AutoSiMP: Autonomous Topology Optimization from Natural Language via LLM-Driven Problem Configuration and Adaptive Solver Control

이 논문은 자연어 기반의 구조적 문제 설명을 검증된 이진 토폴로지 설계로 자동 변환하는 'AutoSiMP'라는 자율 파이프라인을 제시하며, LLM 기반의 문제 구성과 적응형 솔버 제어를 통해 인간 전문가 수준의 정확도와 신뢰성을 달성함을 보여줍니다.

핵심

🏗️ 기존 방식: "전문 건축가에게 직접 지시해야 하는 고된 작업"

예전에는 구조물 설계 (토폴로지 최적화) 를 하려면, 공학 전문가가 직접 컴퓨터 프로그램에 다음과 같은 복잡한 명령을 입력해야 했습니다.

• "왼쪽 벽은 고정하고, 오른쪽 끝은 5mm 아래로 누르세요."
• "구멍은 지름 2cm 로 만들고, 철근은 여기만 넣지 마세요."
• "메쉬 (그물망) 는 60x30 개로 잘게 나누고..."

비유하자면:
마치 요리사에게 "맛있는 스테이크 만들어줘"라고만 말하고, 소금 몇 그램, 오븐 온도 몇 도, 고기 두께는 몇 mm 인지까지 직접 다 알려줘야 하는 상황과 같습니다. 만약 한 가지라도 잘못 말하면, 요리사는 "불타버린" 혹은 "생고기" 같은 쓸모없는 결과를 내놓습니다. 이 때문에 일반인은 이 기술을 쓸 수 없었습니다.

---

🤖 AutoSiMP 의 등장: "요리 지시만 하면 알아서 해주는 AI 요리사"

AutoSiMP 는 이 모든 과정을 자동화한 5 단계 자동화 공장입니다. 사용자가 "왼쪽은 고정하고, 오른쪽에 무게를 싣고, 가운데 구멍을 뚫은 캔틸레버 보를 만들어줘"라고 자연스러운 말로만 입력하면 됩니다.

1 단계: "요리사 (LLM Configurator)"가 주문을 해석합니다.

• 역할: 사용자의 말을 듣고, 컴퓨터가 알아들을 수 있는 정확한 설계도 (JSON 파일) 로 바꿉니다.
• 비유: 사용자가 "맛있는 스테이크"라고 말하면, AI 요리사가 "아, 오븐은 200 도, 소금은 3g, 고기는 2cm 두께로 해야겠구나"라고 자동으로 계산해서 레시피를 작성합니다. 이때 "너무 뜨겁다", "소금이 없다" 같은 실수가 있는지 안전장치가 자동으로 확인해 줍니다.

2 단계: "재료 준비 (Boundary-Condition Generator)"

• 역할: 설계도를 바탕으로 컴퓨터가 계산할 숫자 데이터 (힘의 방향, 고정할 부분 등) 를 준비합니다.
• 비유: 레시피대로 고기를 다듬고, 소금을 뿌리고, 오븐을 예열하는 단계입니다.

3 단계: "요리 과정 (SIMP Solver)"

• 역할: 실제로 구조물을 설계하는 계산 과정입니다.
• 비유: 오븐에서 고기를 굽는 과정입니다. AutoSiMP 는 단순히 굽는 게 아니라, **"이제 이 정도면 잘 구워졌으니 온도를 조금 더 높여보자"**라고 적응형으로 조절하며 가장 맛있는 상태 (최적의 구조) 를 찾아냅니다.

4 단계: "맛보기 심사 (Structural Evaluator)"

• 역할: 만들어진 구조물이 안전한지 8 가지 기준 (연결성, 강도, 구멍 유무 등) 으로 검사합니다.
• 비유: 요리가 다 되면 전문 심사위원이 맛과 모양을 검사합니다. "이건 너무 짜다", "구멍이 너무 크다"라고 지적합니다.

