다중 에이전트 기반 고성능 컴퓨팅 설계 탐색 자동화

초록

본 논문은 대규모 언어 모델(LLM)을 활용한 다중 에이전트 프레임워크 MADA를 제안한다. 작업 관리, 메쉬 생성, 역설계의 세 전문 에이전트가 협업해 고성능 컴퓨팅(HPC) 환경에서 자동으로 설계‑시뮬레이션‑분석 루프를 수행한다. 인버스 설계 사례로 ICF의 리히트머‑메시코프 불안정(RMI) 억제 문제를 다루며, 실제 하이드로다이내믹스 코드와 머신러닝 대리 모델을 모두 이용해 설계 공간을 효율적으로 탐색한다.

상세 분석

MADA는 LLM을 “추론 엔진”으로 삼아 복잡한 과학 워크플로우를 자동화한다는 점에서 기존 워크플로우 관리 시스템과 차별화된다. 핵심은 세 가지 전문 에이전트(JMA, GA, IDA)와 이를 연결하는 Model Context Protocol(MCP)이다. JMA는 Flux와 연동해 대규모 시뮬레이션 앙상블을 제출·모니터링하고, 실패 시 자동 재시도와 자원 재배치를 수행한다. GA는 Cubit(또는 PMesh)과 MCP 서버를 통해 사용자 정의 파라미터를 메쉬 파일로 변환하며, 메쉬 품질 검증 로직을 내장해 물리적 일관성을 보장한다. IDA는 설계 변수 공간을 샘플링하고, 시뮬레이션 결과에서 관심량(QoI)을 추출해 베이지안 최적화 혹은 진화 알고리즘을 적용해 새로운 후보 설계를 생성한다. 특히 IDA는 LLM 기반 프롬프트를 사용해 “왜 이 설계가 좋은가”를 설명하고, 설계 의도를 인간 사용자에게 피드백한다는 점이 눈에 띈다.

MCP는 JSON‑RPC 기반의 경량 서버‑클라이언트 구조를 채택해 도구와 에이전트 간 인터페이스를 표준화한다. 이를 통해 새로운 시뮬레이션 코드나 스케줄러(Slurm, Merlin 등)를 추가할 때 코드 수정 없이 MCP 서버만 구현하면 된다. 또한 MCP는 파라미터 검증, 오류 보고, 결과 포맷팅을 담당해 에이전트 로직을 단순화한다.

RMI 억제 실험에서는 Laghos 하이드로다이내믹스 코드와 Flux를 이용한 실제 HPC 실행과, 사전 학습된 신경망 대리 모델을 이용한 빠른 탐색 두 가지 경로를 모두 검증한다. 실제 HPC 경로에서는 설계‑시뮬레이션‑분석 루프가 5~6회 반복돼 RMI 성장률을 30% 이상 감소시켰으며, 대리 모델 경로에서는 10배 가량의 시간 절감 효과를 보였다. 실험 결과는 MADA가 설계 공간을 효율적으로 수렴시키고, 인간 전문가가 직접 수행하던 반복 작업을 크게 감소시킴을 입증한다.

또한 논문은 다중 에이전트 시스템이 LLM의 컨텍스트 제한을 극복하는 방법을 제시한다. 각 에이전트는 자체 메모리와 상태를 유지해 이전 시뮬레이션 결과를 기억하고, 필요 시 플래너가 전체 워크플로우를 재조정한다. 실패 복구 메커니즘도 포함돼, 하나의 에이전트가 오류를 일으키면 다른 에이전트가 대체 작업을 수행하거나 플래너가 경로를 재설계한다. 이러한 설계는 과학 컴퓨팅에서 요구되는 높은 신뢰성과 확장성을 제공한다.

전반적으로 MADA는 LLM 기반 추론, 도구 연동을 위한 표준 프로토콜, 그리고 전문화된 에이전트의 조합으로 복잡한 과학 설계 탐색을 자동화하는 새로운 패러다임을 제시한다.