기술 요약: 자동차 도메인의 도구 상호 운용성 모델링을 위한 LLM 기반 접근 방식

1. 문제 정의

자동차 도메인, 특히 소프트웨어 정의 차량(SDV) 시대에는 모델 기반 공학(MDE)이 이질적인 모델링 도구 및 언어 생태계에 의존합니다. CATIA Magic이나 IBM Rhapsody와 같은 도구에서 지원하는 SysML과 같은 표준은 Ecore 기반 생태계(예: Eclipse Modeling Framework)와 공존합니다. 이러한 이질성은 상호 운용성의 심각한 병목 현상을 초래합니다. 즉, 서로 다른 메타모델을 기반으로 하는 도구 간에 엔지니어링 아티팩트를 교환해야 합니다.

전통적인 솔루션은 수동으로 개발된 변환 규칙(예: ATL, QVT)에 의존합니다. 이러한 방식은 노동 집약적이며, 소스 및 타겟 메타모델 모두에 대한 깊은 전문 지식을 요구하고, 메타모델이 진화하거나 여러 타겟 환경을 지원해야 할 때 확장하는 데 어려움이 있습니다. 또한, 규칙 기반 접근 방식은 단순한 구조적 매핑을 넘어 필수적인 의미론적 해석을 포착하는 데 실패하는 경우가 많습니다. 최근 연구에서 의미론적 정렬 및 지식 검색을 위해 대규모 언어 모델(LLM)을 탐구해 왔으나, 타겟 명세에 대한 엄격한 구조적 적합성을 보장하면서 이질적인 메타모델 간의 완전 자동화된 엔드 투 엔드 인스턴스 모델 상호 운용성을 달성하는 데에는 여전히 격차가 존재합니다.

2. 방법론

저자들은 두 가지 핵심 과업을 자동화하는 LLM 기반 프레임워크를 제안합니다:

1. 모델 인스턴스 변환: 소스 모델 인스턴스를 타겟 메타모델 형식으로 변환합니다.
2. 메타모델 병합: 두 개의 별개 메타모델을 하나의 타겟 준수 메타모델으로 통합합니다.

워크플로우 아키텍처

시스템은 n8n을 오케스트레이션 엔진으로 사용하여 대화형 상호작용, 파일 관리, LLM 추론 및 자동 검증을 단일 파이프라인으로 통합하여 구현되었습니다. 워크플로우는 다음과 같이 작동합니다:

• 입력: 사용자는 채팅 인터페이스를 통해 소스 모델 인스턴스(또는 병합을 위한 소스 메타모델)와 타겟 메타모델 정의를 제공합니다.
• 프롬프트 엔지니어링: 시스템은 LLM을 위한 프롬프트를 동적으로 구성합니다.
  • 시스템 프롬프트: LLM을 변환 엔진으로 특화시킵니다. SysML v2의 경우, 모호성을 피하기 위해 특정 구문(예: part redefines, attribute redefines, 패키지 선언)을 처리하도록 명시적인 지침을 포함합니다.
  • 사용자 프롬프트: 소스 및 타겟 아티팩트의 전체 내용을 임베딩하여, LLM이 타겟 구조를 준수하면서 요소를 의미론적으로 매핑하도록 지시합니다.
• 추론: LLM(데이터 프라이버시와 제어를 위해 로컬에 배포됨)은 타겟 모델 인스턴스 또는 병합된 메타모델을 생성합니다.
• 검증: 생성된 아티팩트가 타겟 메타모델에 대해 자동으로 검증되는 중요한 단계입니다.
  • Ecore의 경우, PyEcore 프레임워크를 사용하는 Python 기반 검증기가 XML의 Well-formedness, 메타모델 적합성, 포함 계층 구조, 참조 해결, 다중성 및 속성 타입을 확인합니다.
  • SysML의 경우, 프레임워크는 특정 적합성 검사기와의 통합을 지원합니다.
• 반복적 정제: 검증에 실패하면, 워크플로우는 검증 결과를 "업데이트 프롬프트"를 통해 LLM에 다시 전달하여 수정된 모델을 재생성할 수 있습니다.

구현 세부 사항

• 로컬 배포: 저자들은 핵심적인 자동차 도메인의 보안 및 정보 흐름 문제를 해결하기 위해 로컬 배포 가능한 LLM(Google Gemma-4-31B-it 및 Qwen/Qwen3.5-122B-A10B)을 우선시합니다.
• 하드웨어: 실험은 세 대의 NVIDIA H200 NVL GPU에서 수행되었습니다.

