Multi-Agent Collaboration for Automated Design Exploration on High Performance Computing Systems

이 논문은 고성능 컴퓨팅 시스템에서 대규모 설계 공간을 탐색하기 위해 전문 에이전트들이 협력하는 LLM 기반의 MADA 프레임워크를 제안하며, 이를 통해 관성 핵융합의 Richtmyer-Meshkov 불안정성 억제와 같은 복잡한 과학적 설계 작업을 자동화하고 최적화하는 것을 입증합니다.

핵심

🧠 1. 문제 상황: "혼자서 모든 일을 해야 하는 고된 과학자"

과거에 과학자들은 새로운 실험을 할 때, 마치 혼자서 거대한 공장을 운영하는 사장님 같았습니다.

• 설계: 실험용 기계 (모델) 를 직접 설계하고,
• 자재 준비: 필요한 부품 (메쉬/격자) 을 직접 다듬고,
• 작업 지시: 공장의 기계 (슈퍼컴퓨터) 에 실험을 지시하고,
• 결과 분석: 나온 데이터를 직접 읽고, "아, 이걸로 실패했네. 다시 설계해야지"라고 생각하며 다음 작업을 계획했습니다.

이 과정은 매우 지루하고 시간이 많이 걸려서, 과학자들이 진짜 중요한 '발견'을 하는 시간보다 '일정 관리'와 '조작'에 시간을 더 많이 썼습니다.

🚀 2. 해결책: "MADA, 과학자를 위한 AI 팀장"

이 논문은 MADA라는 시스템을 제안합니다. 이는 거대 언어 모델 (LLM, 즉 고도화된 AI) 을 기반으로 한 전문가들로 구성된 팀입니다. 과학자는 이제 '팀장'이 되어 큰 그림만 지시하면, 팀원들이 모든 세부 작업을 알아서 처리해 줍니다.

MADA 팀에는 세 가지 핵심 '전문가 에이전트'가 있습니다.

① 조지미 (Geometry Agent, GA) - "건축가"

• 역할: 실험을 위한 3D 모델과 격자 (메쉬) 를 자동으로 만듭니다.
• 비유: 과학자가 "이런 모양의 벽을 만들어줘"라고 말하면, 조지미는 Cubit이나 PMesh라는 전문 도구를 이용해 그 벽을 자동으로 설계하고 자재 (메쉬) 를 준비합니다. 과학자가 직접 CAD 프로그램을 다루지 않아도 됩니다.

② 지미 (Job Management Agent, JMA) - "현장 감독"

• 역할: 준비된 실험을 슈퍼컴퓨터에 보내고, 실행 상태를 지켜봅니다.
• 비유: 조지미가 만든 설계도를 Flux라는 슈퍼컴퓨터 관리 시스템에 제출합니다. "이 실험을 100 개 동시에 돌려줘"라고 명령하면, 지미는 컴퓨터 자원을 할당하고 "어느 실험이 끝났고, 어느 것이 실패했는지"를 실시간으로 체크합니다.

③ 아이다 (Inverse Design Agent, IDA) - "전략가"

• 역할: 실험 결과를 분석하고, "다음엔 무엇을 시도해 볼까?"를 결정합니다.
• 비유: 지미가 가져온 결과를 보고 "이번 실험은 벽이 너무 약했네. 다음엔 벽 두께를 줄이고 모양을 약간 비틀어보자"라고 새로운 아이디어를 제안합니다. 단순히 결과를 읽는 것을 넘어, 왜 그런 결과가 나왔는지 추론하고 더 나은设计方案을 찾아냅니다.

🛠 3. 어떻게 소통할까? "MCP (모델 컨텍스트 프로토콜)"

이 세 에이전트와 과학자가 사용하는 도구들 (Cubit, Laghos 시뮬레이션 코드 등) 이 서로 말을 통하게 해주는 통역사가 필요합니다. 이 논문에서는 MCP라는 표준 규약을 사용했습니다.

• 비유: 마치 모든 에이전트가 **영어 (MCP)**만 할 줄 안다면, 어떤 도구든 연결해서 바로 대화할 수 있는 것과 같습니다. 새로운 도구가 생겼을 때도, 에이전트 코드를 고칠 필요 없이 통역사 (MCP 서버) 만 연결하면 됩니다.

---

🧪 4. 실제 사례: "폭풍 속의 물방울을 제어하다"

이 팀이 실제로 어떤 일을 해냈는지 두 가지 시나리오로 보여줍니다.

시나리오 A: "실제 슈퍼컴퓨터로 정밀하게 실험하기"

• 목표: 핵융합 연구에서 중요한 '리드미 - 메슈커 불안정성 (RMI)'을 억제하는 것. (쉽게 말해, 충격파가 부딪힐 때 물이 튀는 현상을 막는 것)
• 과정:
  1. 과학자가 "물 튀는 현상을 줄여줘"라고 요청.
  2. 조지미가 실험용 3D 모델을 만들고, 지미가 슈퍼컴퓨터 (Tuolumne) 에 실험을 40 회 실행.
  3. 아이다가 결과를 분석하며 "이 모양이 가장 튀는 게 적네"라고 찾아냄.
• 결과: 과학자가 직접 했다면 며칠 걸렸을 일을 40 분 만에 끝냈고, 실험 성공률을 높였습니다.

