸쳐 강화 학습 연구의 속도를 저해해 온 잘 알려진 성능 병목 현상입니다.

초당 200만 스텝이 연구자에게 실제로 주는 이점

이 논문의 주요 벤치마크인, 단일 RTX 4090에서 8,192개의 병렬 CartPole 환경을 통해 달성한 초당 203만 환경 스텝이라는 수치는, 비전문가 독자에게 의미가 있으려면 먼저 그 배경을 자세히 살펴봐야 하며, 이 수치의 한계점은 수치 자체만큼이나 중요합니다. CartPole은 수십 년 전부터 사용되어 온 간단한 강화 학습 벤치마크 과제입니다. 카트 위에 균형을 잡고 있는 기둥을 제어기가 똑바로 세워야 하는 이 과제는, 시뮬레이션 비용이 저렴하여 로봇 공학 연구 전반에 걸쳐 널리 사용됩니다. 따라서 이는 수술 능력 자체를 보여주기보다는 시뮬레이션 엔진이 얼마나 많은 원시 처리량을 감당할 수 있는지를 확인하는 유용한 스트레스 테스트 역할을 합니다. 이 벤치마크는 CRESSim-Neo의 기반 엔지니어링에 대해 사실적이고 유용한 정보를 제공하며, 즉 배치형 GPU 아키텍처가 소비자용 하드웨어를 통해 방대한 양의 병렬 물리 연산 단계를 처리할 수 있음을 보여줍니다. 그러나 이 논문에서 실제 외과적 기여로 제시된, 계산 비용이 훨씬 더 많이 드는 변형 가능한 조직 및 유체 시뮬레이션을 엔진이 얼마나 빠르게 실행하는지에 대해서는 직접적으로 언급하지 않습니다. 이 논문의 더 관련성 높은 주장, 즉 엔진이 배치 처리 규모에서 조직 변형, 유체 상호작용, 초음파 감지를 동시에 유지한다는 점은, 비교 가능한 원시 처리량 수치로 벤치마킹된 것이 아니라 정성적인 주장에 그치며, 이는 현재의 프리프린트가 입증할 수 있는 범위에 실질적인 한계를 부과합니다.

이러한 한계를 인정하더라도, 원시 처리량이 연구팀에 제공하는 이점은 실험 비용을 획기적으로 절감해 준다는 점이다. 로봇 조작을 위한 강화 학습과 모방 학습은 일반적으로 모델이 견고한 행동을 개발하기까지 수백만에서 수십억 건의 시뮬레이션 훈련 에피소드가 필요하며, 단일 그래픽 카드가 실행할 수 있는 병렬 환경의 수가 한 차수 증가할 때마다

이는 훈련 주기를 단축하거나, 동일한 컴퓨팅 자원 내에서 더 많은 실험 변형, 다양한 조직 특성, 다양한 기구 형상, 다양한 작업 변형을 실행할 수 있는 능력으로 직접 이어집니다. 이전에 대규모 훈련 실험을 수행하기 위해 전용 하드웨어 랙이나 클라우드 컴퓨팅 예산이 필요했던 수술 로봇 연구실은, CRESSim-Neo의 주장이 독립적인 테스트를 통해 입증된다면, 단일 워크스테이션급 GPU만으로 동등한 수준의 실험을 수행할 수 있게 되며, 이는 이러한 연구를 수행하는 데 따르는 자본적 장벽을 획기적으로 낮춰줄 것입니다.

이 기술이 오늘날의 원격 조작 시스템보다 자율 시스템에 더 중요한 이유

인튜이티브(Intuitive)의 다빈치(da Vinci) 시스템, 메드트로닉(Medtronic)의 휴고(Hugo), CMR 서지컬(CMR Surgical)의 버시우스(Versius)와 같은 신규 진입자 등 원격 조종 플랫폼이 주도하는 상용 수술 로봇 시장은, 로봇이 독립적인 결정을 내리기보다는 외과의사의 손 동작을 실시간으로 전달하는 방식으로, 외과의사가 모든 기구의 움직임을 직접 제어하는 구조를 거의 전적으로 기반으로 하고 있습니다. 더 빠른 시뮬레이션 엔진은 이러한 유형의 시스템에는 거의 영향을 미치지 않습니다. 원격 조종 로봇의 소프트웨어는 조작 정책을 학습할 필요가 없기 때문입니다. 이 소프트웨어는 외과 의사의 손 동작을 정확하고 안전하게 전달해야 하는데, 이는 시뮬레이션 기반 강화 학습이 직접적으로 다루지 않는 근본적으로 다른 공학적 문제입니다.

