Large Language Model Agent for User-friendly Chemical Process Simulations

본 논문은 모델 컨텍스트 프로토콜을 통해 AVEVA 공정 시뮬레이션과 통합된 대규모 언어 모델 에이전트를 제시하며, 이는 분석, 최적화 및 공정 흐름도 합성과 같은 복잡한 화학 공정 작업을 자동화하기 위한 자연어 상호작용을 가능하게 함으로써 전문가의 감독이 여전히 필요하다는 점을 전제로 교육적 접근성과 전문적 효율성 모두를 향상시킵니다.

핵심

복잡한 레고 성을 짓고자 한다고 상상해 보세요. 하지만 설명서는 오직 마스터 건축가만 이해할 수 있는 비밀 코드로 작성되어 있습니다. 수백 개의 작은 메뉴를 직접 클릭해야 하고, 방대한 카탈로그에서 올바른 벽돌을 선택해야 하며, 구조적 무결성을 직접 계산해야 합니다. 실수 하나만 해도 전체가 무너질 수 있으며, 처음부터 다시 시작해야 합니다. 이것이 대부분의 사람들에게 전통적인 화학 공정 시뮬레이터를 사용하는 모습입니다. 강력하지만, 수년의 훈련 없이는 사용하기에 매우 어렵습니다.

이 논문은 그 복잡한 소프트웨어 대신 당신을 위해 대화하는 새로운 "스마트 어시스턴트"를 소개합니다. 이것이 어떻게 작동하는지 간단한 개념으로 나누어 설명합니다:

"번역기"와 "로봇 손"

연구자들은 당신과 복잡한 소프트웨어 (AVEVA Process Simulation, 또는 APS) 사이에 번역기 역할을 하는 시스템을 구축했습니다.

• 당신 (사용자): 당신은 친구에게 도움을 요청하듯 평범한 영어로 시스템과 대화합니다. "물과 메탄올을 분리하는 방법을 보여줄 수 있나요?" 또는 "이 공정을 더 효율적으로 만들려면 어떻게 해야 하나요?"
• LLM 에이전트 (두뇌): 이것이 "대형 언어 모델" 부분입니다. 매우 지식이 풍부하지만 약간 지나치게 열성적인 인턴이라고 생각하세요. 당신의 요청을 이해하고, 이를 단계별로 분해하며, 어떤 도구를 사용해야 하는지 알고 있습니다.
• MCP 서버 (로봇 손): 이것이 결정적인 다리입니다. "두뇌"는 실제로 소프트웨어에 직접 손을 댈 수 없습니다. "로봇 손" (MCP 라는 프로토콜을 사용하여 구축됨) 은 두뇌의 지시를 받아 소프트웨어 내에서 실제로 버튼을 클릭하고, 숫자를 입력하며, 계산을 실행합니다.

두 가지 테스트: 지도 읽기와 집 짓기

이 시스템이 실제로 작동하는지 확인하기 위해 연구자들은 물과 메탄올의 혼합물을 분리하는 일반적인 화학 문제 (기름과 물을 분리하는 것과 유사하지만 화학 물질로 이루어진 경우) 로 테스트했습니다. 그들은 두 가지 다른 테스트를 수행했습니다:

1. 탐정 테스트 (분석)

• 과제: 그들은 에이전트에게 기존에 구축된 시뮬레이션을 주고 "여기서 무슨 일이 일어나고 있으며, 어떻게 개선할 수 있나요?"라고 물었습니다.
• 결과: 에이전트는 탐정처럼 행동했습니다. 그것은 "범죄 현장" (시뮬레이션) 을 살펴보고, 단서 (데이터) 를 읽은 뒤 보고서를 작성했습니다. 장비와 숫자를 정확하게 식별했습니다.
• 주의점: 공정을 개선할 아이디어를 요청했을 때, 에이전트는 긴 제안 목록을 제시했습니다. 일부는 훌륭했습니다 (예: "약간 열을 조금 더 가하라"와 같은 제안). 하지만 일부는 약간 "환각"되거나 지나치게 낙관적이었습니다 (예: 필요하지 않은 복잡한 새로운 기계를 제안하는 것).
• 교훈: 에이전트는 데이터 찾기와 아이디어 브레인스토밍에 뛰어나지만, 때로는 너무 흥분하여 정확하지 않은 것을 제안하기도 합니다. 시도하기 전에 "최고의 아이디어"를 인간 전문가가 다시 한번 확인해야 합니다.

