LLM을 활용한 최적화 및 제약 모델링 개선 연구

Optimization and Constraint Modeling using LLMs with a Retrieval Augmented Generation Process

이 논문은 최적화 모델링과 제약 모델링의 성능을 향상시키기 위한 Retrieval-Augmented Generation 파이프라인을 평가한다. 500개의 최적화 문제를 Text2Zinc 데이터셋에서 생성된 설명을 바탕으로 합성하고, 이를 JSON 형식으로 지정하여 검증된 Python 솔버 스크립트와 연결하였다. Qwen 3 30B Instruct 모델을 사용한 세 가지 벤치마크 테스트에서 NL4OPT의 정확도가 40%에서 72%로, MAMO Easy는 40%에서 56%로, MAMO Complex는 32%에서 56%로 향상되었다. 합성된 데이터셋과 검색 증강의 조합은 LLM 기반 최적화 도구를 실제 의사결정 지원 맥락에서 배포하는 효과적인 대안을 제시한다.