AI가 PCB 설계를 혁신하는 방법: 종합 가이드

이제 여러분이 좋아하는 머신러닝, 최적화, 생성형 AI 알고리즘이 PCB 설계 프로그램에도 도입되고 있습니다. ChatGPT가 대중화되고 Claude, LLaMa 등 경쟁사들의 GPT 대체 기술이 개발됨에 따라, EDA 스타트업들도 PCB 설계자와 엔지니어들의 생산성을 높이기 위해 이러한 도구를 어떻게 활용할 수 있을지 주목하고 있습니다. 자동화와 AI가 다양한 산업에 영향을 미친 지금, PCB 설계도구에 AI가 접목되는 것은 시간문제였습니다.

인공지능(AI)은 인쇄회로기판(PCB) 기술을 포함한 여러 산업에 혁신을 불러일으키고 있습니다. PCB의 레이아웃 및 설계를 최적화하는 것부터, 표면 실장 제조 공정을 향상시키는 데 이르기까지, AI는 특히 효율성과 정밀성 측면에서 게임 체인저 역할을 하고 있습니다.

제조 공정에 AI를 활용하면 품질 향상, 생산 시간 단축, 비용 절감, 오류 최소화 등의 이점을 얻을 수 있습니다. AI가 회로 기판 기술을 어떻게 획기적으로 변화시키고 있는지 궁금하시다면, 아래에서 자세히 확인해보세요.

PCB 설계에 AI가 적용되는 분야

PCB 설계는 회로 설계부터 레이아웃, 생산 준비에 이르기까지 다양한 작업을 포함합니다. 2023년 현재, 모든 엔지니어링 및 PCB 설계 작업을 하나의 시스템으로 처리할 수 있는 통합 솔루션은 존재하지 않지만, 설계 및 제조 분야에서 사용 가능한 AI 도구의 범위는 이미 매우 인상적입니다.

부품 선택 및 설명: 정확도는 도구마다 상이하지만, 플러그인은 특정 정보나 데이터시트를 제공하는 데 유용합니다. 수백만 개의 부품이 존재하기 때문에, 태그가 달린 데이터 기반의 AI 공급망 시스템은 부품 선택을 크게 개선할 수 있습니다.

기초 계산: 공식이 기억나지 않을 때, ChatGPT에 계산식이나 예제를 직접 요청해 활용할 수 있습니다.    

데이터시트 질의 (플러그인 활용): 인터넷 검색 기능을 통해 데이터시트 URL을 챗봇에 전달하면, 다른 명령어에 이 정보를 직접 사용할 수 있습니다.

특히 전자 설계자와 PCB 설계자에게 가장 유용한 기능은 데이터시트 분석입니다. 생성형 AI 플랫폼의 활용 범위를 획기적으로 넓혀주는 핵심 포인트입니다.

미래 전망: CAD 데이터 자동 생성

저는 여전히 PCB 설계에서 AI의 미래는 CAD 데이터의 직접 생성에 있다고 생각합니다. 이는 PCB 레이아웃을 포함하여, 구성 요소의 생성형 배치(예: Rooms 기능을 활용한 그룹 배치)와 기계적, 열적, 사용자 경험(UX) 요구사항에 따라 중요 위치에 자동 배치하는 기능을 포함할 수 있습니다. 구성 요소가 생성형 또는 수동으로 배치된 후에는, AI 기반 자동 라우터가 작동하여 설계의 특정 부분을 자동으로 배선합니다. 마지막으로, 사람의 개입방식을 통해 출력 결과를 검증함으로써, 강화 학습이 가능해지고, 최상의 결과만이 훈련 데이터셋에 포함되어 모델의 지속적인 향상이 이루어집니다.

제 의견뿐만 아니라 여러 스타트업들의 의견에 따르면, 강화 학습 방식은 AI 기반 PCB 설계 모델을 구축하는 데 가장 적합한 접근 방식입니다. PCB 레이아웃 내의 모든 설계 요소는 데이터로 연결되거나 분류될 수 있는 특성을 가지므로, 이는 AI 모델을 학습시키는 데 사용될 수 있습니다.

AI 기반 PCB 설계는 두 가지 구성 요소로 이루어집니다: 모델 구축과 설계 최적화.