2. 건설자 테스트 (종합)

• 과제: 그들은 에이전트에게 처음부터 전체 시뮬레이션을 구축하도록 요청했습니다. 지시 사항을 전달하는 두 가지 방식을 테스트했습니다:
  • "단계별" 가이드: 사용자는 에이전트에게 작은 단계 하나씩 정확히 무엇을 해야 하는지 알려주었습니다 ("이 파이프를 연결하라", 그 다음 "이 탱크를 추가하라"). 에이전트는 리모컨을 obey 하는 로봇처럼 지시를 완벽하게 따랐습니다.
  • "원샷" 프롬프트: 사용자는 "물 - 메탄올 분리기를 구축하라"는 한 문장만 제공했습니다. 에이전트는 스스로 전체 계획을 파악하려고 시도했습니다.
• 결과: 에이전트는 두 모드 모두에서 시뮬레이션을 구축할 수 있었습니다. "원샷" 모드에서는 인상적이었지만, 존재하지 않는 다이얼을 조정하려 하거나 소프트웨어가 아직 처리할 수 없는 값을 설정하는 등 몇 가지 작은 실수를 범했습니다.
• 교훈: 에이전트는 구조를 구축할 수 있지만, 때로는 잠겨 있는 노브를 돌리려 합니다. 수학이 컴퓨터가 자동으로 해결하기에 너무 어려워지는 "수렴" 문제 (convergence issues) 가 발생하면 인간이 개입하여 수정해야 합니다.

결론: 조종사가 아닌 조종 보조

이 논문은 이 시스템이 오토파일이 아닌 가치 있는 조종 보조 (co-pilot) 라고 결론 내립니다.

• 학생들에게: 소프트웨어 작동 방식을 보여주고 전문 용어를 쉬운 말로 설명해 주는 튜터와 같습니다.
• 전문가들에게: 수시간 동안 메뉴를 클릭하는 대신 수초 내에 필요한 모든 데이터를 불러올 수 있는 초고속 어시스턴트와 같습니다.
• 안전 규칙: 에이전트는 AI 이기 때문에 때로는 사실을 "꿈꾸어 내거나" 작은 수학 오류를 범할 수 있습니다. 논문은 결과를 검증하기 위해 항상 인간 전문가가 루프 안에 있어야 한다고 강조합니다. 소프트웨어 자체가 안전망 역할을 합니다 (물리 법칙이 깨지지 않도록 허용하지 않음). 하지만 AI 의 제안을 해석하려면 인간이 필요합니다.

간단히 말해, 이 논문은 이제 복잡한 화학 공학 소프트웨어와 평범한 영어로 대화할 수 있음을 보여줍니다. AI 는 데이터 찾기와 모델 구축이라는 무거운 일을 처리하지만, 인간 엔지니어는 여전히 선장으로서 배를 조종하고 최종 결정을 내립니다.

기술 요약

기술 요약: 사용자 친화적 화학 공정 시뮬레이션을 위한 LLM 에이전트

문제 제기

현대 화학 공정 시뮬레이터 (예: AVEVA Process Simulation, APS) 는 산업 시스템 설계 및 최적화에 필수적입니다. 그러나 급격한 학습 곡선, 광범위한 수동 구성 요구 사항, 그리고 깊은 도메인 전문 지식의 필요성으로 인해 광범위한 채택이 저해되고 있습니다. 전통적인 워크플로에서는 엔지니어가 복잡한 그래픽 인터페이스를 탐색하고, 열역학 모델을 수동으로 선택하며, 의미 있는 결과를 얻기 위해 물리 원리에 대한 친밀한 지식을 보유해야 합니다. 이러한 장벽은 초급 엔지니어, 학제 간 팀, 그리고 시뮬레이션 전문 지식이 제한된 조직의 접근성을 제한합니다. 인공지능 (AI) 과 대규모 언어 모델 (LLM) 이 자율적 추론과 도구 통합에서 가능성을 보여주고 있지만, 기존 솔루션은 대화형 AI 인터페이스와 안전이 중요한 화학 공학 시뮬레이션의 엄격하고 결정론적인 요구 사항 사이의 간극을 성공적으로 메우지 못했습니다.

방법론

저자들은 모델 컨텍스트 프로토콜 (MCP) 을 통해 LLM 기반 에이전트를 상업용 공정 시뮬레이터 (APS) 와 통합하는 새로운 프레임워크를 제안합니다. 이 아키텍처는 시뮬레이션 엔진의 근본적인 엄격함을 유지하면서 직접적인 수동 상호작용을 지능형 대화 인터페이스로 대체합니다.

