LLM 기반 전이 안정성 평가 자동화와 신경망 설계

초록

본 논문은 대형 언어 모델(LLM)을 전이 안정성 평가(TSA) 전 과정에 적용한 에이전트형 프레임워크를 제안한다. 자연어 명령을 ANDES 시뮬레이터와 연계해 자동으로 교란 시나리오를 생성·필터링하고, LLM‑NND 파이프라인을 통해 성능 피드백 기반의 신경망 구조를 자동 설계한다. IEEE 39‑bus 시스템에서 4.78 M 파라미터 모델이 93.71 % 정확도와 0.95 ms 이하 실시간 추론 속도를 달성했으며, 기존 25.9 M 파라미터 DenseNet 대비 정확도와 효율성을 동시에 개선하였다.

상세 분석

이 연구는 전통적인 TSA 워크플로우가 시뮬레이션 데이터 생성과 신경망 설계 단계에서 인간 전문가의 개입에 크게 의존한다는 한계를 극복하고자 한다. 첫 번째 핵심은 LLM‑Driven Simulation Controller이다. 저자는 프롬프트 엔지니어링, Retrieval‑Augmented Generation(RAG), Chain‑of‑Thought(CoT) 기법을 결합해 자연어로 기술된 교란 상황을 ANDES 시뮬레이터가 이해할 수 있는 파이썬 스크립트로 자동 변환한다. 여기서 RAG은 전력 시스템 도메인 문헌·템플릿을 실시간으로 검색해 LLM에게 정확한 물리적 제약조건과 파라미터 범위를 제공하고, CoT 프롬프트는 단계별 사고 과정을 강제해 오류 발생 시 원인 진단과 수정 명령을 생성한다. 또한 self‑correction 루프가 시뮬레이션 오류 로그를 분석해 프롬프트를 재작성함으로써 ‘hallucination’ 문제를 최소화한다.

두 번째 핵심은 LLM‑NND(Neural Network Design) 파이프라인이다. LLM을 NAS 에이전트로 활용해, 초기 설계 공간(층 수, 채널, 활성화 함수 등)을 정의하고, 각 후보 모델을 자동으로 학습·검증한다. 성능 지표(정확도, 파라미터 수, 추론 지연)와 사전 정의된 비용 함수가 피드백 루프에 입력되어, LLM은 강화학습‑유사한 탐색 전략으로 설계안을 반복 개선한다. 이 과정에서 LLM은 도메인 지식(예: 전압·주파수 동적 특성)과 컴퓨팅 제약을 동시에 고려해, 4.78 M 파라미터 규모의 경량 모델이 93.71 % 테스트 정확도를 달성하도록 설계한다. 비교 실험에서는 25.9 M 파라미터 DenseNet이 80.05 % 정확도에 그쳤으며, LLM‑NND가 정확도와 효율성 모두에서 우수함을 입증한다.

Ablation study는 세 가지 모듈(도메인‑RAG, CoT‑reasoning, 피드백 메커니즘)의 제거가 성능 저하를 초래함을 보여준다. 특히 RAG이 없을 경우 시나리오 생성 시 물리적 불일치가 증가해 시뮬레이션 실패율이 27 % 상승했고, CoT 없이 단일 프롬프트만 사용할 경우 LLM이 복합 교란 조건을 올바르게 해석하지 못해 정확도가 8 % 이하로 떨어졌다. 피드백 루프가 없으면 설계된 신경망이 파라미터 과다 또는 과소 적합 문제를 겪어 실시간 추론 요구를 충족하지 못한다.

전반적으로 이 프레임워크는 (1) 자연어‑기반 시나리오 자동화, (2) 도메인 지식‑강화된 LLM‑주도 NAS, (3) 오류‑주도 자기 교정 메커니즘이라는 세 축을 결합해 전력 시스템 연구자의 작업 부하를 크게 감소시키고, 복잡한 전력망에서도 확장 가능한 TSA 솔루션을 제공한다는 점에서 의의가 크다.