모델 구축은 PCB 레이아웃 내의 요소들(부품 배치, 배선 등)과 다음과 같은 설계 성능 지표 간의 관계를 수치화한 모델을 생성하는 것입니다:

• 전력 무결성 사양
• 신호 무결성 사양
• 전력 출력/소비
• 설계에 포함된 인터페이스 유형

각 레이어의 활용 방식

디자인에 태깅을 많이 적용할수록 더욱 효과적입니다. 가장 중요한 프론트엔드 작업은 설계를 분류하고 태그를 적용하여 학습 데이터가 특정 설계 도메인에 일관되게 유지되도록 하는 것입니다. 예를 들어, 스위칭 전원 공급장치 레이아웃을 생성하려면 싱글보드 컴퓨터를 학습 데이터로 사용해서는 안 됩니다!

특정 PCB 도메인에 대한 생성 모델이 구축되면, 시스템은 CAD 데이터를 생성할 수 있고, PCB 설계자가 이를 검토하여 부품 배치, 배선, 제약 조건 및 기구 형상을 확인할 수 있습니다. 수동으로 설계를 조정한 후에는 다시 학습 세트에 포함시킬 수 있습니다. 다음은 강화 학습 방식에서 모델링과 최적화를 통합하는 방법 중 하나입니다.

트레이닝: 데이터가 학습 데이터셋에 입력되어 PCB 레이아웃의 특정 측면에 대한 예측 모델을 구축하는 데 사용됩니다. 이 측면은 회로 블록의 배치, 레이어 스택업, 배선 결정 또는 기타 기능일 수 있습니다.

생성된 PCB 데이터: 이 모델은 PCB 설계자가 지정한 제약 조건(PDB 설계 규칙)을 준수하려고 시도하는 CAD 데이터를 생성하는 데 사용될 수 있습니다. 여기에는 부품 배치 또는 배선이 포함됩니다.

인간 평가: 디자이너는 결과물이 제약 조건을 준수하고 제조 가능성을 충족하는지 확인하기 위해 결과를 다시 검토해야 합니다. 이 과정에는 수동 검사나 시뮬레이션 등이 포함될 수 있습니다.

디자인이 생성되고, 평가되고, 수정된 후 승인되면, 이를 다시 학습 데이터로 포함시킬 수 있습니다. 이와 같은 강화 학습 프로세스를 통해 생성 모델은 수용 가능한 설계를 기반으로 지속적으로 업데이트되고 정밀하게 조정됩니다.

이러한 설계 도구와 워크플로우가 발전함에 따라, 우리는 AI 기반 PCB 설계라는 새로운 세계로 여러분을 안내할 준비가 되어 있습니다. 어떤 제품을 설계하고 구축하든지, 반드시 Altium Designer®의 완전한 PCB 설계 기능을 활용하십시오. 오늘날의 다학제 협업 환경을 구현하기 위해, 혁신적인 기업들은 Altium 365™를 사용하여 설계 데이터를 쉽게 공유하고 프로젝트를 제조 단계로 원활히 전환하고 있습니다.

우리는 아직 Altium Designer와 Altium 365의 무한한 가능성의 일부분만을 탐색했을 뿐입니다. 지금 바로 Altium Designer + Altium 365 무료 체험판을 시작해 보세요.

내 보드 설계 프로세스에 AI를 도입해야 할까?

모든 기술 및 혁신과 마찬가지로, 이러한 기술을 언제, 그리고 도입해야 할지에 대한 결정은 매우 중요합니다. 특히 AI의 효과가 과장되어 전달되는 경우가 많기 때문에, 실제로 PCB 설계에 AI를 도입하는 것의 장단점을 명확히 이해하는 것이 필요합니다. AI를 PCB 설계 프로세스에 통합하면 효율성, 정확성, 그리고 혁신성이 향상될 수 있습니다.

AI 기반 도구는 부품 배치, 배선 최적화, 설계 규칙 검사(DRC) 등을 지원하여 설계 시간을 단축하고 인간 오류를 줄여줍니다. 머신러닝 알고리즘은 방대한 과거 설계 데이터를 분석하여 **최적의 레이아웃을 제안하고 신호 무결성(SI)**을 향상시킬 수 있습니다.

또한 AI는 열 관리, 전력 분배, 제조 최적화 등에도 도움을 줍니다. 설계 초기 단계에서 잠재적인 문제를 예측함으로써 시간과 비용을 절감할 수 있습니다. AI로 구동되는 자동 설계 도구는 다양한 레이아웃 옵션을 생성하여, 엔지니어가 가장 효율적이고 비용 효율적인 솔루션을 선택할 수 있도록 돕습니다.

