Context is all you need: Towards autonomous model-based process design using agentic AI in flowsheet simulations

이 논문은 대규모 언어 모델과 도구 사용 능력을 갖춘 에이전트 AI 프레임워크를 화학 공정 플로우시트 시뮬레이션에 적용하여, 공학적 지식과 코드 구현을 담당하는 다중 에이전트 시스템을 통해 산업용 공정 설계 자동화를 달성하고 그 유효성을 입증한 연구입니다.

핵심

이 논문은 화학 공장 설계라는 매우 복잡하고 어려운 일을 인공지능 (AI) 에이전트가 어떻게 스스로 해낼 수 있게 되었는지 보여주는 흥미로운 연구입니다.

기존의 화학 공학자들은 수년 동안 경험과 복잡한 수학을 바탕으로 공장을 설계해 왔는데, 이 논문은 **"AI 가 이제 그 일을 도와줄 뿐만 아니라, 스스로 설계하고 시뮬레이션까지 돌릴 수 있다"**는 것을 증명했습니다.

이 내용을 일반인이 쉽게 이해할 수 있도록 **두 명의 'AI 조수'**와 **마법 같은 '설계도'**를 예로 들어 설명해 드리겠습니다.

---

🏭 핵심 아이디어: 두 명의 AI 조수 팀

이 연구는 BASF(독일의 거대 화학 기업) 의 자체 소프트웨어인 'Chemasim'을 이용해, 두 명의 AI 에이전트가 팀을 이루어 일하는 방식을 개발했습니다. 마치 한 팀의 건축가와 시공팀이 협력하는 것과 같습니다.

1. 첫 번째 조수: "대장 건축가" (Process Development Agent)

• 역할: 전체적인 공장의 설계도를 그리는 사람입니다.
• 일: "원유를 넣어서 플라스틱을 만들어라"라는 주문을 받으면, 어떤 기계를 어디에 배치해야 할지, 어떤 화학 반응이 일어날지, 열을 얼마나 써야 할지 개념적인 아이디어를 냅니다.
• 특징: 이 조수는 복잡한 화학 법칙과 물리 법칙을 계산할 수 있는 '계산기 도구'를 가지고 있습니다. 하지만 실제 기계 설치 방법 (코드 작성) 은 모릅니다. 그저 "이렇게 해보자!"라고 아이디어만 냅니다.

2. 두 번째 조수: "정밀 시공팀" (Chemasim Modelling Agent)

• 역할: 대장 건축가가 그린 설계도를 바탕으로 실제 기계를 설치하고 작동시키는 사람입니다.
• 일: "대장님이 이리 해라"라고 하면, 이 조수는 BASF 의 특수한 언어 (Chemasim 코드) 로 기계들을 연결합니다.
• 특징: 이 조수는 **실제 시뮬레이션 (가상 실험)**을 돌릴 수 있습니다. 만약 기계가 고장 나거나 (오류 발생), 설계가 잘못되어 공장이 멈추면, 스스로 오류를 찾아내어 코드를 수정하고 다시 실행합니다.

---

🚀 이 시스템이 어떻게 작동할까요? (마법 같은 과정)

이 두 AI 는 다음과 같은 순서로 일을 합니다.

1. 지시사항 받기: 연구자가 "물과 알코올을 섞어서 분리해줘"라고 입력합니다.
2. 대장 건축가의 설계: 첫 번째 AI 가 물리 법칙을 계산하며 "우선 증류탑을 2 개 만들고, 열을 가해서 분리하자"라는 설계 계획서를 작성합니다.
3. 시공팀의 실행: 두 번째 AI 가 이 계획서를 보고 BASF 의 특수 언어로 코드를 작성합니다.
4. 스스로 고치기 (가장 중요한 부분):
   • 시뮬레이션을 돌렸는데 "에러! 압력이 너무 높아요!"라는 메시지가 뜹니다.
   • 기존에는 사람이 수동으로 고쳐야 했지만, 이 AI 는 에러 메시지를 읽고 "아, 압력을 낮추는 코드로 고쳐야겠구나"라고 스스로 판단하여 코드를 수정합니다.
   • 다시 실행하고, 또 에러가 나면 또 고칩니다. 마치 스스로 문제를 해결하는 로봇처럼 작동합니다.

