AutoSAM: an Agentic Framework for Automating Input File Generation for the SAM Code with Multi-Modal Retrieval-Augmented Generation

이 논문은 다중 모달 검색 증강 생성 (RAG) 기술을 활용하여 비정형 공학 문서에서 데이터를 추출하고 검증된 SAM 입력 파일을 자동 생성하는 에이전트 기반 프레임워크인 'AutoSAM'을 제안하며, 다양한 원자로 시나리오에서 높은 정확도와 투명성을 입증합니다.

핵심

🏗️ 1. 문제 상황: "복잡한 설계도만 보고 집을 짓는 건축가"

원자력 발전소 같은 복잡한 시스템을 설계하려면, 엔지니어들은 수백 페이지에 달하는 설계 보고서, 복잡한 도면, 엑셀 표, 그리고 사진 자료들을 뒤져야 합니다. 이 모든 정보를 하나하나 찾아서 컴퓨터 프로그램이 알아들을 수 있는 '코드 (입력 파일)'로 직접 타이핑해야 합니다.

• 현재의 문제: 이 과정은 마치 수천 장의 낡은 설계도, 손으로 쓴 메모, 그리고 그림을 보고 직접 건물을 짓는 건축가와 같습니다. 실수하기 쉽고, 시간이 너무 오래 걸려서 (몇 주에서 몇 달), 지루한 업무의 병목 현상이 됩니다.

🤖 2. 해결책: "AutoSAM"이라는 똑똑한 보조 인턴

이 논문에서 소개한 AutoSAM은 바로 그 건축가를 도와주는 초지능 AI 보조 인턴입니다. 이 인턴은 다음과 같은 능력을 갖추고 있습니다.

🧠 A. "전문가 교재"를 달달 외운 상태 (RAG 및 시스템 지시)

이 인턴은 SAM 프로그램의 사용 설명서와 이론서를 완벽하게 공부했습니다. 하지만 단순히 책만 읽은 게 아니라, **실제 설계도 (PDF, 이미지, 엑셀)**를 어떻게 해석해야 하는지도 배웠습니다.

• 비유: 마치 원자력 공학 전공 서적과 설계 매뉴얼을 통째로 외운 천재 인턴이 옆에 앉아 있는 것과 같습니다.

🔍 B. "눈"과 "손"을 가진 탐정 (멀티모달 처리)

인간은 텍스트만 읽을 수 있지만, 이 AI 는 이미지 속의 도면, 사진 속의 그래프, PDF 의 표까지 모두 이해할 수 있습니다.

• 비유: 설계도 위에 그려진 **파이프 연결선 (이미지)**을 보고 "아, 여기가 연결되는구나!"라고 이해하고, 옆에 있는 **문서 (PDF)**에서 "물 온도는 600 도야"라고 적힌 내용을 찾아내서 **엑셀 (스프레드시트)**의 숫자와도 맞춰보는 탐정 같은 역할입니다.

🛠️ C. "검증"을 거치는 안전 장치 (중간 단계)

이 인턴은 바로 최종 건물을 짓지 않습니다. 먼저 **사람이 확인할 수 있는 중간 설계도 (중간 구조 파일)**를 만듭니다.

• 비유: 인턴이 "여기 파이프 길이가 10m 인 것 같은데, 맞나요?"라고 중간 설계도를 보여줍니다. 엔지니어 (사람) 가 이를 확인하고 "아, 여기는 12m 야"라고 수정하거나 "이건 내가 추측해서 넣은 거야"라고 표시합니다. 최종적으로 컴퓨터에 입력되는 코드는 사람이 최종 확인을 거친 후 만들어집니다.

🧪 3. 실제 테스트: 네 가지 난이도별 미션

저자들은 이 AI 를 네 가지 다른 난이도의 미션으로 시험해 보았습니다.

1. 파이프 하나 (쉬움): 엑셀 표만 주어졌을 때, 파이프 하나를 정확히 모델링할 수 있는지 확인. (✅ 성공)
2. 연료와 열 (중간): 파이프에 열이 가해지고 온도가 변하면 반응이 어떻게 바뀌는지 계산. (✅ 성공)
3. 복잡한 원자로 (ABTR): 도면 (이미지) 과 문서 (PDF) 를 섞어서 복잡한 원자로 구조를 재구성. (✅ 성공)
4. 전체 순환 시스템 (MSRE): 원자로에서 열을 빼고 다시 돌아오는 거대한 순환 시스템 전체를 도면과 문서만으로 재구성. (✅ 성공)

📊 4. 결과: 얼마나 잘했을까?

