OPTIAGENT: A Physics-Driven Agentic Framework for Automated Optical Design

Each language version is independently generated for its own context, not a direct translation.

🕶️ 렌즈 설계: 왜 인공지능에게 어려운 일일까?

1. 기존 AI 의 한계: "이론은 알지만, 실전은 못 해"
일반적인 인공지능 (예: 챗GPT) 은 책에서 배운 광학 이론은 아주 잘 알고 있습니다. "렌즈가 뭐야?"라고 물으면 아주 잘 설명해 줍니다. 하지만, **"EFFL(유효 초점 거리) 이 412.6 인 렌즈를 만들어줘"**라고 요청하면 완전히 엉망인 답을 내놓습니다.

비유: 마치 요리 이론은 박사급이지만, 실제 주방에 서면 칼질도 못하고 불을 끄지 못하는 요리사와 같습니다.
- AI 는 "소금과 후추를 섞으면 맛이 좋아진다"는 이론은 알지만, 실제로 "소금 3g, 후추 0.5g"을 정확히 재서 넣는 정밀한 작업은 못 합니다.
- 렌즈 설계는 1% 의 오차도 용납되지 않습니다. 곡률 반경을 1% 잘못 계산하면 빛이 제대로 모이지 않아 렌즈가 망가집니다.

2. 렌즈 설계의 어려움: "퍼즐 조각들이 서로 얽혀있음"
렌즈는 단순히 유리 조각을 쌓아 올리는 게 아닙니다. 앞쪽 렌즈의 모양을 조금만 바꿔도 뒤쪽 렌즈의 두께나 재료를 모두 바꿔야 빛이 제대로 초점을 맞출 수 있습니다.

비유: 거대한 퍼즐을 맞추는 것과 같습니다. 한 조각을 살짝만 밀어도 나머지 모든 조각이 제자리를 잃고 무너져 내립니다. 기존 AI 는 이런 '공간적 논리'를 이해하지 못해, 이론적으로는 가능해 보이지만 실제로는 빛이 통과할 수 없는 '불가능한 렌즈'를 만들어냅니다.

🚀 OPTIAGENT 의 해결책: "물리 법칙을 배우는 AI"

이 연구팀은 일반 AI 를 물리 법칙을 철저히 지키는 전문가로 변신시켰습니다. 그 핵심은 세 가지입니다.

1. "빈칸 채우기" 훈련 (Optical Prescription Completion)

AI 에게 렌즈 설계의 '전체 그림'을 처음부터 그리게 하기보다, 이미 설계된 렌즈의 일부 숫자를 지우고 (마스크), 그 빈칸을 채우게 했습니다.

비유: 레고 조립을 가르칠 때, 처음부터 다 만들게 하는 대신 "이 레고 블록을 끼우면 저 블록이 어떻게 변해야 할지"를 반복해서 훈련시킨 것입니다. 이를 통해 AI 는 렌즈 조각들 사이의 복잡한 관계를 몸으로 익히게 됩니다.

2. "물리 법칙 점수제" (Physics-Driven Reward)

AI 가 만든 렌즈를 평가할 때, 단순히 "글이 잘 쓰였나?"를 보는 게 아니라 **"빛이 실제로 통과할 수 있는가?"**를 점수로 매겼습니다.

비유: 자동차 시험 주행과 같습니다.
- 형식 점수: 문서가 잘 쓰였나? (O)
- 구조 점수: 바퀴가 달려 있고 문이 닫혔나? (O)
- 물리 점수: 실제로 시동을 걸고 달릴 수 있는가? (X 면 0 점)
- 성능 점수: 얼마나 빠르게 달리는가?
- OPTIAGENT 는 이 점수제를 통해 "아, 이 설계는 물리적으로 불가능하구나"라고 스스로 학습합니다.

3. "전문가의 마지막 다듬기" (Zemax 연동)

AI 가 만든 초기 설계는 완벽하지 않을 수 있습니다. 그래서 AI 가 만든 설계안을 **전용 렌즈 설계 소프트웨어 (Zemax)**에 넣어 마지막 정밀 조정을 거치게 합니다.

비유: **건축가 (AI)**가 건물의 기본 골격을 빠르게 설계하면, **시공 팀 (Zemax)**이 가서 벽을 다듬고 배관을 정확히 연결하는 방식입니다. AI 는 '큰 그림'을 그리고, 전문 도구가 '정밀한 마무리'를 합니다.

🏆 결과: 얼마나 잘할까?

실험 결과, OPTIAGENT 는 기존 AI 들과 비교해 압도적인 성과를 냈습니다.