---

🧪 실제 테스트 결과: AI 는 얼마나 잘할까?

연구팀은 AI 에게 3 가지 어려운 미션을 주었습니다.

1. 화학 반응과 분리: 에틸렌과 벤젠을 섞어 새로운 물질을 만들고, 불순물을 제거하는 공정을 설계하게 했습니다. AI 는 반응 조건을 계산하고, 분리 장치를 배치하는 완벽한 공장을 설계했습니다.
2. 압력 조절로 분리 (Pressure-swing distillation): 압력을 높였다 낮추기를 반복하며 섞인 물질을 분리하는 복잡한 공정을 설계했습니다. AI 는 압력 변화에 따른 물의 끓는점 변화를 계산해 최적의 공정을 찾아냈습니다.
3. 혼합물 분리 (Entrainer selection): 섞인 액체를 분리하기 위해 어떤 '첨가제'를 써야 할지 고르는 문제였습니다. AI 는 여러 후보 중 가장 효율적인 첨가제를 선택하고 공정을 설계했습니다.

결과: AI 가 설계한 공장 모델은 실제 시뮬레이션을 돌렸을 때, 인간 전문가가 계산한 예상치와 거의 일치했습니다. 즉, AI 가 혼자서도 꽤 훌륭한 공장을 설계하고 작동시킬 수 있다는 것을 증명했습니다.

---

⚠️ 아직은 한계가 있습니다 (미래의 과제)

물론 AI 가 만능은 아닙니다. 논문은 다음과 같은 한계도 지적합니다.

• 너무 복잡한 문제: 화학 성분이 너무 많거나, 분리하기 매우 어려운 복잡한 혼합물이 나오면 AI 는 당황합니다. 마치 복잡한 미로에서 길을 잃은 것처럼, 어떤 첨가제를 써야 할지 혼란을 겪기도 합니다.
• 경제성 최적화: AI 는 "작동은 되게" 만들지만, "돈을 가장 아끼게" 만드는 최적의 설계를 하지는 못합니다. (예: 에너지를 너무 많이 쓰는 설계도 작동은 하지만 비효율적일 수 있음)

---

💡 결론: 왜 이것이 중요한가요?

이 논문은 **"화학 공장 설계의 미래"**를 보여줍니다.

• 과거: 화학 엔지니어가 수년 동안 공부하고, 복잡한 소프트웨어를 마우스로 클릭하며 공장을 설계했습니다.
• 미래: 엔지니어는 "이런 물질을 만들어줘"라고 말만 하면, AI 가 설계부터 시뮬레이션, 오류 수정까지 스스로 해냅니다.

이는 마치 건축가가 "집을 지어줘"라고 말하면, AI 가 설계도부터 벽돌 쌓기, 배관 설치, 심지어 전기 문제 해결까지 모두 해주는 것과 같습니다.

이 기술이 발전하면, 새로운 화학 공정을 개발하는 데 걸리는 시간과 비용이 획기적으로 줄어들어, 더 빠르고 친환경적인 화학 제품이 세상에 나올 수 있을 것입니다.

기술 요약

논문 요약: 흐름도 시뮬레이션을 위한 에이전트 기반 AI 를 활용한 자율적 모델 기반 공정 설계

1. 연구 배경 및 문제 제기 (Problem)

화학 공정 산업은 바이오매스나 CO2 와 같은 새로운 원료로의 전환 등 큰 도전에 직면해 있으며, 이를 위해 공정 흐름도 시뮬레이션 (Flowsheet Simulation) 은 필수적인 의사결정 도구입니다. 그러나 기존 공정 설계는 다음과 같은 한계가 있습니다.

