LLM-driven design of physics-constrained constitutive models: two agents are better than one

기술 요약: 물리 제약 조건이 부여된 구성 모델의 LLM 기반 설계

문제 제기
하중 하에서의 재료 변형을 정확하게 포착하는 구성 모델을 개발하는 것은 전통적으로 연속체 역학, 머신러닝, 과학적 프로그래밍에 대한 수년의 전문 지식을 요구합니다. 대규모 언어 모델 (LLM) 이 최근 수요에 따라 구성 모델을 생성할 수 있음을 입증했음에도 불구하고, 기존 단일 에이전트 파이프라인은 생성된 모델이 근본적인 물리 법칙을 준수하도록 보장하는 체계적인 메커니즘이 부족합니다. 구체적으로, GenCANN(Tacke et al., 2025a) 과 같은 이전 접근 방식은 정확한 모델을 생성할 수는 있었지만, 생성된 네트워크가 열역학적 일관성, 객관성, 재료 대칭성, 그리고 다중 볼록성 (polyconvexity) 과 같은 중요한 초탄성 제약 조건을 충족한다는 보장은 제공하지 못했습니다. 이러한 격차는 엔지니어링 응용 분야에서 LLM 생성 모델의 신뢰성과 실용적 유용성을 제한합니다.

방법론
저자들은 모델 생성과 물리 검증 사이의 격차를 해소하도록 설계된 다중 에이전트 LLM 기반 프레임워크를 소개합니다. 이 시스템은 두 가지 전문 에이전트를 활용합니다:

1. 생성 에이전트 (Creator Agent): 특정 실험 데이터에 맞춘 구성 모델을 제안하는 역할을 담당합니다. 이는 데이터 적합에 초점을 맞추면서도 물리 제약 조건을 구조적으로 준수하려 노력하며, 구성 인공 신경망 (CANN) 의 파이썬 구현을 생성합니다.
2. 검토 에이전트 (Inspector Agent): 허용 가능한 초탄성 모델에 필요한 9 가지 특정 물리 제약 조건에 대해 생성 에이전트의 제안 사항을 비판적으로 감사하는 역할을 담당합니다:
   • 열역학적 일관성
   • 응력 텐서의 대칭성
   • 객관성
   • 재료 대칭성
   • 다중 볼록성 (타원성/안정성을 함의)
   • 체적 성장 조건
   • 에너지 정규화
   • 응력 정규화
   • 변형 에너지의 비음수성

작업 흐름은 정제 루프로 작동합니다. 생성 에이전트가 모델을 생성하면 자동 구문 검사를 거칩니다. 유효한 구현체는 검토 에이전트로 전달되어 9 가지 제약 조건에 대해 평가됩니다. 위반 사항이 감지되면 검토 에이전트는 구체적인 근거와 함께 모델을 생성 에이전트로 반환하여 정제합니다. 이 사이클이 반복되며, 초기 생성 후 두 번의 정제 라운드를 수행합니다. 시스템은 단일 실행에서 생성된 3 개의 검토 승인 후보 중 가장 정확한 모델을 선택합니다.

본 연구는 독점적 Claude Opus 4.7과 오픈소스 Kimi K2.5라는 두 가지 LLM 백본을 활용합니다. 프레임워크는 세 가지 벤치마크 데이터셋에서 테스트되었습니다: 인간 뇌 조직 (어렵고 희소한 데이터), 실험용 고무 (Treloar, 1944), 그리고 합성 고무 (외삽 테스트를 위한 실제 응력 계산이 가능한 경우).

