로봇이 걷고, 물건을 잡고, 옷을 접는 법을 배우려면 — 현실을 시뮬레이션해야 한다. Newton은 Disney Research, Google DeepMind, NVIDIA가 Linux Foundation 아래 공동 개발한 GPU 가속 물리 엔진으로, MuJoCo 대비 최대 475배 빠른 시뮬레이션을 제공한다.
로봇에게 걷는 법을 가르치는 가장 효과적인 방법은? 현실 세계에서 수만 번 넘어뜨려 보는 것이다. 하지만 현실의 로봇은 비싸고, 넘어지면 부서지고, 하루에 몇 번 시도하지 못한다.
그래서 시뮬레이션이 필요하다. 가상 세계에서 로봇을 수백만 번 넘어뜨리고, 일어서게 하고, 다시 넘어뜨린다. GPU 수천 개가 병렬로 돌면서, 현실의 수만 년에 해당하는 경험을 몇 시간 안에 만들어낸다.
2025년 3월, NVIDIA GTC에서 이례적인 발표가 있었다. Disney Research, Google DeepMind, NVIDIA — 세 거대 기업이 Linux Foundation 아래에서 하나의 오픈소스 물리 엔진을 공동 개발한다는 것이었다.
그 엔진의 이름은 Newton.
2026년 3월, Newton 1.0이 정식 출시되었다. MuJoCo 대비 최대 475배 빠른 시뮬레이션, 강체·변형체·천·입자·케이블의 멀티 피직스 지원, 미분 가능한 물리(differentiable physics) — 로보틱스 시뮬레이션의 새로운 표준이 탄생했다.
Newton은 NVIDIA Warp 기반의 GPU 가속 물리 시뮬레이션 엔진으로, 로보틱스 연구와 강화학습 훈련을 위해 설계되었다.
핵심 특징:
각 회사가 가져온 것:
각자 자체 물리 엔진을 개발하던 세 회사가, **"하나의 통합된 표준 엔진"**을 만드는 것이 모두에게 이득이라고 판단한 것이다. 마치 웹 브라우저 전쟁 후 W3C 표준이 탄생한 것처럼.
추가 파트너: TU Munich, Peking University, Toyota Research Institute(Drake), Samsung, Skild AI, Lightwheel, Style3D.
MuJoCo는 로보틱스 시뮬레이션의 사실상 표준이었다. Newton의 MJWarp 솔버는 이를 GPU로 가속시킨다.
475배 속도 향상은 무엇을 의미하는가? CPU에서 1주일 걸리는 강화학습 훈련을 GPU에서 22분에 완료할 수 있다는 뜻이다.
Newton은 단일 물리가 아닌 멀티 피직스(multi-physics) 엔진이다. 다양한 물리 현상을 동시에 시뮬레이션한다.
로봇의 관절, 링크, 바퀴 같은 단단한 물체의 운동을 시뮬레이션한다. Newton은 두 가지 강체 솔버를 제공한다:
MJWarp (MuJoCo Warp) — Google DeepMind 제공. MuJoCo 3.5 호환. 범용적 로봇 시뮬레이션에 최적.
Kamino — Disney Research 제공. 복잡한 폐쇄형 체인 메커니즘(closed-chain mechanisms)에 특화. Disney의 테마파크 애니매트로닉스 로봇에 사용된다.
옷, 직물, 카드 같은 얇고 유연한 물체의 물리를 시뮬레이션한다. Vertex Block Descent(VBD) 솔버를 사용한다.
전선, 호스, 로프 같은 가늘고 긴 물체의 물리. 제조업에서 케이블 배선 자동화에 핵심적이다.
모래, 자갈, 곡물 같은 입자 기반 물질. Implicit Material Point Method(iMPM) 솔버를 사용한다. 로봇이 비정형 지형(눈, 자갈밭)을 걷는 시뮬레이션에 필수적이다.
고무, 젤리, 인체 조직 같은 변형 가능한 물체. FEM(유한 요소법) 기반.
Newton의 가장 혁신적인 기능 중 하나. 물리 시뮬레이션을 통해 그래디언트를 역전파할 수 있다. 이것은 "물리 법칙을 학습에 직접 활용"하는 것을 가능하게 한다.
정밀한 접촉(너트-볼트 조립 등)과 역기구학(IK) 기반 제어도 지원한다.
Newton의 속도는 NVIDIA Warp 위에 구축되어 있기 때문이다. Warp는 Python 코드를 CUDA 커널로 자동 변환한다. 개발자는 저수준 CUDA 코딩 없이 GPU 성능을 활용할 수 있다.
핵심은 멀티 솔버 아키텍처다. 강체와 변형체를 다른 솔버로 처리하되, **양방향 커플링(two-way coupling)**으로 상호작용한다. 로봇(강체)이 천(변형체)을 잡고, 모래(입자) 위를 걸을 수 있는 이유다.
pip install "newton-physics[examples]"
요구사항: Python 3.10+, NVIDIA GPU 드라이버 545+ (CUDA 12). 로컬 CUDA Toolkit 설치 불필요. Linux(x86-64, aarch64), Windows(x86-64), macOS(CPU 전용) 지원.