시나리오 B: "가상 시뮬레이션으로 빠르게 탐색하기"

• 목표: 같은 문제를 더 빠르게 해결하기 위해, 실제 실험 대신 **AI 예측 모델 (서로게이트 모델)**을 사용.
• 과정: 실제 실험은 20 분 걸리지만, AI 예측 모델은 0.1 초 만에 결과를 냅니다.
• 결과: 아이다가 수백 가지 경우를 순식간에 시도하며 최적의 해답을 찾았습니다. 특히, "왜 이 모양이 좋은지"에 대한 **이유 (추론 과정)**를 인간이 이해할 수 있는 언어로 설명해 주었습니다. (예: "대칭적으로 반대 방향의 값을 주면 물이 튀는 게 가장 적어요")

---

💡 5. 핵심 요약: 왜 이것이 중요한가?

이 논문은 단순히 "컴퓨터가 더 빨라졌다"는 이야기가 아닙니다.

1. 과학자의 역할 변화: 과학자는 이제 "어떻게 실험을 돌릴까?"라는 기술적 고민에서 해방되어, **"무엇을 발견할까?"**라는 본질적인 질문에 집중할 수 있게 되었습니다.
2. 자동화된 협업: AI 에이전트들이 서로 협력하며 설계, 실행, 분석을 자동으로 반복합니다.
3. 이해 가능한 AI: 단순히 답만 주는 것이 아니라, 왜 그 답을 선택했는지에 대한 논리를 설명해 주어 과학자가 신뢰하고 검증할 수 있습니다.

한 줄 요약:

"MADA 는 과학 실험을 **'혼자서 모든 걸 하는 고된 노동'**에서 **'전문가 팀이 알아서 처리하는 스마트 프로젝트'**로 바꿔주는, 과학 발견을 가속화하는 AI 팀장입니다."

기술 요약

논문 요약: 고성능 컴퓨팅 (HPC) 을 위한 자동화된 설계 탐색을 위한 다중 에이전트 협업 (MADA)

이 논문은 MADA (Multi-Agent Design Assistant) 라는 새로운 프레임워크를 제안합니다. MADA 는 대규모 과학적 설계 공간 (Design Space) 을 탐색하고 최적화하는 과정을 자동화하기 위해 대형 언어 모델 (LLM) 기반의 다중 에이전트 시스템을 고성능 컴퓨팅 (HPC) 환경에 통합한 것입니다.

1. 문제 정의 (Problem)

현대 과학 연구 (기후 모델링, 관성 구속 핵융합 (ICF), 신소재 설계 등) 는 방대하고 복잡한 설계 공간을 탐색해야 합니다.

• 기존 방식의 한계: 현재 대부분의 설계 워크플로우는 수동으로 이루어지며, 설계, 시뮬레이션, 검증, 분석의 사이클을 반복하는 과정에서 과학자들은 실제 과학적 발견보다는 워크플로우 오케스트레이션 (작업 관리, 파라미터 설정, 결과 해석 등) 에 많은 시간을 할애합니다.
• 필요성: HPC 를 통한 고충실도 시뮬레이션은 가능해졌지만, 이를 자동으로 제어하고 설계 공간을 지능적으로 탐색하는 폐쇄 루프 (Closed-loop) 워크플로우가 부재합니다.

2. 방법론 (Methodology)

MADA 는 LLM 을 추론 엔진으로 활용하여 과학적 설계 워크플로우를 전문화된 에이전트들로 분해하고 조정합니다. 시스템은 Model Context Protocol (MCP) 을 통해 도메인 특화 도구 (시뮬레이션 코드, 메쉬 생성기, HPC 스케줄러 등) 와 연결됩니다.

핵심 구성 요소

1. Job Management Agent (JMA):
   • HPC 시스템 (Flux 스케줄러 등) 에서 시뮬레이션 작업 (Job) 을 배치, 실행, 모니터링합니다.
   • Laghos (고차 유한 요소 기반 유체 역학 솔버) 와 같은 시뮬레이션 코드를 실행하기 위한 입력 파일을 생성하고 관리합니다.
2. Geometry Agent (GA):
   • 사용자의 자연어 지시나 설계 파라미터를 받아 CAD 모델링 및 메쉬 생성을 자동화합니다.
   • Cubit (Sandia National Labs) 및 PMesh (LLNL) 와 같은 메쉬 생성 툴과 연동합니다.
   • RAG (Retrieval-Augmented Generation) 를 활용하여 도구 문서와 예제 코드를 참조하여 정확한 DSL(도메인 특화 언어) 명령어를 생성하고, 생성된 메쉬의 기하학적 위상 정보를 LLM 에게 제공합니다.
3. Inverse Design Agent (IDA):
   • 시뮬레이션 결과나 대리 모델 (Surrogate Model) 을 분석하여 설계 목표를 달성하는 새로운 설계 후보를 제안합니다.
   • 관심사 (Quantity of Interest, QoI) 를 추출하고, 설계 공간을 탐색하며 다음 반복을 위한 샘플링 전략을 수립합니다.
4. 오케스트레이션 및 협업:
   • AutoGen 프레임워크를 기반으로 하며, 컨텍스트 분석기 (Context Analyzer) 와 선택기 (Selector) 를 통해 에이전트 간의 동적 협업과 상태 공유를 관리합니다.
   • 전문가 (Human-in-the-loop) 는 CLI 또는 GUI 를 통해 설계 목표, 제약 조건을 설정하고 중간 결과를 검토할 수 있습니다.

