Sketch2Simulation: Automating Flowsheet Generation via Multi Agent Large Language Models

이 논문은 프로세스 다이어그램을 직접 실행 가능한 Aspen HYSYS 시뮬레이션 모델로 변환하는 엔드투엔드 다중 에이전트 대규모 언어 모델 시스템을 제안하여, 수작업 의존도를 줄이고 화학 공정 설계의 자동화 효율성을 입증합니다.

핵심

이 논문은 **"그림을 보고 바로 작동하는 공장 시뮬레이션을 자동으로 만들어주는 AI"**에 대한 이야기입니다.

화학 공학자들이 종이에 그린 복잡한 공장 설계도 (스케치) 를 컴퓨터 프로그램 (Aspen HYSYS) 이 이해할 수 있는 실행 가능한 모델로 바꾸는 과정은 보통 매우 어렵고, 사람이 일일이 손으로 입력해야 하는 번거로운 일이었습니다. 이 연구는 그 과정을 3 명의 AI 에이전트 (요원) 가 팀을 이루어 해결하는 새로운 방법을 제시합니다.

이 복잡한 기술을 누구나 이해할 수 있도록 **'요리 레시피를 만드는 과정'**에 비유해서 설명해 드리겠습니다.

---

🍳 비유: 요리 레시피를 만드는 AI 팀

여러분이 요리사에게 "이 그림을 보고 요리를 해줘"라고 했을 때, 보통은 그림을 보고 재료를 고르고, 불 조절을 하고, 냄비를 연결하는 모든 과정을 사람이 해야 합니다. 하지만 이 연구는 3 명의 전문가로 구성된 AI 팀이 이 일을 대신합니다.

1. 그림을 보고 설명하는 '해설가' (Diagram Parsing Layer)

• 역할: 먼저, 복잡한 공장 설계도 (그림) 를 보고 "여기에는 펌프가 있고, 파이프가 연결되어 있네"라고 구체적으로 설명하는 역할입니다.
• 비유: 마치 미술관에서 그림을 보고 설명하는 해설가처럼, 그림 속의 기호, 화살표, 글자를 모두 읽어냅니다.
• 특이점: 그림이 흐릿하거나 글자가 안 보일 때, 해설가는 "아, 여기는 아마 물이 섞이는 곳일 거야"라고 추측까지 합니다. 하지만 추측만 하지 않고, **두 번째 AI(추출기)**와 함께 그림의 진짜 내용을 JSON 이라는 정돈된 형식으로 정리합니다.

2. 요리 레시피를 정리하는 '정리꾼' (Normalization Layer)

• 역할: 해설가가 정리한 내용을 컴퓨터 프로그램이 이해할 수 있도록 규칙에 맞게 다듬는 역할입니다.
• 비유: 해설가가 "이게 물이랑 기름이 섞이는 거야"라고 했을 때, 컴퓨터 프로그램은 "아니, 물과 기름은 별도의 탱크에서 섞여야 해"라고 따집니다. 이 정리꾼은 그림에 없는 '혼합기'를 자동으로 추가하거나, 여러 파이프가 하나로 합쳐지는 부분을 컴퓨터가 인정하는 형식으로 고쳐줍니다.
• 핵심: 그림은 사람 눈에는 명확해도, 컴퓨터는 엄격한 규칙을 따르므로 이 단계에서 오류를 미리 잡아줍니다.

3. 요리를 실행하는 '주방장' (Simulation Model Synthesis Layer)

• 역할: 정리된 레시피를 바탕으로 실제 요리 (시뮬레이션) 를 시작하는 코드를 작성하고 실행합니다.
• 비유: 이제 마스터 셰프가 등장합니다. 그는 정리된 레시피를 보고 "이 재료를 넣고, 이 온도로 가열해"라는 **자동화 코드 (Python)**를 작성합니다.
• 실행과 수정: 코드를 실행해보면 가끔 "재료가 부족해!"라는 오류가 뜹니다. 이때 수정 요원이 나타나 "아, 이 재료를 이렇게 고쳐야지"라고 코드를 바로잡고 다시 실행합니다. 이 과정을 반복해서 최종적으로 **작동하는 요리 (시뮬레이션)**를 완성합니다.