# 진자 시뮬레이션
python -m newton.examples.basic.pendulum --viewer
# Unitree H1 휴머노이드 로봇
python -m newton.examples.robot.h1 --viewer
# 천 시뮬레이션
python -m newton.examples.cloth.hanging --viewer
# 미분 가능 시뮬레이션 — 드론
python -m newton.examples.diffsim.drone --viewer
| 옵션 | 설명 |
|---|---|
--viewer | 뷰어 창 열기 |
--device cuda:0 | GPU 장치 선택 |
--num-frames 300 | 시뮬레이션 프레임 수 |
--output-path ./out | USD 출력 경로 |
Newton에서 수천 개의 병렬 환경으로 휴머노이드 로봇의 보행 정책을 훈련하고, 실제 로봇에 배포(sim-to-real transfer)한다.
너트-볼트 조립, 커넥터 삽입 같은 **접촉이 풍부한 조작(contact-rich manipulation)**을 시뮬레이션하여 산업용 로봇의 조립 정책을 학습한다. Skild AI는 Newton으로 GPU 랙 조립을 자동화한다.
Samsung과 Lightwheel는 Newton의 케이블 시뮬레이션으로 제조 현장의 케이블 배선 자동화를 연구한다. 케이블의 꼬임, 마찰, 히스테리시스를 정확히 시뮬레이션하는 것이 핵심이다.
Style3D는 Newton의 천 솔버로 의류 시뮬레이션을 수행한다. 의복이 몸에 맞는지, 움직임에 따라 어떻게 변하는지를 GPU에서 실시간으로 시뮬레이션한다.
Disney는 Kamino 솔버로 테마파크의 BDX 드로이드 같은 애니매트로닉스 로봇을 시뮬레이션한다. 복잡한 폐쇄형 체인 메커니즘이 필요한 이유 — 관절이 서로 물리적으로 연결된 복잡한 로봇 구조를 정확히 모델링해야 하기 때문이다.
| 엔진 | GPU 가속 | 멀티 피직스 | 미분 가능 | 오픈소스 | 거버넌스 |
|---|---|---|---|---|---|
| MuJoCo | CPU 위주 (MJX로 일부 GPU) | 제한적 | 부분적 | ✓ (Apache 2.0) | Google DeepMind |
| PyBullet | CPU | 제한적 | ✗ | ✓ | 커뮤니티 |
| Isaac Sim | GPU (PhysX) | ✓ | 부분적 | ✗ (독점) | NVIDIA |
| Brax | GPU (JAX) | 제한적 | ✓ | ✓ | |
| Genesis | GPU | ✓ | ✓ | ✓ | 학계 |
| Newton | GPU (Warp) | ✓ (가장 넓음) | ✓ | ✓ (Apache 2.0) | Linux Foundation |
Newton의 차별점:
2025~2026년, 로보틱스 업계의 핵심 키워드는 Physical AI다. LLM이 "언어를 이해하는 AI"라면, Physical AI는 **"물리 세계를 이해하고 행동하는 AI"**다.
Physical AI를 훈련시키려면 현실의 물리 법칙을 정확하게, 대규모로, 빠르게 시뮬레이션해야 한다. Newton은 이 요구에 정확히 맞는 인프라다.
Newton이 Linux Foundation 프로젝트라는 것의 의미: 특정 기업에 종속되지 않는 오픈 표준이 될 가능성이 있다. MuJoCo가 Google의, PhysX가 NVIDIA의 엔진이었다면, Newton은 산업 전체의 공유 인프라를 지향한다.
Disney, Google, NVIDIA, Samsung, Toyota, 대학들이 모두 참여하는 거버넌스 — 이것은 물리 시뮬레이션의 **"HTTP 표준화"**에 비유할 수 있다.
Newton의 미분 가능 물리와 정밀한 접촉 시뮬레이션은 **sim-to-real 간극(gap)**을 줄이는 데 핵심적이다. 시뮬레이션에서 학습한 정책이 현실 로봇에서도 동일하게 작동하려면, 시뮬레이션의 물리적 정확도가 높아야 한다.
475배 빠른 속도도 중요하지만, **"더 정확한 시뮬레이션"**이 Newton의 진짜 가치다. 빠르지만 부정확한 시뮬레이션에서 학습한 로봇은 현실에서 넘어진다. Newton의 hydroelastic 접촉 모델, SDF 기반 충돌, 양방향 커플링은 모두 이 정확도를 높이기 위한 것이다.
| 항목 | 수치 |
|---|---|
| GitHub Stars | 2,981 |
| Forks | 320 |
| 기여자 | 30+ |
| 라이선스 | Apache 2.0 |
| 최초 생성 | 2025년 4월 |
| 최신 업데이트 | 2026년 3월 19일 (오늘) |
| 버전 | v1.0.0 (GA) |
Newton의 핵심 가치를 한 문장으로:
로봇이 현실 세계의 물리 법칙을 GPU에서 수백 배 빠르게 경험하고 학습할 수 있게 하는 오픈 인프라.
Disney의 애니매트로닉스, Google DeepMind의 강화학습, NVIDIA의 산업용 로보틱스 — 각각 다른 목적을 가진 세 거대 기업이 "물리 시뮬레이션은 공유 인프라가 되어야 한다"고 합의한 것은, 이 기술이 개별 기업의 경쟁 영역이 아니라 산업 전체의 기반이 되어야 한다는 인식의 반영이다.
pip install "newton-physics[examples]" 한 줄이면 시작할 수 있다. 2026년, 로봇에게 세상을 가르치는 도구가 모두에게 열려 있다.
참고 자료