3. 주요 기여 (Key Contributions)

• MADA 프레임워크: HPC 환경에서 엔드 - 투 - 엔드 과학 설계 탐색을 자동화하는 다중 에이전트 시스템 구축.
• 전문 에이전트 3 종: 작업 관리 (JMA), 기하학/메쉬 생성 (GA), 역설계 (IDA) 를 담당하는 특화 에이전트 개발.
• MCP 통합: 기존 HPC 도구 (Flux, Cubit, Laghos 등) 를 수정하지 않고 MCP 서버를 통해 에이전트가 직접 호출할 수 있도록 표준화된 인터페이스 제공.
• 검증 및 평가: RMI(Richtmyer-Meshkov Instability) 억제 문제를 통해 HPC 시뮬레이션 기반 탐색과 대리 모델 기반 탐색 두 가지 시나리오에서 시스템의 유효성을 입증.

4. 평가 및 결과 (Evaluation & Results)

연구진은 LLNL 의 'Tuolumne' 시스템 (1,152 노드, 294 페타플롭스) 을 사용하여 Richtmyer-Meshkov Instability (RMI) 억제 문제를 해결하는 두 가지 시나리오로 시스템을 평가했습니다.

시나리오 1: HPC 시뮬레이션 기반 설계 탐색

• 설정: Laghos 솔버를 사용하여 충격파가 물질 계면에서 RMI 를 유발하는 과정을 시뮬레이션.
• 과정: MADA 는 메쉬를 생성하고, 40 개의 설계 변형을 HPC 에서 병렬 실행하며 결과를 분석하여 최적의 초기 에너지 분포를 찾았습니다.
• 결과:
  • 초기 설계 대비 10% 개선 (QoI 4.1 → 3.7) 을 달성하여 제트 (Jet) 형성을 효과적으로 억제했습니다.
  • 수동으로 수행할 경우 수일이 걸리는 작업을 약 40 분 내에 완료했습니다.

시나리오 2: 대리 모델 (Surrogate Model) 기반 고속 탐색

• 설정: 고충실도 시뮬레이션 대신 머신러닝 기반의 대리 모델을 사용하여 고속으로 설계 공간을 탐색.
• 과정: 4 개의 스플라인 포인트 (Spline points) 를 변수로 하여 RMI 를 최대화/최소화하는 문제를 해결.
• 결과:
  • RMI 최소화: 40 회 이하의 평가로 전역 최적점 (Global Optimum) 을 찾았으며, 이는 그라디언트 기반 최적화 (L-BFGS-B) 와 동등하거나 더 빠른 성능을 보였습니다.
  • RMI 최대화: 국소 최적점에 수렴했으나, 에이전트가 해석 가능한 추론 (Reasoning Trace) 을 제공하여 "부호의 교대 (Alternating signs)"가 RMI 성장에 결정적임을 발견했습니다.
  • 기존 수치 최적화 기법과 달리, 에이전트는 왜 특정 설계가 좋은지에 대한 자연어 기반의 설명을 제공했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 과학 발견 가속화: 과학자들이 워크플로우 관리에 소요되는 시간을 줄이고, 실제 과학적 통찰과 해석에 집중할 수 있도록 지원합니다.
• 유연성과 확장성: MCP 를 통해 다양한 HPC 도구와 시뮬레이션 코드를 쉽게 통합할 수 있으며, 시뮬레이션 기반과 대리 모델 기반 탐색을 유연하게 전환할 수 있습니다.
• 해석 가능성 (Interpretability): 단순한 최적화 결과를 넘어, 에이전트가 설계 공간을 탐색하는 과정과 그 이유를 자연어로 설명함으로써 과학자의 신뢰를 높이고 새로운 가설을 제시할 수 있습니다.
• 미래 전망: 이 연구는 LLM 기반 다중 에이전트 시스템이 복잡한 과학 공학 워크플로우를 자동화하고, 고성능 컴퓨팅 자원을 지능적으로 활용하는 새로운 패러다임을 제시합니다.

요약하자면, MADA 는 LLM 의 추론 능력과 HPC 의 계산 능력을 결합하여, 인간 과학자의 개입을 최소화하면서도 고품질의 설계 최적화를 가능하게 하는 혁신적인 자동화 프레임워크입니다.