시뮬레이션 처리량이 상업적으로 중요한 의미를 갖는 분야는 범위는 좁지만 빠르게 성장하고 있는 반자율적 수술 하위 작업, 자동 봉합 보조, 조직 견인, 카메라 위치 조정, 그리고 이와 유사한 범위가 한정되고 명확히 정의된 동작들입니다. 여러 수술용 로봇 기업과 학술 연구 그룹들은 외과의를 완전히 대체하기보다는 외과의사의 업무 부담을 줄이기 위한 단계로 이러한 작업들을 자동화하려고 시도해 왔습니다. 이러한 좁은 범위의 하위 작업 중 단 하나에 대해서도 신뢰할 수 있는 모델을 훈련시키려면 현재 방대한 양의 실제 조직 데이터가 필요하며, 이는 비용이 많이 들고 윤리적 제약이 따르며,

대규모로 수집하기 어렵거나, 이를 대체할 만큼 현실적이고 방대한 양의 시뮬레이션 훈련 데이터가 부족합니다. 기본적인 시뮬레이션 정확도가 보장된다면, 물리적으로 타당한 조직 조작 및 봉합 시나리오를 대량으로 저렴하게 생성할 수 있는 GPU 시뮬레이션 엔진은, 바로 이러한 반자율 수술 기능 분야의 발전을 저해해 온 데이터 부족 문제를 직접적으로 해결할 수 있습니다.

검토되지 않은 프리프린트의 솔직한 한계

이 모든 내용을 자율 수술이 임박했다는 신호로 해석해서는 안 되며, 논문 자체도 그런 주장을 하지 않습니다. CRESSim-Neo는 아직 독립적인 동료 심사를 완료하지 않은 프리프린트이며, 가장 인상적인 벤치마크 수치는 이 엔진이 실제로 구축된 수술 시나리오가 아닌 단순화된 테스트 과제를 설명하는 것이며, 시뮬레이션 정확도는 아무리 뛰어나다 하더라도, 순수하게 시뮬레이션으로 훈련된 모델이 결국 실제 해부학적 구조에 직면했을 때 안전하게 작동할 수 있도록 실제 조직의 거동을 충분히 밀접하게 재현해야 하는 훨씬 더 높은 기준을 충족해야 합니다. 이는 로봇 공학 전반에서 어려운 것으로 입증된 전이 문제이며, 창고나 공장보다 수술 환경에서 훨씬 더 큰 위험을 수반합니다. 어떠한 자율 또는 반자율 수술 기능에 대한 규제 승인을 얻기 위해서는, 강력한 시뮬레이션 성능을 입증하는 것을 훨씬 뛰어넘는 광범위한 임상 검증이 반드시 필요하며, 이는 미국 식품의약국(FDA)을 포함한 모든 의료기기 규제 기관에서 몇 달이 아닌 수년에 걸쳐 진행되는 과정입니다.

수술용 로봇 구매자와 개발자가 주목해야 할 점

병원 조달 팀의 입장에서 볼 때, 이 특정 논문은 현재 시판 중인 원격 조종 수술 플랫폼 간의 단기 구매 결정에 아무런 영향을 미치지 않습니다. 해당 시스템을 판매하는 어떤 기업도 현재 이 시뮬레이션 연구가 구현을 목표로 하는 자율적 하위 작업 기능을 제공하지 않고 있기 때문입니다. 이 논문의 더 유용한 대상은 수술 분야의 기술 및 연구개발(R&D) 팀입니다.

로봇 기업들 자체는 물론, 차세대 수술용 로봇 분야의 차별화 요소가 어디서 나올지 주시하고 있는 벤처 투자자 및 기업 개발 부서들 역시 마찬가지입니다. 현실적인 조직 조작 훈련 데이터를 대량으로 생성하는 데 드는 비용을 획기적으로 절감할 수 있다면, 현재 업계 전반에서 자동화된 수술 하위 과제의 진전을 가로막고 있는 단일 연구 단계인 현재 업계 전반에서 자동화된 수술 하위 과제의 진전을 가로막고 있는 ‘시뮬레이션 기반 정책 학습’이라는 단일 연구 단계의 비용을 낮출 수 있을 것이며, 이와 같은 학술 연구에서 설명된 최첨단 수준에 비해 내부 시뮬레이션 인프라가 현저히 뒤처진 수술용 로봇 기업은, 정의상 자동화 기능을 다른 경우보다 더 느리고 더 비싸게 훈련시키고 있는 셈이다. CRESSim-Neo가 이 분야의 표준 도구가 될지, 아니면 그 아이디어가 단순히 차세대 상용 및 오픈소스 시뮬레이션 엔진에 흡수될지는 별개로 하더라도, 이 도구가 가리키는 방향, 즉 수술에 실제로 수반되는 특정 연조직 물리학을 통합적이고 GPU 네이티브 방식으로 시뮬레이션하는 것은 도구 그 자체보다 추적할 가치가 있는 더 지속적인 신호입니다.

면책 조항: 이 기사는 일반적인 정보 제공을 목적으로 하며, 투자, 법률 또는 조달에 대한 조언을 구성하지 않습니다. 독자는 비즈니스 결정을 내리기 전에 원본 자료를 통해 세부 사항을 확인해야 합니다.