기술 요약: 물리 기반 루프: 검증된 CAD 엔지니어링 설계를 위한 하이브리드 에이전트 아키텍처

문제 정의

컴퓨터 지원 설계 (CAD) 를 위한 현재 생성형 AI 방법은 주로 대규모 언어 모델 (LLM) 과 시각 - 언어 모델 (VLM) 에 의존하여 텍스트 또는 멀티모달 입력으로부터 매개변수 모델을 합성합니다. 그러나 이러한 시스템은 중요한 한계를 안고 있습니다: 신뢰할 수 있는 엔지니어링 설계에 필요한 물리적 이해가 부족하다는 점입니다. 기존 접근 방식은 일반적으로 기하학적 유사성 지표 (예: Chamfer Distance, IoU) 를 사용하여 평가되는데, 이는 기능적 유효성, 하중 지지 능력, 또는 구조적 무결성을 포착하지 못합니다. 또한 DeepCAD 와 같은 공개 데이터셋에는 엔지니어링 주석이 없는 단순한 기하학 형태만 포함되어 있으며, VLM 을 사용하여 2D 렌더링을 확인하는 시각적 피드백 루프는 생성된 부품의 구조적 건전성을 검증할 수 없습니다.

해결된 핵심 문제는 고정 지지부, 적용된 힘, 설계 공간 제약으로 정의된 특정 하중 조건을 만족하는 CAD 모델을 생성하는 것이며, 동시에 결과 구조가 엔지니어링 안전 기준 (특히 안전 계수 2.0 에서 5.0 사이) 을 충족하고 부피를 최소화하도록 보장하는 것입니다.

방법론

저자들은 검증된 지식 기반 엔지니어링 도구를 자율 AI 에이전트의 의사결정 루프에 직접 내장하는 하이브리드 에이전트 - 물리 아키텍처를 제안합니다. 대규모 주석 데이터셋으로 모델을 학습시키는 대신, 이 시스템은 기존 VLM 의 다중 작업 인-컨텍스트 (in-context) 능력을 활용합니다.

시스템 아키텍처

이 프레임워크는 LangGraph를 기반으로 구축되었으며, 네 가지 전문 에이전트가 관여하는 폐쇄 루프 순차 의사결정 과정을 조정합니다:

1. 플래너 에이전트: 의미적 브리지 역할을 하여 하중 조건 요구사항을 단계별 모델링 계획으로 분해합니다.
2. CAD 엔지니어 에이전트: CadQuery 라이브러리를 사용하여 계획을 실행 가능한 Python 코드로 변환하며, 구문 및 위상적 정확성을 보장합니다.
3. 기하학 검토자 에이전트: 생성된 기하학이 기대치와 일치하는지, 힘/제약을 올바르게 연결했는지, 메시 생성이 가능한지, 그리고 설계 공간 제한을 준수하는지 확인하는 비평가입니다. 연결성 확인을 위해 물리 기반 도구를 활용합니다.
4. 구조 검토자 에이전트: PyTorch 기반 솔버를 사용하여 **유한 요소 분석 (FEA)**을 실행하여 구조적 성능을 평가합니다. 안전 계수를 평가하고 응력 핫스팟 또는 과잉 설계를 식별합니다.

"생성 - 시뮬레이션 - 정제" 루프

시스템은 반복적으로 작동합니다:

1. 에이전트가 하중 조건을 기반으로 CAD 스크립트를 생성합니다.
2. 기하학이 렌더링되고 기하학 검토자에 의해 시각적으로 검사됩니다.
3. 구조는 구조 검토자에 의해 FEA 시뮬레이션을 거칩니다.
4. 안전 계수가 목표 범위 (2.0–5.0) 를 벗어나거나 메시 생성이 실패할 경우, 피드백은 플래너 및 CAD 엔지니어 에이전트로 라우팅되어 설계를 정제합니다.
5. 유효한 솔루션이 발견되거나 한도에 도달할 때까지 이 사이클이 최대 10 회 반복됩니다.

벤치마크 및 데이터셋

적합한 데이터 부족 문제를 해결하기 위해 저자들은 500 개의 고유한 하중 조건 구성으로 구성된 새로운 벤치마크 데이터셋을 구축했습니다. 이는 20 개의 대표적인 기계 설계 작업 (예: 오목하지 않은 공간, 내부 구멍) 에서 파생되었으며, 5 가지 기하학적 변형과 5 가지 힘 크기 변형에 걸쳐 확장되었습니다. 데이터셋은 JSON 하중 조건 정의 및 Python 기반 CAD 모델 생성 스크립트로 제공됩니다.