3. 주요 기여

• 엔드 투 엔드 자동화: 수동 변환 규칙 정의 없이 파일 수집, 의미론적 매핑, 생성 및 공식 검증을 처리하는 통합 파이프라인을 제공합니다.
• 이중 과업 능력: 프레임워크는 인스턴스 마이그레이션(도구 간 상호 운용성)과 메타모델 통합(이질적인 정의의 병합)을 모두 다룹니다.
• 검증 주도 생성: 생성에만 집중하는 기존 연구와 달리, 이 접근 방식은 구조적 검증을 필수 단계로 통합하여 불일치를 감지하고 반복적 정제를 지원합니다.
• 자동차 케이스 스터디: 본 방법론은 Ecore-to-Ecore, SysML v2-to-SysML v2, Ecore-to-SysML v2, SysML v2-to-Ecore의 네 가지 시나리오를 통해 실질적인 하드웨어 추상화 모델(센서 및 액추에이터)을 사용하여 입증되었습니다.

4. 실험 결과

프레임워크는 카메라, LiDAR, 레이더, 브레이크 및 스티어링 구성 요소를 포함하는 자동차 하드웨어 모델을 대상으로 평가되었습니다.

모델 인스턴스 매핑 성능

• 의미론적 매칭: Gemma와 Qwen 모두 네 가지 변환 시나리오 전반에서 100% 의미론적 매핑 정확도를 달いました. 두 모델 모두 수동 규칙 없이 이질적인 메타모델 간의 대응 관계를 성공적으로 추론했습니다.
• 구문 정확성:
  • Ecore 타겟: 두 모델 모두 100% 구문 정확성(검증 통과)을 달성했습니다.
  • SysML v2 타겟: 성능이 차이를 보였습니다. Gemma는 80%(Ecore→SysML) 및 60%(SysML→SysML)를 달성했습니다. Qwen은 각각 60% 및 **40%**를 달성했습니다.
  • 분석: SysML 생성에서의 주요 실패 모드는 의미론적 손실이 아니라 엄격한 텍스트 구문 준수(예: redefines 구문이나 import 문의 잘못된 사용)였습니다.
• 실행 시간: Gemma는 실행당 평균 5.1초가 소요되었고, Qwen은 평균 46.5초가 소요되었으며, 이는 Gemma의 더 작은 계산 부하에 기인합니다.

메타모델 병합 성능

• 의미론적 매칭: 두 모델 모두 보완적인 메타모델(센서 + 액추에이터)을 하나의 통합된 타겟으로 병합하는 데 있어 **100%**를 달성했습니다.
• 구문 정확성: 인스턴스 매핑과 유사하게, Ecore 타겟은 100% 성공률을 보였으나, SysML 타겟은 Gemma 60%, Qwen **40%**를 기록했습니다.
• 시간: Gemma는 평균 15.2초, Qது엔은 58.3초가 소요되었습니다.

5. 의의 및 주장

본 논문은 제안된 접근 방식이 모델 상호 운용성에 필요한 수동 엔지니어링 노력을 크게 줄인다고 주장합니다. 아티팩트로부터 직접 의미론적 대응 관계를 추론하기 위해 LLM을 활용함으로써, 광범-하게 수동으로 제작된 변환 규칙의 필요성을 제거합니다.

저자들은 현재의 LLM이 의미론적 이해에는 뛰어나지만, 엄격한 형식적 구문(특히 SysML v2)에 대한 준수 능력은 여전히 제한적이라는 점을 강조합니다. 그러나 생성된 모델이 완전한 엔지니어링 의미론을 보존하기 때문에, 구문 오류는 반복적 정제나 경량화된 후처리 과정을 통해 해결될 수 있습니다.

이 연구의 의의는 생성형 AI가 미래의 자동차 MDE 환경에서 이질적인 모델링 생태계의 통합을 촉진할 수 있음을 입증했다는 데 있습니다. 모듈형 아키텍처를 통해 프롬프트와 검증기를 조정함으로써 여러 모델링 언어(현재 Ecore 및 SysML)를 지원할 수 있습니다. 저자들은 향후 작업으로 모델 컨텍스트 프로토콜(MCP) 및 검색 증강 생성(RAG)을 사용하여 대규모 모델의 컨텍스트 크기 제한 문제를 해결할 것이라고 언급했습니다.