하지만 AI는 인간의 전문 지식을 완전히 대체할 수는 없습니다. 복잡한 설계에는 여전히 엔지니어의 판단력, 창의력, 도메인 지식이 필요합니다.또한, AI 기반 도구는 특정 산업의 고유한 설계 제약 조건을 완벽히 이해하지 못할 수도 있습니다.

결론적으로 AI는 기존 방식의 대체재가 아닌 보완 수단으로 활용하는 것이 가장 바람직합니다. 엔지니어는 반복적인 작업이나 복잡한 데이터 분석은 AI에 맡기고, 핵심 설계 결정은 직접 통제하는 방식이 효율적입니다. 궁극적으로 AI의 도입 여부는 프로젝트의 복잡성, 예산, 새로운 기술 수용 의지에 따라 달라집니다.

PCB 설계를 위한 AI의 장점:

• 더 빠른 연구 속도
  • 수작업 공정의 자동화
  • 더 나은 정보 기반 설계 결정

AI를 도입하는 주요 이유 중 하나는 연구 속도와 결과 정리의 속도입니다. 개발 시간은 수 시간에서 수일까지 절약될 수 있습니다. 배치 및 라우팅(P&R) 작업의 경우, 자동화를 통해 복잡한 프로젝트에서 수 주간의 시간을 절감할 수 있습니다. 또 다른 AI의 활용 예는 데이터 통합 및 통계 분석이며, 이는 설계에 유용한 제안을 제공할 수 있습니다. 그러나 PCB 설계를 위한 AI에는 몇 가지 단점도 존재합니다.

PCB 설계를 위한 AI의 단점:

• 부정확한 부품 정보
  • 제한된 설계 복잡도 처리 능력
  • 제한적인 EDA 툴 통합

AI 기술을 사용하는 데 있어 가장 큰 우려는 수학적 원리나 기술 자체가 아닌, 사용되는 데이터의 신뢰성 부족에 있습니다. 강화 학습, 신경망 등과 같은 머신러닝 알고리즘은 이미 공학 문제 해결에 효과적이고 과학적으로 입증되었습니다. 하지만 검증되지 않은 데이터가 사용될 경우, 부정확한 결과를 초래할 수 있습니다. 또한, 문제의 규모나 기존 설계 환경(EDA 도구 등)과의 통합성 부족도 큰 단점입니다.

오늘날 PCB 설계에서 AI를 사용할지 여부를 결정하기 위해서는 장단점을 명확히 이해하는 것이 필수입니다. 회로 설계를 위한 AI 소프트웨어 개발이 빠르게 진화하고 있는 만큼, AI 엔진이 없는 PCB 설계 툴을 찾는 것이 오히려 더 어려운 일이 될 수도 있습니다.

PCB 설계에 AI를 효과적으로 활용하는 방법

• AI가 설계 과정에서 할 수 있는 것과 할 수 없는 것을 명확히 이해하세요.
• 사용 중인 EDA(전자 설계 자동화) 툴과 쉽게 연동되는 AI 프로그램이나 애플리케이션을 선택하세요.
• 부품 데이터시트 같은 데이터는 신뢰할 수 있는 출처에서 가져오는지 꼭 확인하세요.

만약 일반 부품의 CAD 모델과 정확하고 실무에 바로 적용 가능한 정보를 찾고 있다면, Ultra Librarian이 부품 소싱과 CAD 정보를 한 곳에 모아주는 좋은 해결책이 될 수 있습니다.

AI가 PCB 설계를 최적화하는 방법

AI는 전통적인 PCB 설계 방식에서 겪는 여러 문제를 해결하며, PCB 레이아웃과 설계 방식을 혁신하고 있습니다. AI 기반 솔루션은 설계 과정에 자동화, 효율성, 정밀성을 더해줍니다. 이런 효율성 덕분에 생산성이 높아지고 최종 PCB 품질도 향상됩니다.

