벡터를 그래프로 변환해 설계도 감사를 신뢰하게 만들다

초록

본 논문은 기존 멀티모달 대형 언어 모델(MLLM)이 CAD 전기 회로도에서 구조적 관계를 파악하지 못하는 한계를 지적하고, 벡터 기반 도면을 속성 그래프로 변환한 뒤 그래프 신호 처리(GSP) 기반 검증기로 검증하는 V2G 파이프라인을 제안한다. 900개 증강 인스턴스로 구성된 진단 벤치마크에서 V2G는 6개 최신 MLLM의 평균 정확도를 12%에서 47%로 끌어올리며, 구조 인식이 없는 픽셀 기반 접근법이 거의 무작위 수준에 머물렀음을 실증한다.

상세 분석

이 연구는 “구조적 맹목성(structural blindness)”이라는 개념을 명확히 정의한다. 기존 MLLM은 고해상도 이미지 입력을 받아 객체를 인식하고 텍스트를 생성하지만, 전기 설계도와 같이 벡터 형식으로 정의된 연결 관계와 심볼의 논리적 제약을 파악하지 못한다. 저자들은 이를 입증하기 위해 다중 접지, 오픈 회로, 극성 반전 등 10가지 규칙을 포함한 진단 프로브를 설계했으며, 최신 모델 6종을 테스트했을 때 정확도가 10% 이하에 불과함을 보여준다.

V2G 파이프라인은 크게 네 단계로 구성된다. 첫 번째 단계에서는 ezdxf 라이브러리를 이용해 CAD 도면의 저수준 프리미티브(LINE, ARC, TEXT 등)를 추출하고, LLM‑구동 파싱 로직으로 노드(부품)와 엣지(전기 연결)를 식별한다. 여기서 기하학적 허용오차 τ와 LLM이 제공하는 의미론적 규칙을 결합해 실제 전기적 연결을 판단한다. 두 번째 단계는 MLLM 플래너가 자연어 형태의 규칙을 구조화된 JSON 쿼리로 변환하고, 해당 서브그래프를 선택하도록 지도한다. 세 번째 단계에서는 선택된 서브그래프에 대해 라플라시안 L을 계산하고, 영 고유값의 다중도, 사이클 수 β 등 그래프 신호 처리 지표를 이용해 연결성, 접지 유일성, 극성 일관성 등을 정량적으로 검증한다. 마지막 단계에서는 각 규칙에 대한 이진 결과(o∈{0,1})를 집계해 JSON 형태의 감리 보고서를 생성하고, 인간 감사자가 이해하기 쉬운 자연어 요약을 제공한다.

실험 결과는 세 가지 관점에서 의미가 있다. 첫째, V2G는 구조 정보를 명시적으로 그래프로 변환함으로써 “Intropy”(지능·효율성) 지표를 크게 향상시킨다. 픽셀 기반 접근은 구조적 저항(R)이 높아 정보 손실이 크지만, 그래프 기반 접근은 R을 낮추고 의미 있는 차이(δS)를 증대한다. 둘째, 각 구성 요소(토폴로지, 속성, 플래너 기반 서브그래프 선택)의 Ablation 실험은 모두 성능에 기여함을 확인한다. 특히 GSP 검증을 제외하면 전체 정확도가 28% 수준으로 급락한다. 셋째, 회전·이동·스케일 변형에 강인한 점을 보이며, 이는 그래프가 좌표 변환에 불변인 특성 덕분이다.

이 논문은 기존 MLLM이 “bag‑of‑objects” 수준에 머물러 있음을 비판하고, 엔지니어링 도메인에서 실용적인 AI 적용을 위해서는 벡터‑그래프 변환과 결정론적 그래프 검증이 필수적임을 설득력 있게 제시한다. 향후 연구는 더 큰 규모의 도면 데이터셋 구축, Graph Neural Network와의 비교, 그리고 실시간 설계 검증 파이프라인으로의 확장을 제안한다.