LLM 기반 트리 탐색을 활용한 최적화된 3차원 태양광 구조체 설계

우리는 AI 코딩 시스템이 어떻게 새로운 과학적 가설을 생성하는 데 사용될 수 있는지에 대한 사례 연구를 제시합니다. 우리는 범용 코딩 에이전트(Google의 AntiGravity)와 LLM 기반 트리 탐색(Tree Search) 알고리즘(Empirical Research Assistance / ERA)을 결합하여, 중위도 지역에서 평면형 태양광 패널의 효율을 제한하는 손실을 극복하는 고효율 3차원 태양광(3DPV) 구조체를 자율적으로 생성합니다. 이러한 구조체는 하루 종일 태양에 유리한 각도를 제공함으로써 작동하며, 설명의 편의를 위해 우리는 단일 태양 일(Solar day) 동안의 성능을 최적화하는 데 집중합니다. 우리의 워크플로우는 AntiGravity를 사용하여 3DPV가 고정된 평면형 PV 패널보다 훨씬 높은 에너지 밀도를 가질 수 있음을 보여주는 계산식 extcite{bernardi2012solar}을 재현하는 것으로 시작합니다. 우리는 이러한 초기 설계를 대규모 트리 탐색의 시작점으로 사용하며, 여기서 우리는 개선된 솔루션을 탐색하고 일간 수율(Diurnal yield)을 기준으로 점수를 매깁니다. 초기 트리 탐색은 명목상 더 효율적인 솔루션을 도출하지만, 이는 구조적으로 공중에 떠 있는 분리된 층(Disconnected tiers)과 같은 비물리적 설계 특징 및 광학 솔버(Optics solver)의 이산화(Discretization)를 악용하는 등 알고리즘적 보상 해킹(Reward hacking)에 의해 발생합니다. 이를 방지하기 위해, 우리는 코딩 에이전트가 제약 조건을 통해 물리 엔진을 반복적으로 패치(Patch)하여 보상 해킹을 제거하는 워크플로우를 개발합니다. 보상 해킹이 제거됨에 따라, ERA는 다양한 제약 조건과 향상된 성능을 가진 일련의 설계들을 발견하며, 여기에는 서로 다른 고정 수집 면적을 가진 최적의 설계, 천정 추적(Zenith tracking) 최적화 및 자가 차폐(Self-shadowing) 방지가 포함됩니다. 코딩 에이전트를 트리 탐색(ERA)과 결합하는 것은 솔루션이 점수 함수(Score function)를 통해 경험적으로 평가될 수 있는 문제들에 대해 과학적 발견을 위한 강력한 플랫폼을 제공합니다.