1. 연구 배경 및 문제 정의 (Problem)

• 배경: 전산유체역학 (CFD) 은 항공우주, 에너지, 의료 등 핵심 공학 분야에서 필수적이지만, 높은 진입 장벽과 복잡한 워크플로우로 인해 자동화가 어렵습니다. 최근 대규모 언어 모델 (LLM) 기반 에이전트가 이를 해결할 잠재력을 보였으나, 실제 적용에는 한계가 있습니다.
• 핵심 문제: 의미 - 물리 분리 (Semantic-Physical Disconnect)
  • 기존 LLM 기반 에이전트나 표준 RAG(Retrieval-Augmented Generation) 는 확률적 생성에 의존합니다.
  • 문맥 오염 (Context Poisoning): 벡터 기반 RAG 는 언어적 유사성 (예: 'nut', 'U', 'Spalding'이라는 토큰 분할) 에만 의존하여 물리적으로 유효하지 않은 구성 (예: 비압축성 유동에 압축성 조건 적용) 을 검색해냅니다.
  • 템플릿의 경직성 (Template Rigidity): 기존 ChatCFD 와 같은 구조화된 RAG 는 튜토리얼 사례에 매칭되는 템플릿만 찾을 수 있어, 새로운 물리 조건의 조합 (예: 특정 솔버와 난류 모델의 새로운 결합) 이 필요한 실제 공학 문제에서는 정확도가 급격히 떨어집니다 (약 30% 미만).
• 목표: LLM 의 생성 능력과 물리 법칙/수치적 안정성을 엄격하게 준수하는 심볼릭 검증 능력을 결합하여, 신뢰할 수 있는 자율 CFD 에이전트를 구축하는 것입니다.

2. 제안 방법론: PhyNiKCE (Methodology)

PhyNiKCE (Physical and Numerical Knowledgeable Context Engineering) 는 신경심볼릭 (Neurosymbolic) 아키텍처를 기반으로 하며, 신경 계획 (Neural Planning) 과 심볼릭 검증 (Symbolic Validation) 을 분리하는 '가드레일 (Guardrail)' 패러다임을 따릅니다.

A. 아키텍처 구성

1. 자율 CFD 에이전트 (Neural Component): 사용자 입력 (자연어, PDF, 메시 등) 을 분석하고 시뮬레이션 계획을 수립하며, 문법적 생성을 담당합니다.
2. 심볼릭 지식 엔진 (Symbolic Knowledge Engine): 물리 및 수치적 일관성을 강제하는 결정론적 (Deterministic) 가드레일 역할을 합니다.

B. 핵심 구성 요소

• 심볼릭 지식 베이스 (Symbolic Knowledge Base):

  • OpenFOAM 의 400 개 이상의 튜토리얼 사례와 소스 코드를 파싱하여 구조화된 JSON 형식으로 변환합니다.
  • 단순 문서 집합이 아닌, 물리 특징 (Solver, Turbulence Model, Compressibility) 을 키로 하는 튜플 집합으로 구성됩니다.
  • 경계 조건 (BC) 의 파라미터 다형성 (예: 압축성/비압축성에 따른 다른 파라미터 요구사항) 을 소스 코드 헤더에서 추출하여 이론적 제약을 추가합니다.

• 결정론적 RAG 엔진 (Deterministic RAG Engine):

  • 벡터 유사도 검색 대신 제약 만족 문제 (CSP) 로서 컨텍스트 검색을 수행합니다.
  • 5 가지 전문화된 검색 전략:
    1. Cascading Fallback Retriever: 물리 제약 (솔버, 난류 모델 등) 을 계층적으로 완화하여 희소한 지식 베이스에서도 물리적으로 일치하는 최적의 매칭을 찾습니다.
    2. All-Model Retriever: 수치적 안정성을 위해 솔버와 난류 모델 모두와 호환되는 이산화 스킴 (Discretization Schemes) 을 결합합니다.
    3. Data-driven Template Retriever: 통계적 확률을 기반으로 선형 솔버 설정 (fvSolution) 의 표준 템플릿을 생성합니다.
    4. Multi-Source Retriever: 튜토리얼 예시 (구문) 와 소스 코드 제약 (물리 규칙) 을 결합하여 경계 조건을 정확히 구성합니다.
    5. Heuristic Keyword Retriever: 런타임 오류 발생 시, 오류 키워드를 기반으로 가장 작은 수정 단위 (Snippet) 를 찾아냅니다.

