Large Language Model Agent as a Mechanical Designer

Motivation

• Known:
  • 기계 설계는 반복적 정제 과정으로, 전통적으로 전문가 직관과 휴리스틱 추론에 의존
  • 최근 딥러닝 기반 설계 자동화 방법들(SIMP, 유전 알고리즘, 생성모델 등)이 개발됨
  • LLM이 화학, 수학, 재료과학 등 다양한 과학 분야에서 성공적으로 적용됨
• Gap:
  • 기존 딥러닝 방법들은 대규모 학습 데이터셋과 상당한 계산 자원 필요
  • 특정 도메인/작업에 최적화되어 있어 일반화 가능성 제한
  • 확장성과 유연성 사이의 상충(trade-off) 존재
  • 복합 목적, 이산 설계 공간, 동적 노드 생성을 동시에 처리하는 방법 부재
• Why:
  • 실무 기계 설계는 다양한 입출력 양식(스케치, 텍스트, CAD, 성능 목표)과 혼합 변수(연속+이산) 최적화를 요구
  • 기존 최적화 프레임워크는 이러한 다양성과 비미분가능한 피드백을 동시에 처리하기 어려움
• Approach:
  • 사전학습된 LLM을 FEM 평가 모듈과 폐루프 구조로 통합
  • 자연언어 프롬프트만으로 후보 설계 생성 및 FEM 기반 정량적 피드백 해석
  • 구조역학에 기반한 설계 수정을 LLM의 추론 능력으로 수행

Achievement

폐루프 최적화: 자연언어 명세 → LLM 설계 생성 → FEM 평가 → 피드백 → 반복 개선

1. 수렴 효율성: NSGA-II 대비 더 빠른 수렴 속도와 적은 FEM 평가 횟수 달성
   • 이산적이고 다면적인 설계 공간(동적 노드 생성, 부재 단면 최적화)에서 우수한 성능
2. 온도 및 모델 크기에 따른 성능 차이:
   • 온도 0.5 < 1.0 < 1.2: 낮은 온도일수록 일관된 구조 성능
   • GPT-4.1-mini(소형 증류 모델)가 더 적은 반복으로 제약조건 만족도 향상
3. 다목적 최적화 능력:
   • 경합하는 목적(질량 vs 응력)의 균형 유지
   • 추가 최적화의 한계수익체감점(diminishing returns) 인식 및 종료 판단
4. 도메인 특화 미세조정 불필요:
   • 일반적 추론 능력만으로 구조역학 지식 내재화
   • 새로운 설계 문제로의 신속한 적응

How

프레임워크 흐름: 명세 입력 → LLM 처리 → 후보 생성 → FEM 평가 → 제약 확인 → 조건부/순차적 동작 → 피드백 통합

방법론의 핵심 단계:

• 입력 처리: 자연언어로 표현된 구조 목표, 하중, 경계조건을 LLM에 입력
• 설계 생성: LLM이 2D 트러스 기하학적 구조(절점, 부재, 단면) 제안
• 성능 평가: FEM 모듈이 응력, 변형, 질량 등 정량적 피드백 제공
• 제약 검사: Check 모듈이 실행 가능성 판정
  • 실행 가능 → 목적 함수 최적화 프롬프트 실행
  • 위반 → 제약 중심 프롬프트로 위반 사항 수정 유도
• 반복 학습: 이전 N-1 반복의 설계-점수 쌍을 순위별 히스토리로 재입력
  • LLM이 과거 설계 추세 인식 및 근거 있는 수정 수행
• 온도 제어: 0.5~1.2 범위 실험으로 탐색과 안정성의 균형 조정
• 모델 선택: GPT-4.1 및 GPT-4.1-mini로 성능 비교

Originality

• LLM 기반 폐루프 최적화의 신규성:
  • 사전학습된 LLM을 검은상자(black-box) 평가(FEM)와 통합하는 첫 시도
  • 도메인 특화 미세조정 없이 자동 설계 개선
• 이산 및 혼합 변수 설계 공간에서의 우수성:
  • 동적 노드 생성과 부재 단면 최적화의 동시 처리
  • 전통 경사 기반 방법과 비교하여 더 우수한 성능
• 자연언어 기반 추론 최적화:
  • 전통적 최적화 알고리즘(NSGA-II, 유전 알고리즘 등)과 달리 기호적 추론으로 설계 공간 탐색
  • 다목적 최적화에서 트레이드오프 자동 균형
• 구조역학 지식의 임플리시트 학습:
  • FEM 피드백을 구조역학 원리로 해석하고 수정 제안 (명시적 훈련 없음)

Limitation & Further Study

• 제한사항:
  • 2D 트러스 구조에만 검증: 3D 복잡 기하학, 비선형 재료 거동, 연접 조건 미검증
  • LLM 출력의 구문 해석 안정성: 특정 형식 생성 강제 시 신뢰도 하락 가능성
  • FEM 평가 비용 여전히 주요 제약: 각 반복마다 시뮬레이션 필요
  • 온도와 모델 크기 간 상호작용 분석 부족: 더 체계적인 하이퍼파라미터 연구 필요
  • 수렴 증명 부재: 언제 전역 최적해에 도달했는지 보장 불가
• 후속 연구:
  • 3D 구조 설계 및 다중 재료, 제조 제약 포함 확장
  • 설계 공간이 매우 크거나 제약이 강한 문제에 대한 성능 평가
  • LLM의 물리 오류 예방 메커니즘 개발 (예: 사실성 검사, 도메인 검증 규칙 통합)
  • 인간 설계자와의 인터랙티브 협업 모드 개발
  • 서로게이트 모델 결합으로 FEM 호출 횟수 감소 방안

Evaluation

총평: 본 논문은 사전학습된 LLM을 FEM과 결합하여 도메인 특화 학습 없이 자율적 설계 최적화를 달성하는 창의적 프레임워크를 제시한다. 다목적, 이산 최적화 문제에서 전통 방법보다 효율적임을 보여주는 점이 강점이나, 2D 트러스 사례 검증, 수렴성 이론 부재, 실제 공학 문제로의 확장성 검증이 필요한 상태이다.