• 엑셀 데이터: 100% 완벽하게 처리했습니다.
• 문서 (PDF) 텍스트: 약 88% 를 정확히 찾아냈습니다. (나머지는 사람이 채워주면 됩니다.)
• 도면 (이미지): 도면에서 필요한 기하학적 정보 (길이, 위치 등) 를 100% 완벽하게 추출했습니다.

💡 5. 결론: "설계도만 주면, 나머지는 내가 할게"

이 연구의 핵심 메시지는 **"모델링이 프롬프트 (명령) 가 되는 시대"**가 왔다는 것입니다.

• 과거: 엔지니어는 설계도, 문서, 표를 뒤져서 직접 코드를 짜야 했습니다.
• 미래 (AutoSAM): 엔지니어는 "이게 원자로 설계도야, 이 문서가 재료 데이터야"라고 AI 에게 주면, AI 가 모든 정보를 찾아서 안전하고 검증된 코드로 만들어줍니다.

중요한 점: 이 AI 는 엔지니어를 대체하는 것이 아니라, **엔지니어의 시간을 아껴주고 실수를 줄여주는 '최고의 파트너'**입니다. 최종 결정과 책임은 여전히 인간에게 있지만, AI 가 지루하고 반복적인 일을 대신해 줌으로써 엔지니어는 더 중요한 안전성과 설계 품질에 집중할 수 있게 됩니다.

---

한 줄 요약:

"AutoSAM 은 원자력 설계도, 문서, 그림을 모두 읽어 이해하고, 사람이 최종 확인만 하면 바로 실행 가능한 컴퓨터 코드를 만들어주는 똑똑한 AI 비서입니다."

기술 요약

논문 요약: AutoSAM (SAM 코드 입력 파일 자동 생성을 위한 다중 모달 검색 증강 생성 기반 에이전트 프레임워크)

1. 문제 정의 (Problem Statement)

• 배경: 원자로 시스템의 안전 분석 및 설계를 위해 시스템 수준의 열수력학 코드 (예: SAM, RELAP, TRACE 등) 를 사용한다. 이러한 코드의 입력 파일은 기하학적 구조, 재료 특성, 경계 조건, 초기 조건 등을 정밀하게 정의해야 하며, 오류가 발생하면 비보수적인 안전 마진으로 이어질 수 있다.
• 현황: 현재 입력 파일 작성은 분석가가 다양한 공학 문서 (도면, 설계 보고서, 스프레드시트, PDF 등) 에서 데이터를 수동으로 추출하고, 이를 솔버 전용 구문으로 변환하는 노동 집약적이고 오류가 발생하기 쉬운 과정이다.
• 도전 과제:
  • 데이터가 이질적인 소스 (텍스트, 표, 이미지, 도면) 에 분산되어 있어 통합이 어렵다.
  • SAM 과 같은 폐쇄형 (closed-source) 코드는 공개된 학습 데이터에 부족하여 일반 LLM 이 직접 입력 파일을 생성하기 어렵다.
  • 기존 자동화 시도 (OCR, 규칙 기반 추출) 는 복잡한 도면 해석이나 문맥적 추론이 필요한 경우 한계가 있다.

2. 방법론 (Methodology)

저자들은 AutoSAM이라는 다중 모달 검색 증강 생성 (RAG) 기반의 에이전트 프레임워크를 제안하였다. 이는 ReAct(Reasoning and Acting) 아키텍처를 기반으로 하며, 다음과 같은 세 가지 핵심 전략을 결합한다.

• A. 도메인 특화 시스템 지시 (System Instructions):
  • SAM 코드의 입력 파일 구조, 모델링 관례, 필수 파라미터 블록 (Global Parameters, Components, Materials 등) 에 대한 지식을 시스템 지시문으로 제공하여 에이전트의 역할을 정의한다.
• B. 검색 증강 생성 (RAG):
  • SAM 사용자 가이드 및 이론 매뉴얼을 벡터 저장소에 임베딩하여, 에이전트가 필요 시 관련 문서를 검색하고 참조할 수 있도록 한다. 이를 통해 LLM 의 지식 부족을 보완하고 할루시네이션을 줄인다.
• C. 전문 도구 세트 (Specialized Tools):
  • 에이전트가 복잡한 작업을 수행할 수 있도록 7 가지 도구를 통합하였다.
    1. 콘텐츠 파싱 도구: PDF, 이미지, 스프레드시트 (Excel), 텍스트 파일에서 텍스트, 표, 수식, 도면 등을 추출 (Nougat 모델, Vision-Language Model 활용).
    2. 검색 도구: 텍스트 및 이미지 기반의 의미론적 검색을 수행.
    3. 지시 전달 도구: 중간 구조화 파일 (Intermediate YAML) 을 생성하고, 이를 기반으로 솔버 입력 파일을 작성 (Input Creator) 하며, 생성된 파일의 무결성을 검증 (Input Validator) 하는 도구.
• D. 인간 - 에이전트 협업 워크플로우:
  • 에이전트가 비정형 문서에서 데이터를 추출하여 **검토 가능한 중간 구조화 파일 (Intermediate Structured Representation)**을 생성한다.
  • 도메인 전문가가 이 중간 파일을 검토, 수정, 승인한 후 최종 솔버 입력 파일이 생성되도록 하여 안전성을 확보한다.