• 작동 프로세스:

  1. 입력 분석: 사용자 요구사항을 물리 특징으로 추출.
  2. 케이스 파일 초기화 (Stage 2): 결정론적 RAG 를 통해 검증된 컨텍스트를 주입하여 파일 생성.
  3. 오류 반성 (Stage 3): 실행 실패 시, 심볼릭 검색을 통해 오류 원인을 진단하고 검증된 수정안을 적용 (최대 30 회 반복).

3. 주요 기여 (Key Contributions)

1. 신경심볼릭 제약 강제: 벡터 기반 RAG 의 '문맥 오염'을 제거하고, 물리 법칙과 수치적 안정성을 엄격하게 준수하는 결정론적 검색 엔진을 도입했습니다.
2. 복잡한 작업에서의 우수한 정확도: 실제 튜토리얼이 아닌 학술 문헌 기반의 복잡한 CFD 과제에서 기존 SOTA(Baseline) 대비 96% 의 상대적 개선 (정확도 26% → 51%) 을 달성했습니다.
3. 추론 효율성 증대: 시행착오 (Trial-and-error) 를 지식 기반 초기화로 대체하여, 자율 자기 수정 루프를 59% 감소시키고 LLM 토큰 소비를 17% 절감했습니다.
4. 감사 가능성 (Auditability) 과 신뢰: 모든 설정 파라미터가 지식 베이스의 특정 규칙에서 유래했음을 추적 가능하게 하여, 규제 산업에 적합한 '신뢰할 수 있는 AI(Trustworthy AI)' 패러다임을 제시했습니다.

4. 실험 결과 (Results)

• 실험 설정: OpenFOAM 기반의 NACA 0012 익형 (비압축성) 과 Laval 노즐 (압축성) 사례를 사용하여 다양한 솔버 (simpleFoam, rhoCentralFoam 등) 와 난류 모델 (SA, k-ω SST, k-ε) 의 조합으로 테스트했습니다.
• 성능 비교:
  • 실행률 (Execution Rate): PhyNiKCE 는 81% 의 실행률을 기록하여, 구조적 오류로 인한 실행 실패를 크게 줄였습니다.
  • 정확도 (Accuracy): 전체 정확도는 **51%**로, 기존 ChatCFD 아키텍처 (26%) 보다 약 2 배 높았습니다. 특히 압축성 유동에서 정확도가 18% 에서 40% 로 크게 향상되었습니다.
  • 자원 효율성: PhyNiKCE 는 케이스당 평균 151.2k 토큰을 사용하여 Baseline(181.2k 토큰) 보다 효율적이었으며, 오류 수정에 필요한 반성 (Reflection) 횟수를 22.11 회에서 9.06 회로 줄였습니다.
• 물리적 충실도 검증: 생성된 시뮬레이션 결과 (속도 등고선, 압력 계수, 슈리렌 이미지) 가 실험 데이터 및 이론적 예측과 높은 일치도를 보였습니다.

5. 의의 및 결론 (Significance)

• 패러다임 전환: 자율 공학 에이전트의 성능 한계가 모델의 능력 (LLM 크기) 이 아니라, 도메인 지식의 밀도와 구조에 있음을 증명했습니다. 방대한 데이터 양 (Data Volume) 보다 구조화된 정보의 밀도 (Information Density) 가 논리 기반 도메인에서 더 효과적입니다.
• 확장성: 이 아키텍처는 CFD 에 국한되지 않으며, 구조 역학 (Abaqus), 대기 과학 (WRF), 전자기학 등 다른 CAE(Computer-Aided Engineering) 분야로 쉽게 확장 가능합니다.
• 산업적 가치: '검증 가능한 (Auditable)' 자율 에이전트 구축을 가능하게 하여, 디지털 트윈 및 산업 4.0 환경에서의 안전 필수 (Safety-critical) 자동화에 기여할 수 있습니다.

이 논문은 확률적 LLM 의 한계를 심볼릭 논리로 보완함으로써, 물리 기반 시뮬레이션의 완전한 자동화를 향한 중요한 이정표를 제시했습니다.