1. 자동 설계 최적화

AI 알고리즘은 방대한 데이터를 빠르게 분석하고 복잡한 계산을 수행하는 데 뛰어납니다. PCB 설계에서는 AI가 미리 설정된 설계 규칙과 목표에 따라 부품 배치와 라우팅을 최적화합니다. 과거 설계 데이터를 활용하고 머신러닝 모델을 적용해 신호 간섭을 최소화하는 레이아웃을 제안합니다. 이를 통해 엔지니어는 열 관리 개선과 성능 향상에도 도움을 받을 수 있습니다.

2. 워크플로우 간소화

AI 도구는 반복적인 작업을 자동화해 설계 작업 흐름을 더 빠르고 원활하게 만듭니다. 예를 들어, AI는 사람이 했을 때보다 훨씬 짧은 시간에 여러 설계 시안을 만들어 낼 수 있습니다. 이런 속도 덕분에 엔지니어는 더 많은 설계 가능성을 탐색하고, 개발 초기 단계에서 최적의 레이아웃을 빨리 선택할 수 있습니다.

3. 예측 분석 및 시뮬레이션

AI는 물리적 프로토타입을 만들기 전에 PCB 설계의 전기적 성능, 열 특성, 기계적 스트레스 등을 예측하고 시뮬레이션할 수 있습니다. 덕분에 과도한 물리 테스트를 줄이고, 개발 비용을 절감하며, 출시 기간(Time-to-Market)을 단축할 수 있습니다. PCB 비용과 제작 기간을 줄이는 여러 방법 중 AI도 중요한 역할을 합니다.

4. 정확성과 신뢰성 향상

AI 알고리즘은 인간과 달리 피로나 주관적 판단에 영향받지 않고 일관되게 설계 규칙을 엄격하게 준수합니다. 이로 인해 오류 발생 위험이 줄고, 성능 기준을 충족하는 PCB 레이아웃을 보장합니다. 결과적으로 더 높은 품질과 신뢰성을 가진 PCB를 제작할 수 있게 됩니다.

5. 실시간 협업과 피드백 제공

AI는 설계 변경에 대해 즉각적인 피드백을 제공하며, 엔지니어 간 실시간 협업을 지원합니다. 팀원들은 AI를 통해 다양한 설계 시나리오를 탐색하고, 여러 선택지의 장단점을 평가하며, 데이터 기반 인사이트를 바탕으로 합리적인 의사결정을 내릴 수 있습니다.

PCB 레이아웃의 어려움

PCB 설계는 보드의 기능성과 신뢰성을 좌우하는 매우 까다로운 작업들이 많이 포함되어 있습니다. 다음은 PCB 레이아웃 설계 시 마주하는 주요 과제들입니다.

1. 부품 배치

효율적인 배선, 신호 무결성, 열 관리 등을 위해 부품 배치는 매우 중요합니다. 엔지니어는 신호 간섭을 최소화하고 노이즈를 줄이며, 제한된 보드 공간을 최적으로 활용할 수 있도록 전략적으로 부품을 배치해야 합니다.

2. 배선 복잡성

배선은 PCB 상에서 부품들을 전기적으로 연결하는 경로(트레이스)를 만드는 작업입니다. 부품이 더 조밀하게 배치되고 회로가 복잡해질수록 배선 작업은 어려워집니다. 엔지니어는 신호 간섭(cross-talk) 회피, 임피던스 제어, PCB 각 층 간 신호 무결성 유지 등의 장애물을 극복해야 합니다.

3. 전원 무결성

전원 무결성 확보는 전원 분배 네트워크(PDN)를 관리해 전압 강하, 노이즈, 전자기 간섭을 최소화하는 작업입니다. PDN 설계가 부실하면 성능 저하, 신뢰성 문제, 심지어 제품 기능 장애로 이어질 수 있습니다.

4. 설계 규칙 검사 (DRC)

DRC는 PCB 설계가 제조 및 기능적 요구 사항을 충족하는지 검증하는 과정입니다. 여기에는 최소 트레이스 폭, 트레이스와 부품 간 간격, 솔더 마스크 여유, 전기적 제약 준수 등이 포함됩니다. DRC를 지키지 않으면 제조 불량, 비용이 많이 드는 재작업, 심할 경우 비작동 PCB가 나올 수 있습니다.

AI가 PCB 레이아웃에 어떻게 도움을 주는가？

PCB 레이아웃 설계에 기술을 도입하면 많은 장점과 기회가 생깁니다. AI와 머신러닝(ML) 알고리즘이 전통적인 설계 과정의 복잡함과 어려움을 어떻게 해결하는지 살펴보겠습니다.

