[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,91 +2,204 @@
|
||||
id: wiki-2026-0508-디지털-트윈-및-데이터-시뮬레이션
|
||||
title: 디지털 트윈 및 데이터 시뮬레이션
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [Digital Twin, IoT Visualization, Real-time Simulation]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [frontend, digital-twin, threejs, websocket, visualization]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: typescript
|
||||
framework: react-three-fiber
|
||||
---
|
||||
|
||||
# [[디지털 트윈 및 데이터 시뮬레이션|디지털 트윈 및 데이터 시뮬레이션]]
|
||||
# 디지털 트윈 및 데이터 시뮬레이션
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
디지털 트윈과 데이터 시뮬레이션은 게임 경제 설계 시 전통적인 스프레드시트의 한계를 극복하고 플레이어의 행동과 무작위성을 예측하기 위해 활용되는 핵심 기술입니다 [1, 2]. 이 기술을 통해 개발자는 코딩이나 실제 출시 없이도 가상 경제 시스템의 균형을 맞추고, 재화의 과부족 시점을 파악하며, 장기적인 플레이어 경험을 모델링할 수 있습니다 [2-4]. 출시 후에는 실제 라이브 데이터(LiveOps)를 연동하여 예측의 정확도를 높이는 '디지털 트윈'으로 기능하며, 성공적인 게임 경제의 지속 가능성을 보장합니다 [2, 5].
|
||||
## 매 한 줄
|
||||
> **"매 물리 자산의 live mirror"**. 공장 / 빌딩 / 차량을 3D로 render + 실시간 sensor stream 으로 동기화. 2026 stack: React Three Fiber + WebSocket / WebTransport + WebGPU compute + Cesium (geo).
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **스프레드시트의 한계와 시뮬레이션의 도입**: 기존의 정적인 엑셀 시뮬레이션은 수학적 평균치에만 의존하기 때문에 실제 게임에 존재하는 무작위성(Randomness)과 창발성(Emergence), 그리고 플레이어의 다양한 성향을 예측하는 데 한계가 있습니다 [2, 6]. 데이터 시뮬레이션은 이를 극복하기 위해 도입되며, 복잡한 경제 메커니즘을 시각화하고 실제 게임을 코딩하기 전에도 수만 번의 가상 플레이어 여정을 모델링하여 시스템의 무결성을 검증합니다 [3, 7, 8].
|
||||
* **몬테카를로 시뮬레이션(Monte Carlo Simulation)의 활용**: 게임 경제를 테스트하기 위해 주로 몬테카를로 시뮬레이션과 대수의 법칙(Law of Large Numbers)이 활용됩니다 [6, 9]. 이를 통해 특정 구간에서 재화가 과도하게 쌓이거나 부족해지는 시점을 포착할 수 있으며 [2], 다양한 플레이어 여정의 스펙트럼과 확률적 결과물을 분석하여 장기적인 진행 및 수익화 곡선의 균형을 잡을 수 있습니다 [4, 10, 11].
|
||||
* **라이브옵스(LiveOps) 데이터 연동과 디지털 트윈의 완성**: 출시 전 가설에 기반했던 시뮬레이션 모델은 출시 후 유니티(Unity) 애널리틱스 등에서 수집되는 실제 텔레메트리 데이터(JSON 형식 등)를 직접 주입(Ingestion)받아 구동되는 '디지털 트윈'으로 진화합니다 [2, 5]. 이렇게 동기화된 디지털 트윈은 현실과 모델 사이의 간극을 좁히고, 시간이 지남에 따라 보정되어 미래의 플레이어 행동을 정확하게 예측하는 역할을 수행합니다 [2, 5].
|
||||
* **AI 자동 밸런싱 고도화**: 최근 시뮬레이션 기술은 AI 기반 밸런서(Balancer) 시스템을 통해 더욱 발전하고 있습니다 [12]. 예를 들어 개발자가 "첫 10분 동안 플레이어가 최대 3번만 죽도록 하라"와 같은 목표를 설정하면, AI 시스템이 이를 달성하기 위해 자동으로 파라미터를 조정하며 복잡한 최적화 작업을 수행합니다 [2, 12].
