From Perception to Autonomous Computational Modeling: A Multi-Agent Approach

Motivation

• Known: LLM은 코드 생성 및 과학적 추론에 능하고, multi-agent 시스템이 복잡한 작업을 분해하며, 개별 computational mechanics 파이프라인 요소들(constitutive discovery, FEA 코드 생성, 이미지 기반 모델링 등)이 선행 연구된 상태다.
• Gap: 기존 연구는 파이프라인의 개별 구성 요소만 다루며, 지각 데이터(사진)에서 출발하여 코드 준수 평가 및 설계 권고까지 전체 워크플로우를 자율적으로 오케스트레이션하는 통합 프레임워크가 부재하다.
• Why: 현대 computational mechanics의 병목은 solver가 아닌 형상 추출, 경계조건 선택, 이산화 전략, 검증 및 해석 등 인간의 엔지니어링 판단이 필요한 전처리 및 후처리 작업이므로, 이를 자동화하되 전문가 감시 하에 수행하는 것이 중요하다.
• Approach: Perception, Analysis, Assessment 세 계층의 조직화된 multi-agent 구조를 설계하고, 각 계층 간 quality gate로 조건부 반복을 제어하며, interval bounds, probability densities, fuzzy membership functions를 통해 지각 데이터의 불확실성을 수학적으로 모델링한다.

Achievement

• Solver-agnostic 다층 아키텍처: 12개 특화 agent 타입(perception 4, analysis 5, assessment 3)과 orchestrator, agent evolver로 구성되며 FEM, SPH, MPM, DEM, FVM을 통일된 수학적 기초로 지원
• 자동 기하학 추출 및 불확실성 정량화: 사진으로부터 countersink 같은 이차 특성을 감지하고, image-extracted 매개변수에 첨부된 대역을 self-reported plausibility tag로 취급하여 지각 데이터 불확실성을 표현
• Task-dependent conservatism 프레임워크: 서로 다른 limit state가 반대 방향의 매개변수 추세를 가질 때 '보수적'의 모호함을 수학적으로 해결", '완전 자동 FEA 파이프라인 시연: 강철 L-bracket 사진으로부터 171,504-node tetrahedral mesh 생성, 7개 분석(3가지 경계조건 + 4가지 민감도 변형), 규정 준수 평가 및 구조 실패 진단을 22분 내 $1 비용으로 수행
• 엔지니어링 해석 및 권고: 숫자 결과 해석을 넘어 설계 코드 맥락에서 actionable recommendation과 자동 재설계(실패 감지 시) 제공
• 전문가 감시 메커니즘: 단일 사진에서는 ground truth를 복구할 수 없음을 명시하고, engineer sign-off의 필수성을 강조하며, 피드백-기반 agent update 프레임워크(k=1 사이클) 시연

How

Figure 1: Three-layer architecture with orchestrator and iterative feedback. The input (percep-

• Perception layer: 다중 기하학 재구성 경로와 시각적 단서 기반 특성 감지(countersink 등), image-extracted 매개변수에 대한 불확실성 대역 할당
• Analysis layer: 메시 생성, 경계조건 가정(3가지), 재료/메시 민감도 변형, solver 실행, 수렴성 평가
• Assessment layer: 코드(설계 규정) 해석, limit state별 안전성 판정, 실패 시 자동 재설계 제안
• Quality gates: 각 계층 경계에서 조건부 반복을 강제(e.g., discretisation reviewer return G_j=0 시 orchestrator가 수정 지시 후 재호출)
• Structured JSON 통신: agent 간 natural language 대신 구조화된 JSON으로 통신하여 정보 손실 최소화
• Orchestrator meta-agent: 동적 task checklist L={ℓ_k, status_k} 유지, agent 순서 제어, 조건부 로직(dynamic analysis 필요 여부 판정 등)
• Agent evolver F: engineer feedback를 처리하여 향후 실행을 위해 agent 정의 업데이트

Originality

• 지각 데이터 입력: 기존 MechAgents 등이 textual problem statement에서 시작한 반면, 본 연구는 사진(multimodal perceptual data)을 입발점으로 설정하여 현실 엔지니어링 문제에 더 근접
• 완전한 워크플로우 오케스트레이션: 개별 파이프라인 요소 자동화가 아닌, perception→analysis→assessment→engineer review의 전체 루프를 multi-agent로 통합 조율
• 불확실성 정량화의 새로운 관점: image-extracted 불확실성을 empirically calibrated confidence interval이 아닌 self-reported plausibility tag로 취급하고, task-dependent conservatism을 수식화
• 코드 준수 및 전문가 책임성 명시: computational safety와 professional engineer oversight를 명시적으로 프레임워크에 내장
• Solver-agnostic 통일 수학 기초: FEM, SPH, MPM, DEM, FVM을 동일 아키텍처 내에서 지원하는 통일된 접근

Limitation & Further Study

• 단일 사이클 피드백 시연: agent evolver의 업데이트 메커니즘이 k=1(한 번의 반복)만 시연되어, 다중 반복에서의 수렴성과 안정성 미검증
• 단일 케이스 스터디: L-bracket 사진 한 건으로만 시연되었으므로, 다양한 부품, 재료, 로딩 조건에서의 일반화 가능성 미검증
• 기하학 추출의 정확도 한계: 복잡한 형상, 폐색, 저화질 이미지에서의 성능 미평가; residual이 physical measurement와 얼마나 벗어나는지는 제시되지 않음
• LLM 에러 및 hallucination: LLM 기반 시스템의 내재적 불확실성(재료 추론 오류, 경계조건 해석 실수 등)에 대한 정량적 신뢰성 분석 부재
• 비용 및 시간 추정의 신뢰성: $1, 22분 성과가 API 호출 비용·시간의 현재 스냅샷이며, 더 복잡한 문제나 다중 반복에서의 확장성 미검증
• 엔지니어 검토의 실제 워크플로우 미정의: engineer sign-off 프로세스가 conceptually 강조되었으나, 실제 산업 환경에서의 liability, feedback 루프 메커니즘, 거부/수정 프로세스 등이 구체화되지 않음
• 후속 연구 방향: (1) k>1 사이클에서의 수렴성 및 안정성 분석, (2) 대규모 다양한 부품 데이터셋에서의 검증, (3) LLM hallucination 검출 및 완화 전략, (4) 실제 engineering consultancy와의 통합 사례, (5) 규제 환경에서의 professional liability 모델링

Evaluation

총평: 본 논문은 LLM multi-agent 시스템을 현실 지각 데이터(사진)에서 출발하여 완전한 computational mechanics 워크플로우를 자동 오케스트레이션하는 선도적 프레임워크를 제시하며, 불확실성 정량화, task-dependent conservatism, 전문가 감시 의무화 등 엔지니어링 실무를 충실히 반영했다. 다만 단일 케이스 스터디, k=1 피드백 시연, LLM 신뢰성 정량화 부재 등이 일반화와 산업 도입의 장벽이 될 수 있으므로, 향후 대규모 검증과 산업 파트너십을 통한 후속 연구가 필수적이다.