Rethinking Scientific Modeling: Toward Physically Consistent and Simulation-Executable Programmatic Generation

[기술 요약] 자동 건축 모델링(AutoBM)을 위한 물리적 일관성 및 실행 가능한 프로그램 생성 연구

1. 문제 정의 (Problem Statement)

현재 대규모 언어 모델(LLM)을 활용한 과학적 모델링 및 코드 생성 기술은 비약적으로 발전했으나, **구조 공학(Structural Engineering)**과 같은 고도의 정밀도가 요구되는 도메인에서는 다음과 같은 치명적인 한계가 존재합니다.

• 물리적 불일치 (Physical Inconsistency): LLM이 생성한 코드가 문법적으로는 올바를지라도, 구조 역학 원리나 설계 기준(Code)을 위반하여 물리적으로 불가능한 결과를 도출함.
• 실행 불가능성 (Non-executability): 긴 코드 생성 과정에서 구문 오류(Syntax Error)나 API 사용법 오류가 발생하여 시뮬레이션 엔진(OpenSeesPy 등)에서 실행되지 않음.
• 제약 조건 준수 실패: 복잡한 공학적 제약 조건(층간 변위 제한, 부재 강도 등)을 논리적으로 추론하고 반영하는 능력이 부족함.

2. 핵심 방법론 (Methodology)

본 논문은 물리적 제약 조건을 준수하면서 시뮬레이션이 즉시 가능한 모델을 생성하기 위해 AutoBM(Automatic Building Modeling) 프레임워크를 제안합니다.

A. CivilInstruct 데이터셋 구축:
단순한 코드 쌍이 아닌, 공학적 지식을 체계화한 4단계 파이프라인을 통해 구축되었습니다.

1. Fine-grained API 데이터: OpenSeesPy 공식 문서를 기반으로 한 API 학습 데이터.
2. Parameterized Long Code: 다양한 건축물 기능 및 지진 조건을 반영한 장문 코드 데이터.
3. Bug-CoT (Chain-of-Thought): 실행 오류 로그를 바탕으로 오류 원인 분석과 해결 과정을 담은 디버깅 데이터.
4. Physics-Informed Expert Data: 물리적 타당성(고유 주기 등)이 검증된 고품질 전문가 데이터.

B. RLA-SPC (Reinforcement Learning Alignment under Structural Physical Constraints):
두 단계의 정렬 전략을 사용합니다.

• 1단계 (SFT): 지도 학습을 통해 기본적인 API 문법과 도메인 구문을 학습합니다.
• 2단계 (SPC-GRPO): 그룹 상대 정책 최적화(GRPO)를 변형하여, **다중 계층 하이브리드 보상(MGHR)**을 적용합니다.
  • 형식 보상 (Format): 마크다운 및 코드 구조 준수 여부.
  • 논리 보상 (AST): 추상 구문 트리(AST)를 통해 필수 API(위상, 경계 조건, 해석 등)의 계층적 포함 여부 확인.
  • 실행 및 물리 보상 (Sandbox-based): 샌드박스 환경에서 코드를 직접 실행하여 실행 성공 여부와 구조적 고유 주기(Fundamental Period)의 물리적 정확도를 보상으로 부여.

C. BMEval 벤치마크:
단순 코드 실행을 넘어, 공학적 설계 기준 준수 여부(Compliance)와 물리적 수치 정확도(Period)를 통합적으로 평가하는 엄격한 검증 프로토콜을 제안합니다.

3. 주요 기여 (Key Contributions)

• 새로운 연구 과제 정의: 자연어 설명을 기반으로 공학적으로 유효한 모델링 코드를 생성하는 AutoBM 태스크를 공식화함.
• 도메인 특화 데이터셋 및 벤치마크: 구조 공학 지식과 물리적 제약 조건이 결합된 CivilInstruct와 BMBench를 구축함.
• 물리 제약 강화 학습 알고리즘: 물리적 법칙을 보상 함수에 직접 통합하여 LLM의 '물리적 환각(Physical Hallucination)'을 억제하는 RLA-SPC를 제안함.

4. 실험 결과 (Results)

• 성능 향상: RLA-SPC를 적용한 결과, 기존 베이스라인 모델(CodeLlama, Qwen 등)에 비해 **코드 실행 가능성(Executability)**과 **공학적 설계 준수율(Compliance)**이 비약적으로 상승함 (Table 2 참조).
• 물리적 일관성 확보: SFT만 수행했을 때 나타나던 물리적 오류(예: 부적절한 강성 정의로 인한 변위 초과)가 강화 학습을 통해 크게 감소함.
• 데이터의 중요성 확인: Bug-CoT 데이터를 포함했을 때 모델의 디버깅 능력과 코드 견고성(Robustness)이 유의미하게 개선됨을 입증함.

5. 연구의 의의 (Significance)

본 연구는 LLM이 단순히 언어적 패턴을 모방하는 수준을 넘어, 물리 법칙과 엄격한 공학적 규범을 준수하는 '과학적 도구'로서 기능할 수 있는 방법론을 제시했습니다. 이는 향후 건축, 토목, 기계 공학 등 정밀한 수치 시뮬레이션이 필수적인 분야에서 AI 기반 자동 설계 및 해석 워크플로우를 구축하는 데 핵심적인 토대가 될 것입니다.