|
||||
## 매 핵심
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[몬테카를로 시뮬레이션|몬테카를로 시뮬레이션]], [[라이브옵스(LiveOps)|라이브옵스(LiveOps)]], 인게임 인플레이션, 무작위성과 창발성(Randomness and Emergence)
|
||||
- **Projects/Contexts:** [[마키네이션(Machinations.io)|마키네이션(Machinations.io)]] (가상 경제를 시각적 다이어그램으로 모델링하고 디지털 트윈 및 몬테카를로 시뮬레이션을 실행할 수 있는 예측 플랫폼 [2, 8, 10])
|
||||
- **Contradictions/Notes:** 소스에 따르면, 전통적인 플레이어 단위의 게임 테스트나 단순 평균치를 계산하는 스프레드시트 모델은 게임 경제의 복잡성이나 장기적인 플레이어 행동(예: 효율적인 자원 파밍, 변칙적 선택 등)을 예측하는 데 비효율적이며 실패할 확률이 높다고 지적합니다. 이를 해결하는 필수 대안으로 무작위성이 포함된 디지털 트윈 기반 시뮬레이션의 중요성을 강조합니다 [6, 8, 13].
|
||||
### 매 디지털 트윈이란
|
||||
- 물리 system 의 software replica — sensor 로 state sync, simulation 으로 future predict.
|
||||
- 4 단계: Descriptive (현재 시각화) → Diagnostic (anomaly detect) → Predictive (forecast) → Prescriptive (optimize).
|
||||
- Use case: smart factory, BIM, fleet management, energy grid.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-29*
|
||||
### 매 frontend 책임
|
||||
- **3D rendering**: 자산 model (glTF/USD) load + scene graph.
|
||||
- **Real-time stream**: WebSocket / SSE / WebTransport 으로 sensor data.
|
||||
- **Time-series viz**: 매 chart + 3D overlay (heatmap, particles).
|
||||
- **Interaction**: select asset → 매 detail panel + control commands.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. 공장 라인 모니터링 (machine health).
|
||||
2. 빌딩 BIM + HVAC sensor.
|
||||
3. Fleet tracking (차량 GPS + telematics).
|
||||
4. Energy grid load visualization.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### React Three Fiber + glTF asset
|
||||
```tsx
|
||||
import { Canvas, useFrame } from '@react-three/fiber';
|
||||
import { useGLTF, OrbitControls } from '@react-three/drei';
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
function Factory() {
|
||||
const { scene } = useGLTF('/models/factory.glb');
|
||||
return <primitive object={scene} />;
|
||||
}
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
|
||||
- **과거 데이터와의 충돌:** 없음
|
||||
- **정책 변화:** 없음
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
export function Twin() {
|
||||
return (
|
||||
<Canvas camera={{ position: [10, 10, 10] }}>
|
||||
<ambientLight intensity={0.5} />
|
||||
<directionalLight position={[5, 10, 5]} />
|
||||
<Factory />
|
||||
<SensorOverlay />
|
||||
<OrbitControls />
|
||||
</Canvas>
|
||||
);
|
||||
}
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### WebSocket sensor stream → state
|
||||
```tsx
|
||||
import { create } from 'zustand';
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
const useSensors = create<{ sensors: Record<string, Sensor> }>(() => ({
|
||||
sensors: {},
|
||||
}));
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
function useSensorStream(url: string) {
|
||||
useEffect(() => {
|
||||
const ws = new WebSocket(url);
|
||||
ws.onmessage = e => {
|
||||
const { id, value, timestamp } = JSON.parse(e.data);
|
||||
useSensors.setState(s => ({
|
||||
sensors: { ...s.sensors, [id]: { value, timestamp } },
|
||||
}));
|
||||
};
|
||||
return () => ws.close();
|
||||
}, [url]);
|
||||
}
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Sensor heatmap on 3D mesh
|
||||
```tsx
|
||||
function SensorOverlay() {
|
||||
const sensors = useSensors(s => s.sensors);
|
||||
return (
|
||||
<>
|
||||
{Object.entries(sensors).map(([id, sensor]) => (
|
||||
<mesh key={id} position={sensor.position}>
|
||||
<sphereGeometry args={[0.2, 16, 16]} />
|
||||
<meshStandardMaterial
|
||||
color={tempToColor(sensor.value)}
|
||||
emissive={tempToColor(sensor.value)}
|
||||
emissiveIntensity={0.5}
|
||||
/>
|
||||
</mesh>
|
||||
))}
|
||||
</>
|
||||
);
|
||||
}
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
function tempToColor(t: number) {
|
||||
// 매 cold blue → hot red
|
||||
const h = (1 - Math.min(t / 100, 1)) * 240;
|
||||
return `hsl(${h}, 100%, 50%)`;
|
||||
}
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Time-series chart + 3D selection sync
|
||||
```tsx
|
||||
const [selectedAsset, setSelectedAsset] = useState<string | null>(null);
|
||||
|
||||
<Asset onClick={() => setSelectedAsset('pump-3')} />
|
||||
{selectedAsset && (
|
||||
<DetailPanel>
|
||||
<TimeSeriesChart sensorId={selectedAsset} />
|
||||
</DetailPanel>
|
||||
)}
|
||||
```
|
||||
|
||||
### WebGPU compute for particle simulation
|
||||
```ts
|
||||
// 매 air flow / thermal simulation 100k particles.
