물리적 제약 조건이 있는 구성 모델의 LLM 기반 설계: 두 명의 에이전트가 한 명보다 낫다

하중 하에서 재료가 어떻게 변형되는지를 포착하는 구성 모델 (constitutive models)을 개발하는 데는 전통적으로 연속체 역학 (continuum mechanics), 머신러닝 (machine learning), 그리고 과학 프로그래밍 (scientific programming) 분야의 수년간의 전문 지식이 필요합니다. 최근 대규모 언어 모델 (LLMs)은 요구에 따라 구성 모델을 생성함으로써 이러한 장벽을 낮출 수 있음이 입증되었으나, 기존의 단일 에이전트 (single-agent) 파이프라인은 생성된 모델이 근본적인 물리 법칙을 준수하는지에 대한 체계적인 검증이 부족합니다. 이러한 격차를 해소하기 위해, 우리는 구성 모델 생성을 위한 최초의 멀티 에이전트 (multi-agent) LLM 기반 접근 방식을 소개합니다. Creator 에이전트는 데이터에 맞춤화된 모델을 제안하고, Inspector 에이전트는 9가지 물리적 제약 조건 (physical constraints)을 기준으로 각 제안을 비판적으로 감사하며, 위반이 감지될 때마다 개선을 위해 모델을 반환합니다. 우리는 구성 인공 신경망 (CANNs)을 통해 이 개념을 입증하였으며, 두 가지 서로 다른 LLM 백본 (Claude Opus 4.7 및 Kimi K2.5)을 사용하여 뇌 조직, 실험용 고무, 합성 고무를 대상으로 벤치마크를 수행했습니다. Inspector를 추가함으로써, 모든 물리적 제약 조건을 진정으로 충족하는 내보내기된 모델의 비율이 Opus의 경우 91%에서 완벽한 100%로, Kimi의 경우 37%에서 56%로 상승했으며, 동시에 베이스라인에 근접한 정확도와 보지 못한 하중 경로 (unseen loading paths)에 대한 놀라운 일반화 성능을 유지했습니다. 결합된 결과, 생성된 모델은 물리적으로 유효하고, 매우 정확하며, 훈련 데이터를 넘어 신뢰할 수 있게 외삽 (extrapolate)됩니다. 이러한 특성들은 결합되어 모델을 실무에서 직접 사용할 수 있게 만듭니다. 따라서 생성과 검사를 분리함으로써 LLM 기반 구성 모델링은 진정으로 신뢰할 수 있는 프로세스로 변모합니다. 이 패러다임은 의도적으로 기술에 구애받지 않으며 (technique-agnostic), LLM 능력의 발전에 따라 자동으로 확장되므로, 자동화된 물리 인식 모델 발견 (physics-aware model discovery)을 향한 유망한 경로를 열어줍니다.