5 단계: "다시 만들기 (Retry Loop)"

• 역할: 만약 심사에서 떨어지면, 왜 실패했는지 분석하고 자동으로 파라미터를 수정해서 다시 요리합니다.
• 비유: "소금이 부족했네? 다시 소금 좀 뿌려서 다시 굽자!"라고 스스로 수정해서 다시 맛을 봅니다.

---

🌟 이 시스템이 얼마나 대단한가요?

논문은 이 시스템이 얼마나 잘 작동하는지 3 가지로 증명했습니다.

1. 명령을 정확히 이해합니다:

   • 10 가지 다른 문제를 내줬을 때, 전문가가 직접 설계한 결과와 거의 똑같은 (오차 0.3% 수준) 결과를 냈습니다. "구멍을 뚫어줘"라고 말하면, 컴퓨터는 정확히 구멍을 뚫은 설계도를 만듭니다.

2. 안정성과 성능의 균형:

   • AI 가 직접 모든 것을 조절하면 (LLM Controller) 성능이 아주 좋지만, 가끔 실수할 수 있습니다.
   • 하지만 AI 가 설계만 하고, **정해진 규칙 (Schedule)**대로 굽게 하면 100% 성공하면서도 성능은 거의 비슷합니다.
   • 비유: AI 가 "맛을 보고 조절"하면 최고급 스테이크가 나올 확률이 높지만, 정해진 레시피대로 요리하면 실패할 일이 전혀 없습니다. AutoSiMP 는 이 두 가지를 잘 섞어서 제안합니다.

3. 완벽한 자동화:

   • 가장 중요한 점은, 사용자가 아무것도 하지 않아도 된다는 것입니다. 말만 하면, 설계부터 계산, 검사, 수정까지 모두 끝납니다.

---

🎮 재미있는 부가 기능: "눈으로 보는 마법"

이 논문은 단순히 코드만 있는 게 아니라, 웹 브라우저에서 바로 실행되는 인터랙티브 데모도 제공합니다.

• 사용자가 말로 입력하면, 화면에 3D 구조물이 실시간으로 변형되는 모습을 볼 수 있습니다.
• 마우스로 드래그해서 하중 (무게) 을 옮기면, 구조물이 어떻게 변하는지 바로 확인할 수 있습니다.
• 마치 레고 블록을 조립하듯 직관적으로 구조물을 설계하고 결과를 확인할 수 있습니다.

💡 결론: "모두를 위한 구조 설계"

AutoSiMP 는 **"구조 공학은 전문가만 하는 것"**이라는 벽을 허뭅니다. 이제 공학 지식이 없는 사람도, "이 다리 튼튼하게 만들어줘"라고 말하기만 하면, AI 가 그 역할을 대신해 최적의 다리 설계를 해줍니다.

이는 마치 복잡한 요리 레시피를 몰라도, "맛있는 저녁 메뉴 추천해줘"라고 말하면 AI 가 모든 재료를 사고, 요리하고, 맛까지 봐주는 것과 같은 혁신입니다. 앞으로 건축, 자동차, 항공기 설계 등 모든 분야에서 이 기술이 혁신을 일으킬 것으로 기대됩니다.

기술 요약

1. 문제 정의 (Problem Statement)

구조 최적화 (Topology Optimization), 특히 밀도 기반 SIMP (Solid Isotropic Material with Penalization) 방법은 항공우주, 자동차, 생체의료 분야에서 널리 사용되지만, 비전문가에게는 접근성이 매우 낮습니다.

• 구성의 장벽 (Configuration Barrier): 솔버 (Solver) 자체는 오픈소스로 제공되지만, 문제를 설정하는 과정은 매우 까다롭습니다. 사용자는 설계 영역 정의, 유한요소 메쉬 생성, 경계 조건 (고정, 핀, 롤러 등) 할당, 하중 벡터 구성, 수동 영역 (Passive regions) 설정, 그리고 수치적 파라미터 (체적 비율, 필터 반경 등) 선택을 모두 직접 수행해야 합니다.
• 오류의 위험: 이러한 설정 중 하나라도 잘못되면 솔버가 실패하거나, 조용히 잘못된 최적화 결과를 도출할 수 있습니다.
• 기존 연구의 한계: 최근 머신러닝 기반 연구들은 주로 솔버의 가속화나 대체 (예: 신경망 예측) 에 집중했으며, 자연어 설명을 솔버 입력 형식으로 변환하는 초기 설정 (Configuration) 단계의 자동화는 거의 다루지 않았습니다.