• 반복적이고 비체계적인 설계: 전통적으로 휴리스틱과 경험에 기반한 개념적 흐름도 개발 후 시뮬레이션을 반복하는 방식이 주를 이루며, 최적의 공정 구조를 찾는 것은 여전히 어렵습니다.
• 강화학습 (RL) 의 한계: 최근 RL 기반 접근법이 제안되었으나, 단순화된 공정 모델과 사전 정의된 열역학 시스템에 국한되어 있으며, 복잡한 열역학 시스템이나 새로운 합성 작업으로의 일반화 능력이 입증되지 않았습니다.
• 도메인 특화 언어의 부재: 대규모 언어 모델 (LLM) 은 일반 프로그래밍 언어에서는 탁월한 성능을 보이지만, BASF 의 내부 공정 모델링 도구인 'Chemasim'과 같은 폐쇄적이고 도메인 특화된 문법 (Syntax) 에 대한 학습 데이터가 부족하여 직접적인 코드 생성이 어렵습니다.

핵심 질문:

1. LLM 이 산업용 공정 모델링 도구 내에서 유효한 문법으로 솔루션을 생성할 수 있는가?
2. 에이전트 프레임워크가 시뮬레이션 엔진을 효과적으로 제어하여 수렴된 해를 얻을 수 있는가?
3. LLM 이 열역학 시스템을 해석하여 추상적인 공정 설계 문제 (예: 분리 순서 합성) 를 해결할 수 있는가?

2. 방법론 (Methodology)

이 연구는 BASF 의 내부 도구인 Chemasim(텍스트 기반 흐름도 시뮬레이션 도구) 과 최신 LLM 을 결합한 이중 에이전트 시스템 (Multi-agent System) 을 제안합니다.

• 아키텍처:

  1. 공정 개발 에이전트 (Process Development Agent):
     • 역할: 추상적인 공정 합성 문제를 해결 (예: 주어진 원료에 대한 분리 순서 설계).
     • 기능: 열역학 계산 도구 (공비점, 혼화성 갭 등) 와 자유로운 Python 코딩을 통해 질량 수지 계산 및 공정 개념을 도출합니다.
     • 입력: 기술 문서는 제공받지 않으며, 시스템의 열역학적 특성과 가이드 질문 (재순환 구조, 분리 순서 등) 에 기반하여 설계합니다.
  2. Chemasim 모델링 에이전트 (Chemasim Modelling Agent):
     • 역할: 공정 개발 에이전트의 설계를 Chemasim 유효 문법으로 변환하고 시뮬레이션 엔진을 실행합니다.
     • 기능: 인-컨텍스트 학습 (In-context learning) 을 통해 기술 문서, 주석이 달린 예제, 그리고 'How-to' 가이드를 프롬프트에 포함시켜 미세 조정 (Fine-tuning) 없이도 정확한 문법을 생성합니다.
     • 작동 방식: 단위 조작 (Unit Operation) 단위로 모델을 점진적으로 구축합니다. 각 단계에서 시뮬레이션을 실행하고 에러 메시지를 분석하여 문법 오류를 수정하거나 초기값을 업데이트하여 수렴을 보장합니다.

• 구현 환경:

  • Visual Studio Code (VS Code) 기반의 커스텀 확장 프로그램 사용.
  • GitHub Copilot 을 기반으로 한 에이전트 프레임워크.
  • 사용된 LLM: Claude Opus 4.6 (최신 모델).

3. 주요 기여 (Key Contributions)

1. 도메인 특화 문법 생성의 성공: LLM 이 미세 조정이 아닌 인-컨텍스트 학습 (문서 및 예제 제공) 만으로 폐쇄적인 내부 도구 (Chemasim) 의 복잡한 문법을 정확하게 생성할 수 있음을 입증했습니다.
2. 자율적 모델 개발 프레임워크: 시뮬레이션 엔진과 직접 상호작용하여 에러를 감지하고 수정하며, 수렴을 위한 초기값 설정 (Unit-by-unit 접근법) 을 자동으로 수행하는 완전한 자율 에이전트 시스템을 구축했습니다.
3. 이중 에이전트 협업 모델: 추상적인 공정 설계 (Process Development) 와 구체적인 코드 구현 (Implementation) 을 분리하여 각 에이전트의 전문성을 극대화하는 아키텍처를 제안했습니다.
4. 다양한 공정 사례 검증: 반응 - 분리 공정, 압력 변동 증류 (Pressure-swing distillation), 이종 공비 증류 (Heteroazeotropic distillation) 등 다양한 난이도의 공정 설계 사례를 성공적으로 처리했습니다.