아키텍처

이 프레임워크는 세 가지 주요 구성 요소로 구성됩니다:

1. LLM 에이전트 (MCP 클라이언트): 호스트 애플리케이션 (Claude Sonnet 4.0 기반 Claude Desktop) 내에서 실행되며, 자연어 요청을 해석하고 복잡한 작업을 분해하며 도구 호출을 조정하고 대화 컨텍스트를 유지합니다. 이는 다단계 워크플로를 계획하는 인지적 핵심 역할을 합니다.
2. MCP 서버: 이 중계 계층은 시뮬레이터의 Python API 를 깔끔한 고수준 도구 세트로 추상화합니다. FastMCP 를 기반으로 구축된 이 서버는 정의된 입력, 출력 및 사용 설명을 가진 도구로 타입이 지정된 Python 함수를 노출합니다. 이 분리된 아키텍처는 LLM 이 모델별 맞춤화 없이 시뮬레이터와 상호작용할 수 있게 하여, 다양한 LLM 간에 원활한 이동을 가능하게 합니다.
3. 공정 시뮬레이터 통합: MCP 서버는 스크립팅 인터페이스를 통해 APS(2025 버전) 에 연결됩니다. 선별된 도구 세트는 APS API 호출을 의미 있는 작업 (예: aps_connect, sim_create, model_add, var_set_multiple, fluid_create) 으로 캡슐화합니다. 이는 모든 결정론적 공학 계산이 APS 의 물리 기반 솔버에 기반하도록 보장하는 반면, LLM 은 사용자의 의도를 공학적 행동으로 의미론적으로 변환하는 역할을 수행합니다.

사례 연구

이 프레임워크는 이원계 물 - 메탄올 분리 공정 (증류) 을 통해 두 가지 고유한 사례 연구로 평가되었습니다:

• 사례 연구 1 (분석 및 최적화): 에이전트는 기존 시뮬레이션 플로우시트를 분석하고 개선 기회를 식별하며, 목표 메탄올 순도 (>95 mol%) 를 달성하기 위해 반류비를 반복적으로 최적화하는 임무를 수행했습니다.
• 사례 연구 2 (플로우시트 합성): 에이전트는 두 가지 모드 하에서 고수준 사양으로부터 시뮬레이션 플로우시트를 구축하는 능력을 평가받았습니다:
  • 단계별 대화: 사용자가 각 단계에 대한 점진적 지시 (예: 컬럼 추가, 포트 연결) 를 제공했습니다.
  • 단일 프롬프트: 사용자가 전체 플로우시트를 자율적으로 구축하기 위한 단일 고수준 프롬프트를 제공했습니다.

주요 기여

• MCP 기반 통합: 이 논문은 모델 컨텍스트 프로토콜을 사용하여 LLM 에이전트를 상업용 공학 소프트웨어에 연결하는 표준화되고 벤더 중립적인 접근 방식을 제시하며, 에이전트가 시뮬레이션 기능을 동적으로 발견하고 호출하는 분리된 아키텍처를 용이하게 합니다.
• APS 를 위한 선별된 도구 세트: 자연어 명령을 엄격한 APS 작업으로 변환하는 포괄적인 Python 기반 도구 세트가 개발되었으며, 이는 플로우시트 구축, 파라미터 조작 및 결과 추출을 포괄합니다.
• 이중 모드 상호작용 프레임워크: 교육/감독 컨텍스트를 위한 안내된 단계별 구축과 신속한 프로토타이핑을 위한 자율적 단일 프롬프트 합성이라는 두 가지 상호작용 패러다임을 시연하여, 사용자 통제와 에이전트 자율성 간의 트레이드오프를 강조합니다.
• 실증적 평가: 에이전트의 복잡한 시뮬레이션 데이터 분석, 공정 개선 제안 생성, 그리고 지속적인 인간 개입 없이 반복적 최적화 루프를 실행하는 능력을 엄격하게 평가했습니다.

결과

이 프레임워크는 분석 및 합성 작업 모두에서 상당한 능력을 입증했으나, 인간 감독이 필요한 주목할 만한 한계도 있었습니다.