3. 주요 기여 (Key Contributions)

1. 다중 모달 입력 파일 자동 생성 프레임워크: 텍스트, 이미지, 도면, 스프레드시트 등 이질적인 공학 문서를 통합하여 SAM 입력 파일을 자동 생성하는 최초의 에이전트 프레임워크 중 하나를 제시함.
2. 검토 가능한 중간 표현 (Auditable Intermediate Representation): LLM 이 직접 최종 코드를 생성하는 것이 아니라, 인간이 검토할 수 있는 구조화된 중간 단계를 도입하여 원자력 안전 분석의 품질 보증 (QA) 기준을 충족시킴.
3. 다중 모달 추론 파이프라인: 과학적 텍스트 추출, 비전 기반 도면 해석, 의미 임베딩, 질의 응답을 통합하여 텍스트와 시각적 콘텐츠를 동시에 추론하는 능력을 입증함.
4. SAM 코드 특화 에이전트: 폐쇄형 원자로 코드의 입력 구문과 물리 법칙을 준수하도록 에이전트를 세밀하게 조정 (Personalization) 함.

4. 실험 결과 (Results)

점진적으로 복잡도가 증가하는 4 가지 사례 연구를 통해 프레임워크를 평가하였다.

• 사례 1 (단일 파이프): 구조화된 스프레드시트 데이터를 기반으로 정상 상태 유동 모델을 생성. 100% 구조적 데이터 활용률을 보이며 물리적으로 일관된 결과를 산출.
• 사례 2 (고형 연료 채널): 온도 반응도 피드백이 포함된 다중 물리 모델 생성. 구조화된 데이터에서 경계 조건과 피드백 매커니즘을 정확히 구현.
• 사례 3 (ABTR 원자로 코어): 비정형 문서 (PDF, 도면) 에서 시스템 토폴로지를 추출하여 병렬 채널 모델을 생성.
  • PDF 텍스트 추출: 기대 데이터 항목의 약 88% 성공적으로 추출.
  • 이미지 기반 기하학적 추출: 도면에서 필요한 위치 및 치수 정보를 100% 완전하게 추출 및 추론.
• 사례 4 (MSRE 1 차 루프): 복잡한 순환 루프 (코어, 펌프, 열교환기 등) 의 연결성을 도면과 문서에서 재구성.
  • 2 차원 도면을 1 차원 솔버 입력 형식으로 변환하여 연결성 (Topology) 과 기하학적 구조를 정확히 매핑.
  • 누락된 데이터는 명시적으로 '가정 (Assumption)'으로 표기하여 투명성 확보.

정량적 성과:

• 구조화된 입력 (스프레드시트) 사용률: 100%
• PDF 텍스트 추출률: 약 88%
• 비전 기반 기하학적 추출 완성도: 100%

5. 의의 및 영향 (Significance)

• 모델링 병목 현상 해소: 원자로 모델링 과정에서 가장 시간이 많이 소요되는 '입력 파일 준비' 단계를 자동화하여 분석가의 생산성을 극대화함.
• 프롬프트 기반 원자로 모델링 (Prompt-driven Reactor Modeling): 분석가가 시스템 설명과 문서를 제공하면 에이전트가 이를 실행 가능한 시뮬레이션 모델로 변환하는 새로운 패러다임을 제시.
• 안전성과 투명성: 중간 검토 단계를 통해 LLM 의 오류를 방지하고, 가정된 값과 누락된 데이터를 명시함으로써 원자력 규제 승인 (Licensing) 환경에 적합한 엄격한 검증 프로세스를 유지함.
• 확장성: 이 프레임워크는 SAM 에 국한되지 않으며, 모듈화된 도구와 지시문을 통해 다른 시스템 코드 (RELAP5, TRACE 등) 로의 확장이 가능함.

결론적으로, AutoSAM 은 비정형 공학 문서에서 실행 가능한 원자로 시뮬레이션 입력 파일을 자동 생성하는 실용적인 솔루션을 제공하며, 인공지능과 인간 전문가의 협업을 통해 원자력 안전 분석의 효율성과 정확성을 동시에 향상시키는 중요한 진전을 이루었다.