LLM으로 강재 물성 예측·불확실도 보고·역설계한 SteelAgent, 홀드아웃 일반화 한계도 확인

1/ AI 활용 방법: LLM 오케스트레이션을 붙인 물리정보 기반 머신러닝
2/ 적용 과제: 강재 물성 예측, 불확실도 보고, 역설계
3/ 보고된 결과: 랜덤 분할에서는 높은 성능을 보였으나 계열·그룹 홀드아웃에서는 성능과 90% 신뢰구간 커버리지가 크게 저하됨
4/ SteelAgent는 LLM 기반 인터페이스를 통해 물리정보 기반 머신러닝으로 강재 물성 예측, 불확실도 보고, 역설계를 수행한 사례다.
5/ 보고된 결과에 따르면 무작위 분할에서는 성능이 높았지만, 계열 또는 그룹을 홀드아웃하는 평가에서는 예측 성능이 크게 낮아졌다.
6/ 또한 90% 신뢰구간 커버리지도 홀드아웃 조건에서 악화되어, 모델 보정이 데이터 분포가 바뀌면 쉽게 무너질 수 있음을 보여줬다.
7/ 재료 관점에서는 조성·공정 계열이 다른 강재로의 외삽 가능성을 따질 때 단순 랜덤 분할 성능만으로는 충분하지 않다는 점이 중요하다.
8/ 다만 이 결과는 초록 수준에서 보고된 것이며, 실제 적용 범위와 재현성은 더 넓은 데이터와 독립 검증이 필요하다. [1]