---

🚀 이 연구가 왜 중요한가요?

1. 시간 단축: 예전에는 공학자가 수 시간, 수 일씩 걸려서 그림을 보고 컴퓨터에 입력해야 했지만, 이제는 AI 가 그림만 보면 몇 분 만에 실행 가능한 모델을 만들어냅니다.
2. 실수 줄임: 사람이 실수하면 전체 공장이 멈출 수 있는데, AI 는 규칙을 엄격하게 지키며 실수를 찾아내어 수정합니다.
3. 복잡한 작업도 가능: 단순한 그림뿐만 아니라, 파이프가 복잡하게 얽히고 설킨 거대한 공장 설계도도 처리할 수 있습니다. (물론 아주 복잡하면 약간의 실수가 있을 수 있지만, 대부분 성공합니다.)

📊 실제 테스트 결과

연구진은 4 가지 다른 난이도의 공장 설계도로 테스트를 했습니다.

• 단순한 공장 (소금 제거 공장): 100% 완벽하게 작동했습니다.
• 복잡한 공장 (향기로운 화학물질 공장): 아주 복잡한 파이프 연결이 있었지만, 93~98% 정도의 높은 정확도로 작동 가능한 모델을 만들었습니다.

💡 결론: 그림에서 현실까지의 다리

이 연구는 **"그림을 보는 AI"**와 **"코드를 짜는 AI"**를 하나로 연결했습니다. 마치 건축 설계도 (그림) 를 보고 바로 건물을 짓는 로봇을 만든 것과 같습니다.

물론 아직 완벽하지는 않습니다. 그림이 너무 지저분하거나, 컴퓨터 프로그램의 규칙과 맞지 않는 부분이 있으면 AI 가 혼란을 겪을 수 있습니다. 하지만 이 기술은 화학 공학의 디지털 전환을 앞당기는 중요한 첫걸음이며, 앞으로 더 복잡한 공장 설계도도 자동으로 처리할 수 있는 미래를 보여줍니다.

한 줄 요약:

"AI 팀이 복잡한 공장 그림을 보고, 컴퓨터가 바로 실행할 수 있는 완벽한 가상 공장을 자동으로 만들어주는 기술을 개발했습니다."

기술 요약

SKETCH2SIMULATION: 멀티 에이전트 대규모 언어 모델 (LLM) 을 통한 플로우시트 자동 생성

이 논문은 공정 시스템 공학 (PSE) 에서의 주요 병목 현상인 공정 스케치 (Process Sketch) 를 실행 가능한 시뮬레이션 모델로 변환하는 문제를 해결하기 위해 제안된 엔드 - 투 - 엔드 (End-to-End) 멀티 에이전트 시스템에 대한 연구입니다. 저자들은 시각적 공정 다이어그램을 직접 Aspen HYSYS 실행 모델로 변환하는 자동화 프레임워크를 개발하고, 이를 다양한 복잡도의 화학 공정 사례에 적용하여 검증했습니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem Context)