성공률: 기존 AI 들은 렌즈를 설계해달라고 하면 70~80% 만 제대로 만들었고, 나머지는 물리적으로 불가능한 엉뚱한 설계였습니다. 하지만 OPTIAGENT 는 90% 이상이 물리적으로 가능한 올바른 렌즈를 만들었습니다.
정밀도: 목표한 초점 거리 (EFFL) 오차가 1% 미만으로 매우 정확했습니다.
작은 모델, 큰 성과: 거대한 AI 모델 (수천 억 파라미터) 보다 훨씬 작은 모델을 사용했는데도, 물리 법칙을 잘 학습했기 때문에 더 좋은 결과를 냈습니다.

💡 결론

이 논문은 **"인공지능이 단순히 글을 잘 쓰는 것을 넘어, 물리 법칙을 이해하고 공학 문제를 해결할 수 있다"**는 것을 보여줍니다. OPTIAGENT 는 렌즈 설계라는 어렵고 전문적인 분야를 일반인도 쉽게 접근할 수 있게 만들었으며, 앞으로 카메라, 안경, 현미경 등 다양한 광학 기기를 자동으로 설계하는 시대를 열었습니다.

한 줄 요약:

"이론만 아는 요리사 (기존 AI) 를, 실제 재료를 다루는 명장 (OPTIAGENT) 으로 변신시켜, 실패 없는 요리를 가능하게 한 혁신!"

Each language version is independently generated for its own context, not a direct translation.

1. 문제 정의 (Problem Definition)

광학 렌즈 설계는 빛을 정밀하게 조작하여 고충실도 이미지를 생성하기 위해 광학 요소를 구성하는 과정으로, 본질적으로 매우 비볼록 (non-convex) 한 최적화 문제입니다.

기존 방식의 한계: 전통적인 설계는 인간의 직관과 경험에 의존하며, 초기 구조를 제안한 후 고차원의 최적화를 수행하는 두 단계 프로세스를 따릅니다. 이는 노동 집약적이며 초기 구성에 민감합니다.
자동화 알고리즘의 부족: 진화 알고리즘 (QGSO 등) 기반 자동 설계는 이산적인 구조 탐색에 어려움을 겪어 물리적으로 불가능한 구성을 생성하거나, 수렴에 수십 일이 소요되는 등 실용성이 떨어집니다.
LLM 의 한계: 대규모 언어 모델 (LLM) 은 광학 이론에 대한 방대한 지식을 보유하고 있지만, 이를 실제 설계로 전환하는 데 실패합니다. LLM 은 텍스트 생성에는 능숙하지만, 렌즈 시스템의 기하학적 상호의존성 (geometric inter-dependencies) 과 엄격한 물리적 제약 (physical constraints) 을 이해하고 준수하는 '공간 논리 (spatial logic)'가 부족합니다. 결과적으로 생성된 설계는 제조가 불가능하거나 광학적으로 기능하지 않는 경우가 많습니다.

2. 방법론 (Methodology)

이 논문은 OPTIAGENT라는 새로운 에이전트 프레임워크를 제안하며, 광학 렌즈 설계를 물리 기반의 강화 학습 (RL) 을 통한 목표 지향적 의사결정 과정으로 재정의합니다.

가. 데이터셋: OptiDesignQA

광학 렌즈 설계용 LLM 의 후속 학습 (post-training) 및 평가를 위해 최초로 구축된 전용 데이터셋입니다.
구성: 권위 있는 광학 교과서의 고전적 렌즈 구조 (711 개 전체 설계, 124 개 처방 완성) 와 최신 자동 전역 최적화 알고리즘으로 생성된 새로운 구성을 포함합니다.
목적: 모델이 물리적 직관을 내재화하고 다양한 설계 요구사항을 학습하도록 합니다.

나. 핵심 혁신 1: 광학 처방 완성 (Optical Prescription Completion)

LLM 이 렌즈 시스템의 기하학적 상호의존성을 내재화하도록 돕는 보조 태스크입니다.
설계 요구사항과 함께 일부 파라미터 (반경, 두께, 재료 등) 가 마스킹 (Masked) 된 광학 처방을 입력으로 주어, 누락된 값을 문맥을 기반으로 채우게 합니다. 이를 통해 모델은 단순한 텍스트 생성이 아닌 물리적 제약 하의 수치적 완결성을 학습합니다.