분석 및 최적화 (사례 연구 1)

• 데이터 추출: 에이전트는 APS 에 성공적으로 연결하여 플로우시트 토폴로지를 검색하고 주요 변수 (예: 2006 개 변수 중 356 개) 를 추출하여 공정의 구조화된 요약을 생성했습니다.
• 개선 제안: 에이전트는 11 가지 잠재적 개선 사항 (예: 단계 수 증가, 반류비 최적화, 열 통합) 의 포괄적인 목록을 생성했습니다. 대부분의 제안은 기술적으로 타당했습니다 ("매우 좋음" 또는 "좋음" 등급) 만, 일부는 컨텍스트별 관련성이 부족했습니다 (예: 비반응성 분리에 대한 반응성 증류 제안) 또는 트레이 효율성 가정과 관련하여 경미한 부정확성이 있었습니다.
• 반복적 최적화: 에이전트는 반류비를 조정하기 위한 반복 루프를 성공적으로 실행하여, 84.2 mol% 의 기준선에서 목표 메탄올 순도 (95.1 mol%) 를 달성했습니다. 에너지 트레이드오프 (6% 증가) 를 정확히 식별했습니다.
• 한계: 에이전트는 파생 지표 (예: 백분율 변화) 에서 경미한 계산 오류를 보였으며, 검증된 소스가 아닌 학습 데이터를 기반으로 한 경제적 추정을 생성했습니다. 또한 때때로 중요한 주의 사항 없이 "과도하게 낙관적인" 관찰을 제시했습니다.

플로우시트 합성 (사례 연구 2)

• 단계별 모드: 에이전트는 모델을 추가하고, 포트를 연결하며, 변수를 설정하는 도구 호출을 올바르게 처리하여 점진적인 사용자 지시를 신뢰성 있게 따라 플로우시트를 구축했습니다. 이 모드는 사용자가 세밀한 통제를 유지하는 교육적 컨텍스트에서 효과적이었습니다.
• 단일 프롬프트 모드: 에이전트는 단일 프롬프트에서 기능적 플로우시트를 구축하는 높은 자율성을 보여주었습니다. 열역학 모델 (NRTL) 을 성공적으로 선택하고, 장비를 구성하며, 운전 파라미터를 설정했습니다.
• 기술적 문제: 단일 프롬프트 모드에서 에이전트는 APS 인터페이스에서 명시되지 않은 변수를 설정하려고 시도했습니다 (예: 증류물 유량을 직접 입력으로 설정) 그리고 "Solve" 모드로 전환하기 전에 접촉 효율을 설정하는 등 조기 파라미터 조정을 수행했습니다. 또한 일부 포트 이름을 프로그래밍 방식으로 검색할 수 없다는 점을 인식하지 못해 연결을 위해 사용자 개입이 필요했습니다.
• 수렴: 두 모드 모두에서 프레임워크는 "Configure" 모드에서 "Solve" 모드로 전환하기 위해 인간 개입에 의존했는데, 이 단계는 종종 전문가의 진단이 필요한 수렴 문제를 유발하기 때문입니다.

중요성 및 주장

이 논문은 이 프레임워크가 공학 표준을 훼손하지 않으면서 고급 화학 공정 시뮬레이션 기능에 대한 접근성을 민주화하는 중요한 단계임을 주장합니다.

• 대체 아닌 협업: 저자들은 LLM 에이전트를 공학 전문 지식을 대체하기보다 보완하는 협업 도구로 위치시킵니다. 이 프레임워크는 일상적인 데이터 추출 및 브레인스토밍을 자동화하여 숙련된 실무자를 지원하고, 복잡한 워크플로를 초보자에게 안내하도록 설계되었습니다.
• 안전과 엄격함: 결정론적 물리 기반 솔버 (APS) 를 실행 엔진으로 유지하고 LLM 을 오케스트레이션 및 의미론적 변환에만 사용함으로써, 이 프레임워크는 산업 응용에 필요한 안전성과 신뢰성을 유지합니다. 시뮬레이터 자체는 물리 법칙에 대한 자동 검증 계층을 제공합니다.
• 교육적 및 실용적 가치: 이 시스템은 기술 개념을 변환하고 워크플로를 시연하는 교육 도구로서, 그리고 숙련된 엔지니어가 초기 설계 및 최적화를 가속화하는 생산성 도구로서 가능성을 보여줍니다.
• 향후 방향: 저자들은 환각, 계산 오류, 컨텍스트별 오해 등을 수정하기 위한 전문가 감독의 필요성 등 현재 한계를 인정합니다. 그들은 열역학, 문제 해결 등 전문 역할을 가진 다중 에이전트 시스템 (MAS), 도메인 지식을 위한 검색 증강 생성 (RAG), 그리고 더 복잡한 산업 플로우시트를 처리하기 위한 민감도 분석 및 최적화를 위한 확장된 도구 세트를 포함하는 향후 작업을 제안합니다.

결론적으로, 이 연구는 인간 감독이 워크플로의 핵심 요소로 남아 있는 조건 하에서, LLM 기반 에이전트가 자연어 의도와 엄격한 공학 실행 사이의 간극을 메우며 화학 공정 시뮬레이터를 위한 지능형 인터페이스로 효과적으로 기능할 수 있음을 보여줍니다.