주요 기여

1. 구성 모델링을 위한 최초의 다중 에이전트 아키텍처: 본 논문은 생성 에이전트와 검토 에이전트가 협력하여 물리 제약 조건이 부여된 구성 모델을 생성하는 최초의 시스템을 제시합니다. 이는 생성 작업을 검증 작업과 분리하는 것으로, 다른 LLM 도메인에서 사실적 정확성과 추론 능력을 향상시키는 것으로 입증된 설계 원칙입니다.
2. 물리 준수성의 정량적 개선: 연구는 검토 에이전트의 추가가 출력의 신뢰성을 크게 높인다는 것을 입증합니다. Claude Opus 4.7 의 경우, 모든 물리 제약 조건을 만족하는 내보낸 모델의 비율이 생성 에이전트 단독 (91%) 에서 100% 로 상승했습니다. Kimi K2.5 의 경우 37% 에서 56% 로 증가했습니다.
3. 기술 중립적 패러다임: CANN 을 사용하여 시연되었지만, 저자들은 생성 - 검토 루프를 물리 강화 신경망 (PANN), 구성 KAN(CKAN), 또는 기호 법칙에 적용 가능한 일반 템플릿으로 공식화하여 미래의 LLM 능력에 따라 자동으로 확장되도록 설계했습니다.

결과

• 물리 타당성: 다중 에이전트 접근 방식은 Opus 백본의 경우 완벽한 물리 준수 (100%) 를 달성했으며 Kimi 의 경우에도 상당한 개선을 이루었습니다. 검토 에이전트는 특히 재료 대칭성과 타원성과 관련된 위반 사항을 감지하는 데 매우 효과적이었습니다.
• 정확성과 일반화: 생성된 모델은 인간이 설계한 CANN 과 비교하여 거의 기준선 수준의 정확성을 유지했습니다. 고무 데이터셋에서는 훈련 데이터에 대해 거의 완벽한 예측을 달성했습니다. 특히, Treloar 의 불변 평면과 같은 보이지 않는 하중 경로에서 놀라운 일반화 및 외삽 능력을 보여주었으며, 외삽 시나리오에서 기준선과 동등하거나 더 나은 성능을 발휘했습니다.
• 협력 역학: 생성 - 검토 에이전트 쌍은 효과적인 협력을 보여주었습니다. Opus 의 경우 검토 에이전트가 표시한 새로운 위반 사항의 93% 가 다음 반복에서 해결되었습니다. Kimi 는 더 낮은 해결률 (69%) 을 보였으며 반복되는 위반의 순환에 갇히는 경향이 있었지만, 전반적인 신뢰성은 여전히 향상되었습니다.
• 도구 사용: 검토 에이전트가 수치 검증 도구에 접근할 수 있게 되었을 때, Opus 는 이를 신중하고 선택적으로 사용했으나 Kimi 는 이분법적 행동 (모든 도구를 호출하거나 전혀 호출하지 않음) 을 보였습니다. 도구 접근은 Kimi 의 준수율을 73% 로 높였지만, 특정 제약 조건에 대한 과도한 자신감으로 인해 Opus 의 성능은 약간 저하되었습니다.

의의 및 주장
본 논문은 생성과 검사를 분리함으로써 LLM 기반 구성 모델링을 "진정으로 신뢰할 수 있는 과정"으로 변환한다고 주장합니다. 주요 의의는 동시에 물리적으로 유효하고, 매우 정확하며, 신뢰할 수 있는 외삽이 가능한 모델을 생산하는 데 있으며, 이는 이전에는 자동화된 방법으로 달성하기 어려웠던 조합입니다.

저자들은 이 작업을 자동화된 물리 인식 모델 발견을 향한 한 걸음으로 위치시킵니다. 그들은 이 패러다이가 의도적으로 기술 중립적이며 LLM 능력의 발전에 따라 확장되도록 설계되었다고 강조합니다. 초탄성, 등방성, 비압축성 재료에 대한 최첨단 모델에서 100% 물리 준수를 달성함으로써, 본 연구는 LLM 을 구성 모델링에 신뢰성 있게 사용하는 데 있어 이정표를 세웠으며, "블랙박스" 생성을 넘어 "물리 제약 조건이 부여된" 설계로 나아가고 있습니다. 저자들은 현재 설정이 사전 정의된 제약 조건과 하드코딩된 도구를 포함하고 있지만, LLM 의 추론 및 코드 생성 능력이 향상됨에 따라 프레임워크는 더 자율적으로 변할 것이라고 지적합니다.