|
||||
const computeShader = `
|
||||
@group(0) @binding(0) var<storage, read_write> particles: array<vec4f>;
|
||||
@compute @workgroup_size(64)
|
||||
fn main(@builtin(global_invocation_id) id: vec3u) {
|
||||
let i = id.x;
|
||||
particles[i].xyz += particles[i].xyz * 0.01; // 매 velocity update
|
||||
}`;
|
||||
```
|
||||
|
||||
### Cesium for geo-scale twin
|
||||
```tsx
|
||||
import { Viewer, Entity } from 'resium';
|
||||
|
||||
<Viewer full>
|
||||
{fleet.map(vehicle => (
|
||||
<Entity
|
||||
key={vehicle.id}
|
||||
position={Cartesian3.fromDegrees(vehicle.lon, vehicle.lat, vehicle.alt)}
|
||||
model={{ uri: '/models/truck.glb', scale: 1.0 }}
|
||||
/>
|
||||
))}
|
||||
</Viewer>
|
||||
```
|
||||
|
||||
### Anomaly detection (client-side)
|
||||
```ts
|
||||
function detectAnomaly(values: number[]): boolean {
|
||||
const mean = values.reduce((a, b) => a + b) / values.length;
|
||||
const std = Math.sqrt(values.reduce((s, v) => s + (v - mean) ** 2, 0) / values.length);
|
||||
const last = values[values.length - 1];
|
||||
return Math.abs(last - mean) > 3 * std; // 매 3-sigma
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Indoor (factory/building) | React Three Fiber + glTF. |
|
||||
| Outdoor / geo-scale | Cesium / MapLibre 3D. |
|
||||
| < 1k sensors | WebSocket + zustand. |
|
||||
| 100k+ data points | WebGPU compute + instanced mesh. |
|
||||
| Forecasting | server-side (TimeGPT / Prophet) → push results. |
|
||||
| Safety-critical | unidirectional viz only — control via separate verified channel. |
|
||||
|
||||
**기본값**: R3F + WebSocket + zustand + recharts. WebGPU 는 particle/heatmap 만.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[3D Visualization]] · [[IoT]]
|
||||
- 변형: [[BIM]] · [[GIS]] · [[Fleet Tracking]]
|
||||
- 응용: [[Smart Factory]] · [[Energy Grid]] · [[Building Management]]
|
||||
- Adjacent: [[WebGPU]] · [[WebSocket]] · [[Three.js]] · [[Cesium]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 물리 system live mirror, 감독자 dashboard, what-if simulation.
|
||||
**언제 X**: static infographic, 매 control loop (latency-critical 은 PLC/edge).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **High-poly raw model**: 100M tri 의 CAD model 그대로 load → 매 GPU 죽음. Decimate → 100k tri.
|
||||
- **Per-sensor mesh**: 10k sensor 의 sphere 개별 mesh → 매 instanced mesh 사용.
|
||||
- **Polling**: 매 1초마다 REST GET → WebSocket / SSE.
|
||||
- **Control via twin UI**: viz 와 control 분리. 매 safety-critical 명령은 verified channel.
|
||||
- **No level of detail**: 멀리 있는 asset 도 풀 detail — LOD 필수.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (NIST digital twin definition, R3F docs, Cesium docs, WebGPU spec).
|
||||
- 신뢰도 A-.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — R3F + WebSocket + WebGPU stack |
|
||||
|
||||
Reference in New Issue
Block a user