주요 기여

1. 하이브리드 다중 에이전트 아키텍처: "물리 기반 루프" 활성 의사결정 신호를 통합한 시스템으로, 이전 작업보다 훨씬 더 복잡한 CAD 설계를 생성할 수 있게 합니다.
2. 체계적 평가: 생성형, 에이전트, 하이브리드 AI 패러다임에 대한 비교 분석을 통해 시각적 피드백만 사용하는 것보다 물리 기반 에이전트가 신뢰성과 물리적 유효성을 향상시킨다는 경험적 증거를 제공합니다.
3. 새로운 벤치마크: 하중 지지 요구 사항 하의 기능적 CAD 생성 벤치마크로, 데이터셋, 평가 스크립트, 에이전트 프롬프트 템플릿을 포함하며 MIT 및 CC 라이선스로 공개되었습니다.
4. 새로운 지표: 기하학적 유사성에서 기능적 지표로의 전환을 포함합니다:
   • 신뢰성: 기하학 생성 성공률, 메시 생성 성공률, FEA 성공률.
   • 설계 품질: 안전 계수, 구조 효율성 비율 (안전 계수/부피), 기하학적 복잡성 (면 수), 설계 공간 위반률.
   • 프로세스 효율성: 유효한 설계에 수렴하는 데 필요한 반복 횟수.

결과

시스템은 추론 전용 설정에서 네 가지 최첨단 VLM(Anthropic Claude 4.5 Sonnet/Opus, Google Gemini 3 Pro/Flash) 을 사용하여 평가되었습니다.

• 신뢰성: Gemini 3 Flash가 다른 모델들을 크게 능가하여 97.0% 의 기하학 실행 성공률과 84.4% 의 FEA 성공률을 달성했습니다.
• 설계 품질: 시스템은 평균 83.1 개의 면을 가진 설계를 생성했는데, 이는 DeepCAD 데이터셋 기반 방법 (평균 약 24 개 면) 에 비해 구조적 복잡성이 4.2 배 증가한 것입니다.
• 안전 계수 준수: 물리 피드백이 활성화된 상태에서 **59.0%**의 설계가 목표 안전 계수 범위 (2.0–5.0) 내에 있었습니다. 물리 피드백이 비활성화되고 시각적 피드백에만 의존할 경우, 이 성공률은 **22.2%**로 떨어졌습니다.
• 효율성: 플래너가 포함된 다중 에이전트 프레임워크는 수렴에 필요한 평균 반복 횟수를 10.77(단일 에이전트) 에서 4.44 로 줄여 통계적으로 유의미한 개선을 보였습니다.
• 모델 성능: 흥미롭게도 더 작은 Gemini 3 Flash가 실용적인 측면에서 더 큰 모델 (Claude Opus 등) 보다 우수한 성과를 보였습니다. 더 큰 모델들은 과도하게 복잡한 기하학을 생성하여 메시 생성이나 시뮬레이션이 어려운 "과잉 설계" 경향을 보인 반면, Gemini 3 Flash 는 더 단순하고 제조 가능한 설계를 생성했습니다.

중요성 및 주장

이 논문은 검증된 엔지니어링 도구를 AI 에이전트 루프에 직접 내장하는 것이 생성형 설계를 "시각적으로 그럴듯한" 수준에서 "구조적으로 건전한" 수준으로 전환하는 데 필수적이라고 주장합니다.

• 신뢰성: 확률적 시각 휴리스틱이 아닌 결정론적 물리 기반 도구 (FEA) 에 의존함으로써 시스템은 기능적 정확성과 기술적 실현 가능성에 대한 보장을 제공합니다.
• 복잡성 대 실현 가능성: 이 접근법은 AI 가 이전 작업보다 3 배 이상 높은 기하학적 복잡성을 가진 설계를 생성하면서도 구조적 무결성을 유지할 수 있음을 보여줍니다. 이는 이전 시각적 피드백 방법이 달성하지 못했던 균형입니다.
• 실용적 유용성: 시스템은 토폴로지 최적화 방법과 달리 수동 후처리가 필요한 볼륨 또는 메시 표현을 출력하는 대신, 직접 편집 가능한 CAD 모델 (CadQuery 를 통해) 을 생성합니다.
• 미래 방향: 저자들은 이 하이브리드 접근 방식이 엔지니어링 분야에서 신뢰할 수 있는 AI 지원 시스템에 대한 실용적인 기반을 제공하며, 향후 연구에서 동적 시나리오, 열 하중, 지속 가능성 기준 등으로 확장될 수 있다고 제안합니다.

이 연구는 LLM 이 생성적 창의성을 제공하지만, 구조적 무결성이 양보할 수 없는 실제 세계 엔지니어링 응용 분야에서 실현 가능하려면 명시적인 물리 지식으로 제한되고 안내되어야 한다고 결론 내립니다.