← 연구 아이디어

연구 아이디어

소재 적용 정도 드묾 성숙도 초기 단계

재료 시뮬레이터를 끼운 에이전틱 코드-진화 루프를 시험해 보자

에이전트 기반 코드 진화와 사이클 정확도 시뮬레이션 · Agentic code evolution + cycle-accurate simulation

제안 AI 제안

소재 분야 적용은 아직 검증되지 않은 제안입니다.

LLM 에이전트가 설계 코드나 제어 코드를 변이시키고, 시뮬레이터 점수로 다음 수정을 유도하는 반복 루프입니다. 본질은 생성-평가-수정의 자동 탐색이며, 물리 기반 스코어를 넣기 쉽습니다.

재료 그룹이라면 먼저 DFT, 분자동역학, 상장/상분리 phase-field, FEM 같은 기존 시뮬레이터 주변의 코드 조각부터 대상으로 삼는 편이 좋습니다. 예를 들어 입력 파서, 경계조건 생성기, 파라미터 스윕 로직, 혹은 surrogate 서브루틴 후보를 에이전트가 고치게 하고, 시뮬레이터 출력의 물리적 지표로 랭킹하는 식으로 시도할 수 있습니다.

다음으로는 “더 좋은 답”이 아니라 “실행 가능하고 물리 제약을 덜 어기는 답”을 우선 점수화하는 것이 안전합니다. 모델 형태를 새로 발명하게 하기보다, 기존 경험적 규칙이나 휴리스틱을 코드로 재구성하고, 시뮬레이션 결과가 이를 얼마나 개선하는지 보는 파일럿이 적합합니다.

적용해볼 소재 과제
시뮬레이션 루프 안의 모델 형태 제안, 제어 로직, surrogate 서브루틴, 물리 제약을 포함한 코드 자동 개선
지금 시도할 만한 이유
LLM 기반 에이전트와 공개된 agentic design 프레임워크가 나왔고, 시뮬레이터를 자동 평가자로 연결하는 패턴이 일반화되고 있습니다.
첫 걸음
작은 1D/2D 물리 문제나 아주 짧은 MD/phase-field 스크립트 하나를 골라, 에이전트가 경계조건 처리나 파라미터 선택 코드를 바꾸고 20~50개 변형의 시뮬레이션 점수를 비교해 보세요.
위험과 한계
탐색 공간이 너무 크면 비용만 늘고 수렴하지 않을 수 있습니다. 또한 시뮬레이터가 실제 실험이나 고정밀 계산을 충분히 대표하지 않으면, 에이전트가 평가 함수의 허점을 학습할 수 있습니다.

근거 다른 분야의 검증 사례

아래 링크는 이 기법이 다른 분야에서 통했다는 근거입니다. 소재 분야 적용 결과가 아닙니다.

  1. Agentic Architect: An Agentic AI Framework for Architecture Design Exploration and Optimization

관련 개념과 실습

AI가 최신 기법을 조사해 제안한 방향입니다. 검증된 결과가 아니며, 시도 여부와 위험은 연구 책임자가 판단해야 합니다.