2. 방법론 (Methodology)

저자들은 자연어 문제 설명을 검증된 이진 (Binary) 토폴로지 구조로 변환하는 5 단계 자율 파이프라인인 AutoSiMP를 제안합니다.

1 단계: LLM 기반 문제 구성기 (LLM-based Configurator)

• 기능: 자연어 프롬프트 (예: "왼쪽 가장자리가 고정된 캔틸레버 빔, 중앙 우측에 하향 하중, 50% 체적 비율, 중앙에 원형 구멍") 를 구조화된 ProblemSpec JSON 으로 변환합니다.
• 기술: Gemini Flash Lite 와 같은 LLM 을 사용하며, 도메인 지식 (예: "MBB 빔"은 대칭 경계 조건 + 롤러를 의미함) 이 포함된 시스템 프롬프트를 활용합니다.
• 안전 장치 (Safety Rails): LLM 출력에 결정론적 검증 로직을 적용하여 물리적 범위 클램핑, 누락된 제약 조건 추가, 고정 DOF 에 하중이 적용되는지 확인 등 불가능한 구성을 거부합니다.

2 단계: 경계 조건 생성기 (Boundary-Condition Generator)

• 기능: 검증된 ProblemSpec 을 솔버가 바로 실행할 수 있는 배열 (DOF 인덱스, 힘 벡터, 수동 영역 마스크) 로 변환합니다.
• 세부 사항:
  • 분산 하중은 사다리꼴 법칙 (Trapezoidal rule) 을 사용하여 노드 힘으로 변환합니다.
  • 수동 영역 (Void/Solid) 은 OC (Optimality Criteria) 업데이트 중 해당 요소의 민감도를 0 으로 설정하여 고정합니다.

3 단계: 플러그 가능한 제어기를 갖춘 SIMP 솔버

• 기능: 기존 3-필드 SIMP 솔버를 사용하며, 연속성 제어 (Continuation Control) 전략을 플러그인으로 교체할 수 있습니다.
• 제어기 옵션:
  • LLM 에이전트: 매 iteratation 마다 파라미터 ($p, \beta, r_{min}, \delta$) 를 동적으로 조정.
  • Deterministic Schedule: 사전 정의된 결정론적 스케줄.
  • Expert Heuristic, Three-field, Tail-only, Fixed: 다양한 비교를 위한 기준선.

4 단계: 8 가지 구조 평가기 (Structural Evaluator)

• 기능: 솔버 결과를 8 가지 기준으로 평가합니다.
  • 5 가지 통과/실패 게이트 (Pass/Fail Gates): 연결성 (Flood-fill), 컴플라이언스 비율, 회색도 (Grayness), 체적 비율 정밀도, 수렴성.
  • 3 가지 정보적 지표: 얇은 부재 비율, 체커보드 지수, 하중 경로 효율성.
• 모든 게이트를 통과해야만 설계가 유효한 것으로 간주됩니다.

5 단계: 폐루프 재시도 메커니즘 (Closed-loop Retry Mechanism)

• 기능: 평가에서 실패 시, 평가기가 실패 원인을 진단하고 구체적인 파라미터 조정 제안 (예: 반복 횟수 증가, 체적 비율 감소) 을 생성합니다.
• 작동: 제안된 조정 사항이 자동으로 적용되어 최대 2 회까지 재계산을 수행합니다.

