대형 언어 모델을 활용한 설계 구조 행렬 (DSM) 모듈화

설계 구조 행렬 (Design Structure Matrix, DSM) 모듈화는 시스템 요소를 응집적인 모듈로 분할하는 작업으로, 공학 설계의 기본적인 조합론적 도전 과제입니다. 기존 방법은 모듈화를 그래프 최적화의 순수한 문제로 취급하며, 시스템에 내재된 공학적 맥락에 접근하지 못합니다. 이 논문은 LLM 기반 DSM 시퀀싱 조합론 최적화에 대한 이전 연구를 바탕으로, 다섯 가지 사례와 세 가지 백본 대형 언어 모델 (LLM) 을 대상으로 모듈화 작업을 확장합니다. 우리의 방법은 전문화된 최적화 코드가 필요 없으며 30 회 반복 내에 근사 참조 품질을 달성합니다. 역설적으로, 시퀀싱에 유익한 도메인 지식은 더 복잡한 DSM 에서 일관되게 성능을 저하시킵니다. 우리는 이를 대형 언어 모델 (LLM) 의 기능적 사전 지식과 순수 구조 최적화 목표 사이의 의미 불일치로 귀속하며, LLM 과의 지식 효과성을 지배하는 검증 가능한 조건으로 작용하는 '의미 정렬 가설'을 제안합니다. 아블레이션 연구는 실제 배포를 위한 가장 효과적인 입력 표현, 목표 공식화, 해 풀 설계가 무엇인지 규명합니다. 이러한 발견들은 공학 설계 최적화에 대형 언어 모델 (LLM) 을 배포하는 데 실용적인 지침을 제공합니다.