/Users/jehyunlee/Documents/내노트북/paper-curation/docs/papers/462_Large_Language_Model_Agent_as_a_Mechanical_Designer

Motivation

• Known: SIMP, GA, BESO, VARTOP 등 전통적 위상최적화 기법과 cGAN, diffusion model 등 deep learning 기반 생성 모델이 구조 설계 자동화에 활용되어 왔으며, surrogate model을 통한 FEM 계산 비용 절감 시도도 존재한다.
• Gap: 기존 방법들은 대규모 학습 데이터셋과 상당한 계산 자원을 요구하거나 특정 도메인·태스크에 특화되어 일반화 가능성이 떨어지는 확장성-유연성 trade-off 문제를 안고 있으며, 다양한 입출력 모달리티와 mixed-variable(연속·이산) 설계 공간을 유연하게 다루는 reasoning 기반 프레임워크가 부재하다.
• Why: 도메인 특화 fine-tuning이나 대규모 데이터셋 없이도 범용 LLM의 reasoning 능력만으로 복잡한 mechanical design 문제를 반복적으로 해결할 수 있다면, 설계 자동화의 접근성과 유연성을 크게 높이고 계산 비용이 큰 FEM 평가 횟수를 줄일 수 있어 실용적 의의가 크다.
• Approach: 자연어로 표현된 성능 사양을 받아 LLM이 후보 truss 구조를 생성하고, FEM 모듈이 이를 평가하여 제약 조건 충족 여부에 따라 최적화 또는 수정 프롬프트로 피드백을 재주입하는 closed-loop 프레임워크를 구축했다.

Achievement

Figure 1

1. Closed-loop LLM-FEM 프레임워크 제안: LLM(GPT-4.1, GPT-4.1-mini)과 FEM 모듈을 결합하여 자연어 사양으로부터 2D truss 구조를 생성, 평가, 반복 개선하는 시스템을 구현했다.
2. NSGA-II 대비 우수한 수렴 성능: 이산적이고 다면적인 설계 공간(동적 node 생성, 이산 member sizing)에서 LLM 기반 최적화가 전통적 NSGA-II보다 빠르게 수렴하고 더 적은 FEM 평가 횟수로 해를 찾음을 확인했다.
3. 모델 규모 및 temperature 영향 분석: temperature(0.5, 1.0, 1.2)와 모델 스케일(GPT-4.1 vs GPT-4.1-mini) 전반에 걸친 실험을 통해, 작은 distilled 모델이 더 적은 반복으로 근소하게 우수한 constraint satisfaction을 달성하고, 낮은 temperature가 더 일관된 구조 성능을 낸다는 것을 밝혔다.
4. 자율적 종료 판단 능력 입증: LLM이 추가 최적화의 한계 수익 체감(diminishing returns) 지점을 스스로 식별해 설계 프로세스를 종료할 수 있음을 보였다.

How

Figure 1

• 사용자가 구조적 목표, 하중, 경계조건을 자연어 프롬프트로 제공하면 LLM이 candidate truss design을 생성한다.
• FEM 모듈이 생성된 구조의 성능(응력, 변위 등)을 평가한다.
• Check 모듈이 constraint 충족 여부를 판정하여, 충족 시 LLM에게 추가 최적화(objective 개선)를, 미충족 시 constraint-focused 프롬프트로 위반 수정을 요청한다.
• 각 solution-score 쌍을 이전 N-1회 반복의 ranked history에 추가하여 구조화된 피드백(archive)으로 LLM에 재주입, 과거 설계 경향을 추론해 점진적으로 개선하도록 한다.
• GPT-4.1과 GPT-4.1-mini 두 모델 스케일, 세 가지 temperature(0.5, 1.0, 1.2) 설정으로 비교 실험을 수행하고 NSGA-II와 수렴 속도·FEM 평가 횟수를 비교했다.

Originality

• 도메인 특화 fine-tuning 없이 범용 사전학습 LLM을 순수 reasoning 기반 mechanical 최적화 에이전트로 활용한 새로운 시도.
• FEM 시뮬레이션 결과를 자연어 피드백으로 변환해 LLM에 재주입하는 구조화된 archive 기반 closed-loop 설계를 제안.
• 전통적 gradient-free 최적화(NSGA-II)와의 직접 비교를 통해 이산적·동적 설계 공간에서 LLM 기반 접근의 효율성을 정량적으로 검증.

Limitation & Further Study

• 2D truss 구조라는 비교적 단순한 설계 도메인에 국한되어 검증되었으며, 3D 구조나 더 복잡한 topology optimization 문제로의 일반화 가능성은 추가 검증이 필요하다.
• LLM의 stochastic한 특성상 재현성과 안정성에 대한 통계적 분석(다중 seed, 반복 실행 등)이 제한적으로 보일 수 있다.
• API 기반 상용 LLM(GPT-4.1 계열)에 의존하므로 비용, 응답 지연, 모델 버전 변화에 따른 재현성 문제가 있을 수 있다.
• 향후 3D 구조, 다물리 결합 문제, 실제 제조 제약을 포함한 더 넓은 범위의 mechanical design 문제로 확장하는 연구가 필요하다.

Evaluation

총평: LLM을 fine-tuning 없이 FEM과 결합해 mechanical design 최적화 에이전트로 활용한다는 아이디어는 참신하고 실용적 잠재력이 크며, NSGA-II 대비 효율성을 보인 실험 결과도 설득력 있으나, 2D truss라는 제한된 도메인에서의 검증이라는 점에서 일반화 가능성에 대한 추가 연구가 필요하다.