1. 자동 설계 최적화

AI 알고리즘은 부품 배치와 배선을 자동화하고 최적화할 수 있습니다. 설계 제한사항, 전기적 성능 요구, 열 관리 요소 등을 종합적으로 분석해 신호 간섭을 최소화하는 레이아웃을 만들어 냅니다. 나아가 전력 소모를 줄이고 보드 성능을 향상시키는 데에도 도움을 줄 수 있습니다.

2. 예측 분석 및 시뮬레이션

AI를 이용하면 다양한 작동 조건에서 PCB 설계의 특성과 동작을 시뮬레이션할 수 있습니다. 이를 통해 개발 초기 단계에서 잠재적인 설계 결함을 발견할 수 있어, 비용이 많이 드는 물리적 프로토타입 제작을 줄이고 출시 기간(Time-to-Market)을 단축하는 데 기여합니다.

3. Real-Time Design Assistance

AI 도구는 설계 과정에서 실시간으로 엔지니어를 도울 수 있습니다. 예를 들어, AI 기반 설계 어시스턴트는 최적의 부품 배치, 배선 경로, 층 구성 등을 제안합니다. 이러한 추천은 과거 데이터와 ML 모델을 기반으로 하며, 협업적인 방식으로 설계 창의성과 효율성을 높이고 성능 목표를 충족하도록 도와줍니다.

4. 향상된 설계 검증

AI는 설계 규칙과 사양에 대한 검증 과정을 자동화하여 DRC(설계 규칙 검사) 기능을 강화할 수 있습니다. AI 알고리즘은 간격 위반이나 잘못된 트레이스 폭 등 잠재적인 문제를 빠르게 찾아내고, 엔지니어에게 실질적인 개선 방안을 제공합니다. 이런 선제적 접근은 설계 오류를 최소화하고 설계 품질을 향상시키는 데 도움을 줍니다.

5. 반복적 개선

AI는 이전 설계 반복과 사용자 피드백에서 지속적으로 학습해, 시간이 지날수록 설계 추천의 정확도와 효율성을 높입니다. 엔지니어들은 AI의 빠른 반복 능력을 활용해 다양한 설계 옵션을 탐색하고 대안을 시험하며, 최적의 성능과 제조 용이성을 갖춘 레이아웃을 완성할 수 있습니다.

6. CAD 툴과의 통합

AI는 PCB 설계에 일반적으로 쓰이는 CAD(컴퓨터 지원 설계) 툴과도 통합될 수 있습니다. 이런 통합은 기존 설계 소프트웨어의 기능을 확장하여 AI 기반의 레이아웃 최적화, 설계 검증, 자동 문서 생성 등의 기능을 추가할 수 있습니다.

PCB 제조의 어려움

PCB 제조는 기능적이고 신뢰할 수 있는 회로 기판을 생산하기 위해 매우 정교한 공정을 필요로 합니다. 제조 과정에서 마주하는 주요 어려움을 살펴보겠습니다.

AI가 회로 기판 기술을 바꿔주는 방법

1. 검사 병목 현상

전통적인 육안 검사 방식은 시간이 많이 걸리고, 인간 오류가 발생할 위험도 있습니다. 제조업체는 납땜 불량이나 부품 위치 불일치 같은 결함을 세밀히 검사해야 하는데, 이 과정이 생산 속도를 저해하는 병목이 될 수 있습니다.

2. 품질 관리

PCB 생산 배치 간에 일관된 품질을 보장하는 것은 매우 중요하지만 쉽지 않은 과제입니다. 제조 공정, 재료, 환경 조건의 변동은 최종 제품의 성능과 신뢰성에 영향을 미치는 결함을 유발할 수 있습니다.

3. 비용 관리

재료 낭비, 결함으로 인한 재작업, 비효율적인 생산 공정 등으로 PCB 제조 비용이 증가할 수 있습니다. 효과적인 비용 관리 전략은 시장 경쟁력을 유지하는 데 필수적입니다.

4. 납기 관리

빠르게 변화하는 산업 환경에서 PCB 납기 준수는 매우 중요합니다. 납기 관리를 위해서는 공급업체와의 협력, 생산 일정 최적화, 지연 최소화 등의 업무가 필요하며, 프로젝트 일정에 직접적인 영향을 미칩니다.