3. 주요 기여 (Key Contributions)

1. 자연어 기반 문제 구성 자동화: LLM 에이전트가 구조 공학 용어를 이해하여 검증된 솔버 입력 사양을 생성합니다. 10 가지 테스트 케이스에서 모든 경우가 유효한 사양을 생성했으며, 전문가 기준 대비 중앙값 컴플라이언스 페널티는 **+0.3%**에 불과했습니다.
2. 자동화된 경계 조건 생성: 임의의 조합 (에지 제약, 점 지지, 분산 하중, 수동 영역) 을 솔버 호환 배열로 변환하는 브릿지 모듈을 구현했습니다.
3. 8 가지 구조 평가 및 재시도 루프: 단순한 결과 출력을 넘어, 구조적 유효성을 검증하고 실패 시 자동으로 복구하는 폐루프 시스템을 구축했습니다.
4. 체계적인 실험 검증: 구성 정확도, 제어기 비교 (19 개 벤치마크), 엔드 - 투 - 엔드 신뢰성 (재시도 포함) 을 다각도로 평가했습니다.
5. 오픈소스 및 인터랙티브 웹 데모: 전체 코드베이스와 브라우저 기반 인터랙티브 데모를 공개합니다. 이 데모는 자연어 입력, 실시간 하중 편집, 3D 등고면 시각화, LLM 기반 질적 평가를 제공합니다.

4. 실험 결과 (Results)

• 구성 정확도: 10 가지 다양한 문제에서 LLM 구성기는 100% 유효한 사양을 생성했습니다. 중앙값 컴플라이언스 페널티는 +0.3% 였으며, L-bracket 과 같은 복잡한 경우를 제외하면 대부분 0.0% ~ +0.6% 수준이었습니다.
• 제어기 비교 (17 개 2D + 2 개 3D 문제):
  • LLM 제어기: 가장 낮은 컴플라이언스 (최적 성능) 를 보였으나, 재시도 없이 통과율은 **76.5%**였습니다 (API 응답 변동성 때문).
  • Deterministic Schedule: 통과율 **100%**를 달성했으며, LLM 제어기 대비 중앙값 컴플라이언스는 **+1.5%**만 높았습니다.
  • 결론: 생산 환경에서는 LLM 구성기 + 결정론적 스케줄 제어기 조합이 최적의 선택 (높은 신뢰성 + 전문가 수준의 성능) 입니다.
• 탐색 (Exploration) 의 중요성: 'Tail-only' (탐색 단계 없이 초기화) 실험에서 최적화 성능이 2.8 배 나빠진 것으로 나타나, 초기 탐색 단계가 필수적임을 입증했습니다.
• 엔드 - 투 - 엔드 신뢰성: 결정론적 스케줄 제어기를 사용할 때, LLM 으로 구성된 모든 문제는 첫 번째 시도에서 100% 통과했습니다. 이는 구성기가 자율 운영의 핵심 요소임을 보여줍니다.
• 3D 검증: 3D 문제에서도 LLM 제어기가 가장 좋은 성능을 냈으며, 3D 웹 데모를 통해 인터랙티브한 최적화 과정을 시각화할 수 있음을 증명했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 첫 번째 완전 자율 시스템: 자연어 문제 설명부터 검증된 이진 구조 토폴로지까지의 전체 루프를 닫은 (Closed-loop) 최초의 시스템입니다.
• 접근성 혁신: 구조 최적화의 진입 장벽을 낮춰 학생, 연구자, 엔지니어가 전문 지식 없이도 복잡한 설계 문제를 해결할 수 있게 합니다.
• 분리된 아키텍처의 가치: '무엇을 최적화할지 (구성)'와 '어떻게 최적화할지 (제어)'를 분리함으로써, 각 모듈을 독립적으로 평가하고 개선할 수 있는 유연성을 확보했습니다.
• 상호작용적 검증: L-bracket 사례와 같이 모호한 공간 설명이 발생할 경우, 웹 데모의 시각적 미리보기 기능을 통해 사용자가 하중 위치를 수정할 수 있게 하여 LLM 의 오해를 방지하는 워크플로우를 제시했습니다.

AutoSiMP 는 자연어 처리 (NLP) 와 구조 최적화 (Structural Optimization) 를 융합하여, 비전문가도 전문가 수준의 설계 결과를 얻을 수 있는 새로운 패러다임을 제시했습니다.