• 현재의 한계: 현대 화학 공학에서 공정 시뮬레이션은 설계, 분석, 운영 의사결정의 핵심이지만, 고충실도 모델 개발에는 막대한 수동 노력과 시뮬레이터별 전문 지식이 필요합니다. 특히, 구조화된 디지털 데이터가 아닌 **고급 공정 다이어그램 (PFD/P&ID)**에서 시작할 경우, 해석, 추론, 반복적인 수정이 필요하여 자동화의 장벽이 높습니다.
• 연구 격차: 기존 연구는 크게 두 가지 흐름으로 나뉩니다.
  1. 다이어그램 이해 (Diagram Understanding): 컴퓨터 비전 기술을 이용해 다이어그램에서 심볼, 텍스트, 연결 관계를 추출하지만, 최종 출력물은 그래프나 의미론적 표현에 그치고 실행 가능한 모델까지는 도달하지 못합니다.
  2. 자동 모델 생성 (Automated Model Generation): 텍스트나 구조화된 입력을 기반으로 모델을 생성하지만, 원시적인 시각적 입력 (Raw Visual Inputs) 을 직접 처리하지는 못합니다.
• 핵심 과제: 이 두 영역 간의 간극을 메우고, 이질적인 다이어그램에서 구조화된 공정 의미를 복원하여 시뮬레이터의 엄격한 생성, 연결, 초기화 규칙을 만족하는 객체를 즉시 생성하는 것입니다.

2. 방법론 (Methodology)

저자들은 **3 개의 계층으로 구성된 멀티 에이전트 시스템 (Multi-Agent System)**을 제안했습니다. 이 아키텍처는 단일 LLM 의 할루시네이션 (Hallucination) 위험을 줄이고 오류 국소화를 명확히 하기 위해 작업을 분해합니다.

2.1 시스템 아키텍처

1. 다이어그램 파싱 및 해석 계층 (Diagram Parsing & Interpretation Layer):

   • Descriptor Agent (A1): 멀티모달 LLM(Gemini 3 Flash) 을 사용하여 다이어그램의 시각적 내용을 텍스트로 상세히 설명합니다.
   • Extractor Agent (A2): 다이어그램과 A1 의 설명을 기반으로 JSON 기반의 **중간 표현 (Intermediate Representation, IR)**을 생성합니다. 이는 유닛 (노드) 과 물질 흐름 (간선) 으로 구성된 방향성 그래프입니다.
   • Normalization Agent (A3): 규칙 기반 에이전트로, 시뮬레이터 요구사항에 맞춰 IR 을 정규화합니다. (예: 여러 스트림이 하나의 펌프로 직접 들어가는 비표현을 믹서/스플리터 유닛이 포함된 시뮬레이터 호환 구조로 변환).

2. 시뮬레이션 모델 합성 계층 (Simulation Model Synthesis Layer):

   • 정규화된 IR 을 Aspen HYSYS 의 COM 인터페이스와 호환되는 Python 자동화 스크립트로 변환합니다.
   • Basis Agent (B1): 시뮬레이션 기초 (성분 목록, 유체 물성 패키지) 를 설정합니다. RAG(검색 증강 생성) 를 통해 추출된 성분 이름을 HYSYS 데이터베이스와 정확히 매칭합니다.
   • Instantiation Agent (B2): 유닛과 스트림을 시뮬레이터 객체로 인스턴스화합니다.
   • Configuration Agent (B3): 유닛 간의 연결 (Connectivity) 을 설정합니다.
   • Execution Agent (B4): 스크립트를 실행하고, 오류 발생 시 LLM 기반의 수정 (Fixing) 로직을 통해 재시도합니다.

3. 다단계 검증 계층 (Multi-level Validation Layer):

   • 각 단계에서 구조적 일관성, 스키마 준수, 실행 가능성 등을 검증합니다. 특히 실행 단계에서의 솔버 진단 로그를 통해 오류를 추적하고 수정합니다.

2.2 모델 선택 및 배포

• 클라우드: 시각적 해석이 필요한 A1, A2 에이전트에는 고성능 멀티모달 모델인 Gemini 3 Flash를 사용했습니다.
• 로컬: 기밀 유지가 필요한 코드 생성 및 실행 단계 (B1~B4) 에는 Qwen2.5-Coder-7B 및 Qwen3-Coder-30B를 로컬 환경에서 실행하여 데이터 보안을 확보했습니다.

