언어 모델이 기호적 성찰과 모듈형 최적화를 통해 기계 링크지 설계 개선

기계 링크지 (mechanical linkage) 설계는 조합론적 토폴로지 선택 (combinatorial topology selection) 과 연속 매개변수 피팅 (continuous parameter fitting) 을 포함합니다. 우리는 언어 모델이 기호적 표현 (symbolic representations) 을 통해 링크지 설계를 체계적으로 개선할 수 있음을 보여줍니다. 언어 모델 에이전트 (language model agents) 는 이산 토폴로지를 탐색하고, 수치 최적화기 (numerical optimisers) 는 연속 매개변수를 피팅합니다. 기호적 리프팅 연산자 (symbolic lifting operator) 는 시뮬레이터 궤적을 질적 설명자 (qualitative descriptors), 운동 라벨 (motion labels), 시간적 술어 (temporal predicates), 구조 진단 (structural diagnostics) 으로 변환하여 모델이 반복 설계 주기 (iterative design cycles) 를 통해 해석할 수 있게 합니다. 여섯 가지 공학 관련 운동 목표 (engineering-relevant motion targets) 와 세 가지 오픈소스 모델 (Llama 3.3 70B, Qwen3 4B, Qwen3 MoE 30B-A3B) 에 대해, 모듈형 아키텍처는 단일체 베이스라인 (monolithic baselines) 대비 기하학적 오차를 최대 68% 줄이고 구조 유효성을 최대 134% 개선합니다. 특히, 반복 정제 궤적 (iterative refinement trajectories) 의 78.6% 에서 측정 가능한 개선을 보이며, 시스템은 과잉 구속 (overconstraint) 56.3%, 불충분 구속 (underconstraint) 35.6% 실패 모드를 정확히 진단하고 근거 기반 수정안 (grounded corrections) 을 제안합니다. 세 가지 계열의 모든 모델은 미세 조정 (fine-tuning) 없이 해석 가능한 기계적 추론 전략 (interpretable mechanical reasoning strategies) 을 습득하여, 원칙적인 기호적 추상화 (principled symbolic abstraction) 가 생성형 AI 와 공학 설계에 필요한 수치 정밀도 (numerical precision) 를 연결함을 입증합니다.