AI가 PCB 제조를 자동화하는 방법

AI는 PCB 제조의 효율성, 품질, 비용 효율성을 높이는 첨단 기술을 도입할 수 있습니다.

1. 자동화된 시각 검사

AI 기반 시각 검사 시스템은 검사 정확도와 속도를 크게 향상시킬 수 있습니다. 머신러닝 알고리즘을 활용해 PCB 이미지를 분석, 사람이 놓칠 수 있는 납땜 불량, 부품 배치 오류, 미세한 균열 등을 탐지합니다. 이를 통해 검사 시간이 단축되고 제품 품질이 향상됩니다.

2. 예측 유지보수

AI는 PCB 제조 장비의 예측 유지보수를 지원합니다. 표면 실장 공정에 사용되는 기계의 실시간 센서 데이터를 분석해 고장이 발생하기 전에 예측할 수 있습니다. 이러한 선제적 접근으로 예기치 않은 가동 중단과 유지보수 비용을 줄이고, 생산 흐름을 원활하게 유지합니다.

3. 품질 보증 강화

AI는 제조 공정을 지속적으로 모니터링할 수 있습니다. 머신러닝 모델이 다양한 생산 단계의 데이터를 분석해 패턴, 이상 징후, 잠재적 문제를 조기에 식별합니다. 이를 바탕으로 신속하게 교정 조치를 취해 제품 일관성과 신뢰성을 높일 수 있습니다.

4. 비용 최적화

AI 기반 분석은 공정 비효율을 찾아내 제조 비용을 최적화합니다. 생산 데이터를 분석해 재료 사용을 효율화하고, 폐기율을 줄이며, 수율을 개선하는 방안을 제시합니다. 데이터 기반 접근법으로 품질과 성능은 유지하면서 비용 절감이 가능합니다.

5. 실시간 의사결정 지원

AI는 제조 현장의 실시간 의사결정을 지원합니다. 방대한 데이터를 분석하고 해석해 생산 일정, 공급업체 선정, 공정 최적화 등에 대한 유용한 인사이트를 제공합니다. 이를 통해 비즈니스 목표와 시장 수요에 빠르게 대응할 수 있습니다.

6. 향상된 공급망 관리

AI는 수요 변동을 예측하고 재고 수준을 최적화합니다. 과거 데이터, 시장 동향, 외부 요인을 분석해 최적의 구매 전략을 추천하고 공급망 리스크를 줄입니다. 이런 선제적 관리로 납기 단축과 고객에 대한 적시 납품이 가능해집니다.

PCB 설계의 어려움

전통적인 PCB 설계 과정은 주로 수작업에 의존해왔습니다. 이러한 방식은 효과적이지만, 설계 속도를 늦추고 최종 회로기판의 기능과 신뢰성에 영향을 줄 수 있는 여러 어려움이 존재합니다.

1. 복잡성과 시간 소모

PCB 설계는 부품 배치와 연결 경로를 올바르게 구성하는 작업입니다. 회로가 점점 더 복잡하고 조밀해지면서 이 과정도 어려워집니다. 엔지니어가 트레이스 폭, 부품 위치, 신호 경로를 직접 계산해야 하며, 이 작업은 느리고 사람의 실수가 발생하기 쉽습니다.

2. 시행착오 반복

최적의 PCB 레이아웃을 얻으려면 여러 차례 시행착오를 겪어야 합니다. 설계 사양을 맞추고 신호 무결성을 보장하며 열 관리를 수행하기 위해 부품 배치와 배선을 반복적으로 조정합니다. 이러한 반복은 설계 기간을 늘리고 개발 비용을 증가시킵니다.

3. 신호 간섭과 열 해소 문제 위험

부품을 잘못 배치하거나 비효율적인 배선은 신호 간섭, 노이즈, 열 해소 문제를 유발할 수 있습니다. 이런 문제는 PCB 성능과 신뢰성, 수명에 악영향을 미치며, 문제 발생 시 재설계가 필요해져 제품 출시가 지연될 수 있습니다.

4. 기술과 경험 의존성

효과적인 PCB 설계에는 전문 지식과 경험이 필요합니다. 숙련된 엔지니어들이 은퇴하면서, 이들의 노하우를 실무 경험이 다른 젊은 엔지니어들에게 전달하는 데 어려움이 커지고 있습니다.