대형 언어 모델 기반 딥 에너지 메소드: 변분 PDE 해결을 위한 오픈소스 Streamlit 플랫폼

초록

LM-DEM은 에너지 형태 PINN(Deep Energy Method)을 활용해 변분 PDE를 풀고, 대형 언어 모델(LLM)을 이용해 텍스트·이미지 입력만으로 Gmsh 호환 기하학을 자동 생성하는 Streamlit 기반 오픈소스 프레임워크이다. Poisson, 선형·비선형 탄성 등 2D·3D 내장 문제와 Abaqus UMAT 스타일 사용자 정의 에너지 함수를 지원하며, FEM 해와 병행해 검증한다.

상세 분석

본 논문은 물리 기반 신경망(PINN) 중에서도 에너지 형태, 즉 Deep Energy Method(DEM)를 중심으로 한 새로운 소프트웨어 플랫폼 LM-DEM을 제안한다. 기존 강형(PINN strong form) 접근법은 고차 미분 연산과 다중 페널티 파라미터 튜닝이 필요해 학습 안정성이 떨어지는 반면, DEM은 변분 원리를 이용해 1차 미분만으로 충분히 에너지 함수를 정의한다. 이는 자동 미분 비용을 크게 낮추고, 하이퍼파라미터 수를 최소화해 최적화 공간을 단순화한다.

LM-DEM의 핵심 혁신은 기하학 전처리를 LLM에 위임한다는 점이다. 사용자는 “원통형 부품에 상단은 힘, 하단은 변위 경계조건”과 같은 자연어 프롬프트 혹은 이미지만 제공하면, 백엔드에서 OpenAI GPT‑4o 등 선택 가능한 LLM이 Gmsh .geo 스크립트를 자동 생성한다. 오류 피드백을 통한 반복 호출으로 3D 복합 형상도 높은 성공률(≈90%)로 구현한다. 이렇게 자동 생성된 메시는 Streamlit UI에서 전역 특성 길이(l_c), 사각형·삼각형 등 요소 유형, 적분 규칙 등을 직관적으로 조정할 수 있다.

수치 해석 측면에서 LM-DEM은 두 가지 병렬 흐름을 제공한다. 첫 번째는 신경망 파라미터 θ를 최적화해 에너지 함수를 최소화하는 DEM 솔버이며, 두 번째는 동일한 메시에 대해 전통적인 FEM을 수행해 기준 해를 제공한다. 경계조건은 Dirichlet를 사전 만족시키는 특수 형태 u(x)=u_p(x)+D(x)·u_g(x) 로 구현하고, D(x)는 RBF 기반 거리 함수로 근사한다. 이는 강형 PINN에서 흔히 발생하는 경계조건 위반 문제를 근본적으로 해결한다.

플랫폼은 Poisson, screened Poisson, 선형 탄성, 하이퍼탄성 등 2D·3D 내장 모델을 제공하고, 사용자가 Abaqus UMAT과 유사한 인터페이스로 에너지 밀도 함수를 정의하면 비선형 플라스틱·다중 물성 문제까지 확장 가능하도록 설계되었다. 코드베이스는 PyTorch와 JAX를 활용해 GPU 가속을 지원하며, Streamlit을 통한 웹 UI는 별도 설치 없이 브라우저만으로 접근 가능하지만 현재는 CPU 전용이다.

한계점으로는 3D 기하 생성 시 다중 LLM 호출이 필요해 응답 시간이 길어질 수 있고, 복잡한 비변분 PDE(예: 비보존형 흐름)에서는 변분 원리 기반 에너지 정의가 어려워 강형 PINN에 비해 적용 범위가 제한된다. 또한 LLM에 의존하는 기하 생성 단계는 프롬프트 설계에 따라 결과가 크게 달라질 수 있어, 사용자 교육이 필요하다. 그럼에도 불구하고 LM-DEM은 에너지형 PINN을 처음 접하는 연구자·실무자에게 진입 장벽을 크게 낮추는 실용적인 도구로 평가된다.