다. 핵심 혁신 2: 물리 기반 정책 정렬 (Physics-Driven Policy Alignment)

DrGRPO (Group Relative Policy Optimization Done Right): 그룹 상대적 정책 최적화 알고리즘을 사용하여 모델을 학습시킵니다.
광학 사전적 보상 (Optical Lexicographic Reward): 계층적 보상 시스템을 도입하여 모델의 정책을 물리 법칙에 정렬시킵니다.
1. 형식 보상 ( $R_{fmt}$ ): 광학 데이터 기술 언어 (ODDL) 형식 준수 여부.
2. 구조 보상 ( $R_{stru}$ ): 물리적 타당성 (렌즈 교차 없음, 공기 간격 양수, 재료 유효성 등) 확인.
3. 근축 광선 추적 보상 ( $R_{ray}$ ): 유효 초점 거리 (EFFL) 정확도 및 이미지 평면 위치 확인을 위한 미분 가능한 광선 추적 엔진 사용.
4. RMS 보상 ( $R_{RMS}$ ): 이미지 품질 (광점 반지름) 최적화.
- 주의: 상위 단계 (형식, 구조) 를 통과하지 못하면 하위 단계 (광선 추적, RMS) 보상은 계산되지 않는 게이팅 (Gating) 메커니즘을 적용하여 학습 안정성을 확보합니다.

라. 엔드 - 투 - 엔드 파이프라인

학습 단계: LLM 에이전트가 물리 시뮬레이터 (광선 추적) 와 보상 평가기를 통해 초기 렌즈 구조를 생성하고 강화 학습합니다.
추론 단계: 생성된 초기 구조 ( $L_0$ ) 를 Zemax와 같은 전문 광학 소프트웨어에 입력하여 국소 최적화 (Local Optimization) 를 수행함으로써 상업적 수준의 정밀도를 달성합니다.

3. 주요 기여 (Key Contributions)

선구적인 에이전트 프레임워크: 광학 렌즈 설계를 LLM 이 해결할 수 있는 목표 지향적 의사결정 문제로 변환한 최초의 프레임워크를 제안했습니다.
광학 설계 벤치마크 (OptiDesignQA): 광학 설계에 특화된 첫 번째 전용 데이터셋을 공개하여, 물리적 직관 주입 및 LLM 평가의 표준을 마련했습니다.
물리 기반 정책 정렬: 계층적 사전적 보상 (Lexicographic Reward) 을 통해 LLM 이 엄격한 기하학적 및 물리적 제약을 준수하도록 하여, 기존 LLM 들이 생성하지 못했던 물리적으로 실현 가능한 렌즈 시스템을 생성하게 했습니다.

4. 실험 결과 (Results)

OptiDesignQA 테스트셋을 기반으로 한 실험 결과는 다음과 같습니다.

성공률 (Success Rate, SR): 제안된 OPTIAGENT 는 **90.1%**의 성공률을 기록하여, ChatGPT-5.2 (72.0%), Qwen3-235B (77.8%) 등 기존 최첨단 LLM 들을 압도했습니다. 이는 생성된 설계가 물리적으로 유효하고 파싱 가능함을 의미합니다.
EFFL 상대 오차: 목표 유효 초점 거리에 대한 오차가 **1.0%**로, 기존 모델들 (30~50% 이상) 에 비해 압도적으로 정확합니다.
초기 RMS (Initial RMS): Zemax 최적화 전의 초기 설계 단계에서도 광학 품질 (RMS 스폿 반지름) 이 기존 모델보다 10 배 이상 우수했습니다. 이는 물리 기반 학습이 모델의 초기 구조 생성 능력을 극적으로 향상시켰음을 보여줍니다.
모델 크기 대비 성능: 파라미터 수가 235B 인 거대 모델 (Qwen3-235B) 보다 훨씬 작은 4B 모델 (Qwen3-4B) 을 기반으로 한 OPTIAGENT 가 더 나은 성능을 발휘했습니다. 이는 모델의 규모보다 물리 정렬 (Physical Alignment) 이 광학 설계에는 더 중요함을 시사합니다.

5. 의의 및 결론 (Significance)

광학 공학의 민주화: 광학 전문 지식이 없는 사용자도 자연어 명령어로 기능적인 렌즈 시스템을 설계할 수 있게 하여, 광학 설계의 진입 장벽을 낮췄습니다.
복잡한 물리 문제 해결의 새로운 패러다임: LLM 이 단순한 텍스트 생성을 넘어, 엄격한 물리 법칙이 적용된 복잡한 엔지니어링 문제를 해결할 수 있음을 입증했습니다.
실용적 적용: 생성된 초기 구조는 Zemax 와 같은 상용 소프트웨어에서 즉시 정밀 최적화가 가능하여, 실제 산업 현장에서의 적용 가능성을 높였습니다.

요약하자면, OPTIAGENT 는 LLM 의 언어적 능력을 광학 설계의 물리적 엄격성과 결합하여, 기존 자동화 알고리즘의 비효율성과 일반 LLM 의 물리적 비현실성을 동시에 해결한 획기적인 프레임워크입니다.