AutoMS: Multi-Agent Evolutionary Search for Cross-Physics Inverse Microstructure Design

Motivation

• Known: topology optimization은 gradient 기반으로 원칙적이지만 non-differentiable하고 non-convex한 cross-physics landscape에서 local optima에 쉽게 갇히며, deep generative model(VAE, GAN, diffusion 등, 예: MIND)은 one-shot 확률적 매핑으로 탐색력은 있지만 물리적 유효성을 보장하지 못해 physical hallucination을 자주 일으킨다.
• Gap: 기존 LLM 기반 multi-agent 시스템(ChatMOF, MetaGen, AutoGen 등)은 open-loop 방식으로 동작하여 물리 법칙에 대한 내재적 이해가 없고, 전통적 evolutionary operator는 semantic 이해력이 없어 인간의 모호한 자연어 요구사항과 실제 cross-physics 목표 사이에 misalignment(간극)가 발생한다는 점이 미해결 문제였다.
• Why: 항공우주 경량 격자, 생체적합성 임플란트 등 상충하는 cross-physics 속성(열전도율, 전기전도율, Poisson's ratio, Young's modulus 등)을 동시에 만족해야 하는 microstructure 역설계는 소재공학의 핵심 난제이며, 자연어 요구사항을 정확한 물리적 사양으로 자동 변환하고 시뮬레이션으로 검증하는 closed-loop 파이프라인은 AI for Science 전반에 파급력이 크다.
• Approach: LLM을 semantic navigator로 사용해 복잡한 요구사항을 분해하고 agent workflow를 조율하는 Orchestration Layer와, MIND 기반 Generator와 Simulator를 연결해 local gradient approximation 및 directed parameter update로 수치 최적화를 수행하는 Simulation-Aware Evolutionary Search(SAES) 기반 Optimization Layer로 구성된 two-layer neuro-symbolic architecture를 제안한다.

Achievement

Figure 3. Visual Validation of Quantitative Benchmarks. A

1. State-of-the-art 성공률: 17개 다양한 cross-physics task 벤치마크에서 83.8%의 성공률을 달성하여 전통적 evolutionary algorithm(NSGA-II 43.7%)을 거의 두 배 능가하고, BayesOpt(65.0%), CMA-ES(66.7%) 등 강력한 numerical baseline과 기존 agentic baseline도 모두 상회했다.
2. 효율성 개선: 계층적 orchestration을 통해 물리적으로 무효한 탐색 경로를 pruning함으로써 ReAct 기반 LLM baseline 대비 wall-clock time을 23.3% 단축했다.
3. Physical hallucination 감소: SAES의 closed-loop simulation feedback이 표준 생성 모델 대비 물리적으로 유효하지 않은 구조 생성을 유의하게 줄였다.

How

Figure 4. Visualization of Optimization Trajectories. The scatter

• Orchestration Layer: 자연어로 표현된 모호한 설계 의도(예: "고온 전도성과 유연성을 겸비한 aerospace heat sink용 microstructure")를 LLM이 정량적 목표치(volume fraction, thermal conductivity, electrical conductivity, Poisson's ratio, Young's modulus 등)로 변환하고 agent 간 workflow를 조율.
• Optimization Layer: Generator(MIND 기반)가 후보 microstructure를 제안하고, Simulator가 cross-physics constraint 하에서 이를 평가.
• Simulation-Aware Evolutionary Search (SAES): 이 레이어의 핵심 controller로서, cross-physics feedback을 활용해 mutation/crossover 탐색을 유도하고 물리적으로 무효한 geometry를 필터링하며, local gradient approximation과 directed parameter update, Pareto-driven selection을 통해 상충하는 목표 하에서 target specification을 만족시키도록 parameter space를 탐색.
• 벤치마크: 17개 다양한 cross-physics task에 대해 NSGA-II, BayesOpt, CMA-ES 및 ReAct 기반 LLM agentic baseline과 성공률·wall-clock time을 비교.

Originality

• LLM agent를 단순 tool orchestration이 아니라 evolutionary operator(semantic mutation/crossover 유도자)로 재정의하여 evolutionary search와 결합한 최초의 시도로 제시됨.
• open-ended semantic orchestration과 simulation-grounded numerical search를 명시적으로 분리(decouple)하는 two-layer architecture 설계가 독창적.
• 단일 물리(single-physics)용으로 설계된 MIND generator를 foundational generator로 재활용하여 cross-physics로 확장하는 systematic pathway 제시.

Limitation & Further Study

• 논문 발췌에는 SAES의 local gradient approximation과 directed parameter update의 구체적 수식·알고리즘 세부사항이 충분히 제시되지 않아 재현성 검증이 어려움.
• 17개 task라는 벤치마크 규모가 cross-physics 설계 공간의 다양성을 충분히 대표하는지에 대한 통계적 유의성 및 ablation 분석이 본문 발췌에서 명확히 드러나지 않음.
• MIND generator에 의존하는 구조이므로 MIND가 다루지 못하는 물리적 현상이나 geometry 표현으로의 일반화 가능성은 추가 검증이 필요.
• LLM 기반 orchestration의 비용(inference cost, API 호출 비용)과 대규모 산업 설계 문제로의 scalability에 대한 논의가 부족해 보임.
• 후속 연구로 더 많은 물리 도메인(음향, 전자기 등) 및 3D 복합 구조로의 확장, generator 자체의 open-source화 및 실험적 제작(fabrication) 검증이 필요.

Evaluation

총평: LLM 기반 semantic orchestration과 simulation-grounded evolutionary search를 명확히 분리하여 결합한 AutoMS는 cross-physics microstructure 역설계 문제에서 실질적인 성능 개선을 보여주는 흥미로운 neuro-symbolic 접근이며, 세부 알고리즘과 벤치마크 다양성에 대한 추가 검증이 이루어진다면 AI for Science 분야에 상당한 영향을 줄 수 있는 연구다.