물리 기반 프롬프트를 활용한 대형 언어 모델의 엔지니어링 시뮬레이터 보정 효율성

When is a large language model a good calibration agent? Physics-labeled prompting for budgeted engineering simulator calibration

비용이 많이 드는 엔지니어링 시뮬레이터의 보정은 모델 파라미터를 참조 데이터에 맞추는 과정으로, 계산 비용에 의해 제약을 받는다. 이 연구에서는 물리적 진단 설명에 조건화된 대형 언어 모델(LLM)이 기존의 최적화 기법보다 더 효율적으로 정보성 파라미터 업데이트를 제안할 수 있는지를 조사하였다. 실험 결과, LLM의 첫 번째 제안이 25회 실험 중 23회에서 초기 설계를 개선하였고, 다섯 번의 평가 후 보정 오차는 물리적 제약이 없는 대조군보다 21.9배 낮았다. 그러나 이 장점은 15회 평가 후 사라졌고, LLM의 변동성으로 인해 성능 차이가 9.8배 발생하였다. 이를 해결하기 위해 LLM을 초기 시작점으로 활용하고, 축적된 평가를 기존 최적화 기법에 전달하는 하이브리드 워크플로우를 도입하였다. 이 두 단계의 수치 연속 정책은 9회의 시뮬레이터 실행만으로 목표 정확도에 도달하여 LLM 단독(12회), Nelder-Mead(17회), 베이지안 최적화(60회 이상)보다 우수한 성과를 보였다.