추론을 통한 구조 형성, 탐색을 통한 수치 도출: 결합된 MIMO 컨트롤러 튜닝을 위한 구조적 사전 정보로서의 온프레미스 Open LLM 연구

강하게 결합된 다입력 다출력 (MIMO) 산업 공정의 컨트롤러를 튜닝하는 것은 어렵습니다. 분산형 고전적 자동 튜닝 (auto-tuning)은 루프 간 상호작용을 무시하며, 자연적인 초기화 상태에서의 국소 수치 최적화 (local numerical optimization)는 결과적으로 발생하는 비볼록 비용 지형 (non-convex cost landscape)에서 정체됩니다. 우리는 데이터를 현장에 유지하고 공정 모델이 필요 없는 온프레미스 오픈 소스 대규모 언어 모델 (LLMs)이 도움이 될 수 있는지 질문합니다. 단일 루프 CSTR에서, 고전적인 릴레이 피드백 (relay-feedback) 튜닝 (IAE 0.106, 최적값인 0.102에 근접)이 LLM 튜너 (0.162)보다 우수했습니다. 즉, 단순한 루프에서는 LLM이 아무런 도움이 되지 않았습니다. 상황은 상충하는 설정값(set-points)을 가진 강하게 결합된 4탱크 시스템에서 반전되며, 이는 액추에이터의 채터링 (chattering) 없이 추종을 보상하는 패널티 비용 J = IAE + lambda*TV(u)로 평가되었습니다. 이 경우, 단순 릴레이 튜닝 (J ~ 28.6)과 단순 LLM 튜닝 (29.7)은 오픈 루프 (22.7)보다 나을 것이 없었으며, 균형 잡힌 시작점에서의 국소 최적화 도구 (local optimizer)는 10회 실행 중 10회 모두 실패했습니다. 반면, 스캐폴딩(scaffolded)된 Open LLM은 결합 관계에 대해 추론하고, 직관에 반하는 비대칭 구조를 제안하며, 어떤 시작점에서도 J ~ 16.9 +/- 0.2에 도달했습니다. 이를 고전적 최적화 도구로 정교화하면 매끄러운 전역 최적점 (J ~ 12.0, 10/10 성공 vs 0/10 실패)에 도달하며, 이는 분산형 튜닝이 할 수 없는 명확하지 않은 음의 적분 보정 (negative integral correction)까지 적용합니다. 전역 최적화 도구 (차분 진화, differential evolution) 또한 이 최적점에 도달하므로 LLM이 유일한 경로는 아닙니다. LLM의 장점은 샘플 효율성 (sample efficiency)과 해석 가능성 (interpretability)에 있습니다. 즉, 18회의 평가만으로 사용 가능한 컨트롤러를 제공하며 (전역 최적화 도구가 오픈 루프보다 성능이 낮은 지점), 명시적인 근거를 제시합니다. 이러한 우위는 차원이 높아질수록 커지며, 3x3 공정에서는 평가 횟수가 약 6배 적게 소요됩니다. 이러한 동작은 4개의 오픈 모델 전반에 걸쳐 일반화되며, 양호한(benign) 공정에서는 LLM이 이점을 제공하지 않아 그 경계를 명확히 합니다. 우리는 오픈 LLM이 제어 튜닝에서 언제 도움이 되는지를 규정하는 재현 가능한 벤치마크를 기여합니다. 즉, 최적화 도구로서가 아니라, 샘플 효율적이고 해석 가능한 구조적 사전 정보 (structural prior)로서의 역할입니다.