AutoMOOSE: 자연어 한 줄로 완전 자동 상변화 시뮬레이션 구현

초록

AutoMOOSE는 자연어 프롬프트 하나만으로 MOOSE 기반 상변화(phase‑field) 시뮬레이션을 설계·입력·실행·오류 복구·결과 분석까지 전 과정을 자동화하는 오픈‑소스 에이전트 프레임워크이다. 5개의 LLM‑구동 에이전트와 6개의 서브‑에이전트로 구성된 파이프라인은 입력 파일을 검증하고, 실행 중 발생하는 수렴 오류를 스스로 진단·수정하며, 병렬 실행과 FAIR 메타데이터 기록을 제공한다. 구리 다중결정립 성장 벤치마크에서 4개의 온도 조건을 1.8배 빠르게 수행하고, 활성화 에너지 Q≈0.30 eV를 인간 전문가 수준의 정확도로 복원하였다.

상세 분석

AutoMOOSE는 “Architect‑InputWriter‑Runner‑Reviewer‑Visualization”이라는 5‑계층 에이전트 파이프라인을 도입해 전통적인 MOOSE 워크플로우의 복잡성을 크게 낮춘다. 첫 번째 Architect 에이전트는 자연어 명령을 파싱해 물리 모델, 메쉬, 경계조건, 파라미터 스윕, 솔버 옵션 등을 포함한 구조화된 시뮬레이션 플랜(P)을 JSON 형태로 생성한다. 이 플랜은 이후 Input Writer 에이전트에게 전달되며, Input Writer는 6개의 서브‑에이전트(메시, 전역 파라미터, 변수, 커널, 물질, 포스트프로세서, 실행자)로 구성된 복합 에이전트로서, MOOSE 입력 파일(.i)의 각 블록을 단계별로 생성한다. 특히 물리‑특정 파라미터(σ, w_GB, M_0 등)를 입력받아 Eq.(4)를 통해 L, μ, κ 등 수치값을 자동 계산함으로써 인간이 저지르기 쉬운 단위 변환 오류를 방지한다.

Runner 에이전트는 생성된 입력 파일을 MOOSE에 전달하고 실시간 로그를 스트리밍한다. 실행 중 수렴 실패가 감지되면 로그를 Reviewer 에이전트에 전송한다. Reviewer는 사전 정의된 오류 클래스(시간 스텝 과소/과대, 메쉬 해상도 부족, 물성 파라미터 범위 초과 등)를 자동 분류하고, 적절한 파라미터 조정(예: 타임스텝 감소, 메쉬 재생성, 이동도 프리엑스포넨셜 상수 수정)을 제안한다. 수정된 플랜은 Input Writer에 다시 전달되어 재시도(Retry) 루프를 형성한다. 이 과정은 인간 개입 없이 단일 사이클 내에서 완료된다.

Visualization 에이전트는 포스트프로세서가 출력한 CSV 데이터를 읽어 grain count N(t)와 macroscopic rate constant ˜k(T)를 추출하고, Arrhenius 플롯을 통해 활성화 에너지 Q_fit을 회귀한다. 결과는 자동으로 그래프와 텍스트 보고서 형태로 반환되며, 모든 메타데이터와 파라미터 변천사는 FAIR 원칙에 맞춰 provenance 파일에 기록된다.

플러그인 아키텍처는 물리‑특정 구현을 별도 Python 패키지 형태로 등록하도록 설계되었으며, 두‑함수 계약(‘initialize’와 ‘generate_blocks’)만 구현하면 새로운 상변화 모델(예: spinodal decomposition, ferroelectric domain)도 코어를 수정하지 않고 확장 가능하다. 또한 Model Context Protocol(MCP) 서버는 10개의 구조화된 툴 인터페이스를 제공해 외부 AI 클라이언트나 최적화 루프와의 연동을 손쉽게 만든다.

벤치마크 결과는 네 가지 온도(300, 450, 600, 750 K)에서 15개의 초기 결정립을 1000 nm × 1000 nm 영역에 주기적 경계조건으로 시뮬레이션한 것이다. AutoMOOSE는 12개의 입력 블록 중 6개는 인간 전문가와 완전 일치하고, 나머지 4개는 기능적으로 동등함을 확인했다. 병렬 실행으로 전체 소요 시간이 1.8배 단축되었으며, 회귀된 활성화 에너지 Q_fit = 0.296 eV는 인간이 작성한 기준 Q_fit = 0.267 eV와 0.03 eV 차이 내에서 일치한다(R² = 0.90‑0.95, T ≥ 600 K). 또한 세 종류의 수렴 오류(시간 스텝 과소, 메쉬 해상도 부족, 물성 파라미터 범위 초과)를 자동 진단·수정했으며, 모든 실행은 완전한 provenance 기록과 함께 저장된다.

한계점으로는 현재 플러그인이 Allen‑Cahn 기반 다상 모델에 국한되고, 복잡한 비등방성 경계조건이나 다중 물리(열‑기계 연성) 결합 시 추가 검증이 필요하다. 향후 연구에서는 Retrieval‑Augmented Generation(RAG) 기반 입력 보강, GPU 가속 MOOSE 실행, 그리고 실험실 장비와의 실시간 피드백 루프를 통한 진정한 ‘셀프‑드라이빙’ 실험 자동화를 목표로 제시한다.