3. 주요 기여 (Key Contributions)

1. 엔드 - 투 - 엔드 자동화: 화학 공학의 시각적 다이어그램에서 실행 가능한 Aspen HYSYS 모델까지의 완전한 자동화 파이프라인을 최초로 제시했습니다.
2. 구조화된 중간 표현 (IR): 다이어그램 정보를 시뮬레이터 호환 모델 요소로 변환하기 위한 그래프 기반의 표준화된 중간 표현을 도입했습니다.
3. 검증 및 실행 통합: 단순한 모델 생성을 넘어, 생성된 모델의 실행 가능성과 구조적 정확성을 자동으로 검증하고 수정하는 워크플로우를 구현했습니다.

4. 실험 결과 (Results)

연구진은 복잡도가 증가하는 4 가지 화학 공정 사례 (담수화, Merox 정제, 대기압 증류, 방향족 생산) 를 통해 시스템을 평가했습니다.

• 성능 지표: 단위 일관성 (UC), 스트림 일관성 (SC), 연결 일관성 (CC), 물질 일관성 (MC) 의 F1 점수를 측정했습니다.
• 결과 요약:
  • 간단한 사례 (CS1, CS2): 모든 지표에서 F1 = 1.00을 달성하여 완벽한 구조적 충실도를 보였습니다.
  • 복잡한 사례 (CS3, CS4): 산업 규모의 복잡한 플로우시트에서도 높은 성능을 유지했습니다. (CS3: 연결 일관성 0.93, CS4: 스트림 일관성 0.96, 연결 일관성 0.98).
  • 실행성: 모든 사례에서 생성된 모델이 Aspen HYSYS 에서 오류 없이 실행되었습니다.
• Ablation Study (구성 요소 제거 분석):
  • 정규화 에이전트 (A3) 나 코딩 에이전트 분리를 제거할 경우, 특히 복잡한 플로우시트에서 연결 일관성이 크게 저하됨을 확인했습니다.
  • RAG(성분 매핑) 를 비활성화한 경우, 혼합물이 포함된 사례에서는 시뮬레이션 초기화 실패로 이어졌습니다.
  • 이는 각 에이전트와 모듈이 시스템의 견고성에 필수적임을 시사합니다.
• 모델 비교: Gemini 3 Flash 가 오픈 소스 모델 (Qwen 3-VL 등) 보다 복잡한 다이어그램의 공간적 추론과 연결 관계 복원에서 우수한 성능을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: 이 연구는 단순한 다이어그램 인식 (Recognition) 을 넘어, 공정 엔지니어링 의도 (Engineering Intent) 를 시뮬레이터의 논리적 제약 조건에 맞게 변환하는 (Translation) 단계까지 자동화하는 데 성공했습니다.
• 실용적 가치: 공정 설계 및 디지털 트윈 구축 시간을 단축하고, 수동 오류를 줄여 공정 시스템 공학의 디지털 전환을 가속화할 수 있는 가능성을 입증했습니다.
• 한계 및 향후 과제:
  • 밀집된 재순환 (Recycle) 구조나 다이어그램의 암시적 의미 해석에는 여전히 어려움이 존재합니다.
  • 시뮬레이터 인터페이스 (COM 등) 의 제약으로 인해 다이어그램 해석이 정확하더라도 실행 가능한 모델 생성이 제한될 수 있습니다.
  • 향후 더 노이즈가 많은 산업용 문서 (스캔 문서, 레거시 문서) 로의 확장 및 시뮬레이터 중립적 (Simulator-agnostic) 아키텍처 개발이 필요하다고 결론지었습니다.

결론적으로, SKETCH2SIMULATION은 시각적 입력을 실행 가능한 엔지니어링 모델로 변환하는 데 있어 멀티 에이전트 LLM 시스템의 강력한 잠재력을 보여주며, 공정 시스템 공학의 자동화 패러다임을 한 단계 발전시킨 연구로 평가됩니다.