4. 결과 (Results)

연구는 5 가지 사례 연구 (Case Studies) 를 통해 시스템을 검증했습니다.

• Case 1 (반응 - 분리 공정): 에틸벤젠 생산 공정. 에이전트는 부반응과 전알킬화 반응을 고려하여 2 단계 반응기와 2 단계 증류탑을 포함한 흐름도를 설계하고, Chemasim 모델링 에이전트가 이를 성공적으로 시뮬레이션하여 수렴했습니다.
• Case 2 (압력 변동 증류): n-프로판올/벤젠 (최소 공비) 및 아세톤/클로로포름 (최대 공비) 분리. 에이전트는 공비 조성의 압력 의존성을 분석하여 두 개의 서로 다른 압력에서 작동하는 증류탑 순서를 설계했습니다.
• Case 3 (이종 공비 증류 및 담체 선정): 물/1,4-디옥산 분리. 벤젠 (C) 과 디메틸카보네이트 (D) 중 담체 선정. 에이전트는 열역학적 분석을 통해 벤젠이 더 큰 혼화성 갭을 가져 효율적임을 판단하고, 1 단계 증류탑과 디칸터 (Decanter) 를 사용하는 설계를 도출했습니다.
• Case 4 & 5 (한계 사례): 더 복잡한 3 성분계 및 다중 공비 시스템의 경우, 에이전트가 일부 열역학적 제약 (예: 공비선 교차 문제) 을 완전히 이해하지 못해 최적 설계를 도출하지 못하거나 혼란을 겪는 한계가 확인되었습니다.

시뮬레이션 결과:

• 공정 개발 에이전트가 단순화된 가정을 기반으로 산출한 질량 수지 추정치와, Chemasim 모델링 에이전트가 수행한 엄밀한 (Rigorous) 시뮬레이션 결과 간의 일치도가 매우 높았습니다.
• 에이전트는 증류탑의 재순환 루프 닫기 시 수렴을 보장하기 위해 증류탑 사양 (반응비, 바닥 유량 등) 을 단계적으로 조정하는 전략을 성공적으로 적용했습니다.

5. 의의 및 향후 과제 (Significance & Future Work)

• 의의:

  • 화학 공정 설계 분야에서 LLM 기반 에이전트 시스템의 실용성을 입증했습니다.
  • 그래픽 사용자 인터페이스 (GUI) 중심의 기존 시뮬레이션 도구에서 텍스트 기반 상호작용으로의 패러다임 전환 가능성을 제시했습니다.
  • 복잡한 공정 설계 과정에서 인간의 개입을 줄이고 자동화 수준을 높일 수 있는 길을 열었습니다.

• 한계 및 향후 방향:

  • 복잡한 열역학 시스템: 매우 복잡한 다성분계나 정교한 분리 경로 (예: 증류 영역 경계 교차) 를 분석하는 데는 여전히 한계가 있어, 더 정교한 열역학 분석 도구 (Distillation region identification 등) 와 지식 데이터베이스의 통합이 필요합니다.
  • 최적화: 현재는 개념 설계에 중점을 두고 있으며, 경제성 최적화 (에너지, 비용 등) 를 위한 수치 최적화 도구와의 연동이 필요합니다.
  • 에이전트 간 피드백: 설계 에이전트와 모델링 에이전트 간의 피드백 루프를 활성화하여 시뮬레이션 실패 시 설계 단계로 피드백을 주는 구조를 개선해야 합니다.

이 연구는 AI 가 화학 공학자의 디지털 도구 케이스에 통합되어, 단순한 코드 보조를 넘어 자율적인 공정 설계 및 모델링을 수행할 수 있는 미래를 제시합니다.