[npj Artificial Intelligence] MCP-SIM: 자가 수정 멀티 에이전트 LLM을 이용한 물리 시뮬레이션 및 설명 프레임워크

배경 및 개요 (Background and Overview)

물리 기반 시뮬레이션은 과학 및 공학 분야의 핵심 요소이지만, 이를 구축하기 위해서는 수치 해석기(Numerical Solver)와 지배 방정식(Governing Equations)에 대한 깊은 전문 지식이 필수적입니다. 최근 거대 언어 모델(LLM)의 발전은 자연어를 이용한 시뮬레이션이라는 새로운 가능성을 제시했으나, 기존 모델들은 모호하거나 불완전한 프롬프트, 혹은 다국어 입력에 대해 실행 가능한 코드를 생성하는 데 자주 실패하는 한계를 보였습니다.

이러한 문제를 해결하기 위해 KAIST 연구팀은 MCP-SIM (Memory-Coordinated Physics-Aware Simulation)이라는 새로운 프레임워크를 제안했습니다. 이는 자가 수정(Self-correcting)이 가능한 멀티 에이전트 시스템으로, 전문가가 시뮬레이션을 수행할 때 거치는 ‘계획-실행-반성-수정(Plan-Act-Reflect-Revise)’의 반복적인 추론 과정을 모방하도록 설계되었습니다.

MCP-SIM은 단순히 텍스트를 코드로 변환하는 단일 단계(One-shot) 방식에서 벗어나, 입력 명확화(Input Clarification), 코드 생성(Code Generation), 오류 진단(Error Diagnosis), 그리고 다국어 설명(Multilingual Explanation)을 담당하는 전문화된 에이전트들이 협업하는 구조를 갖추고 있습니다. 특히 이 시스템의 핵심은 모든 에이전트가 공유하는 ‘지속적 메모리(Persistent Memory)’ 시스템으로, 이를 통해 시뮬레이션 과정의 문맥을 유지하고 에이전트 간의 유기적인 협업을 조율합니다. 결과적으로 사용자가 “돌고래 모양의 장애물 주위로 흐르는 물의 흐름을 시뮬레이션해줘”와 같은 모호한 요청을 하더라도, 시스템은 스스로 누락된 물리적 가정을 추론하고, 실행 가능한 FEniCS 코드를 생성하며, 결과에 대한 교육적인 설명 보고서까지 자동으로 제공합니다.

모델별 테스트 결과 (Model-Specific Test Results)

연구팀은 MCP-SIM의 성능을 검증하기 위해 기존의 GPT 기반 접근 방식들과 비교 실험을 진행했습니다. 비교 대상은 단일 프롬프트로 코드를 생성하는 ‘One-shot GPT (B1)’, 자동 명확화 기능만 추가된 ‘GPT + Automated Clarifier (B2)’, 그리고 인간이 오류 진단에 개입하는 ‘GPT + Clarifier + Human Diagnosis (B3)’ 모델이었습니다.

테스트 결과, MCP-SIM은 압도적인 성능 우위를 보였습니다.

• 성공률 (Success Rate): 총 12개의 벤치마크 과제 중, B1 모델은 6개, B2는 8개, 인간이 개입한 B3 모델조차 10개 성공에 그친 반면, MCP-SIM은 12개 과제 모두를 성공적으로 해결했습니다 (성공률 100%).
• 수렴 효율성 (Convergence Efficiency): 기존 모델들은 반복적인 수정 메커니즘이 없거나 비효율적이었으나, MCP-SIM은 과거의 오류 수정 기록과 실행 로그를 메모리에 저장하고 활용함으로써 대부분의 과제를 5회 미만의 반복(Iteration) 내에 해결했습니다.
• 수치적 정확도: 생성된 모든 시뮬레이션은 물리적 수렴 기준(무차원 잔차 $10^{-4}$ 미만)을 충족했으며, 전문가 수준의 물리적 해석이 가능한 필드 분포를 생성해냈습니다.

특히 가장 난이도가 높은 ‘레벨 12(위상장 파괴 역학, Phase-field Fracture Mechanics)’ 테스트에서, 수치나 경계 조건 없이 “중앙에 원이 있는 사각형 도메인에서 균열 전파를 시뮬레이션하라”는 한 문장의 프롬프트만으로도, MCP-SIM은 ABAQUS와 같은 상용 소프트웨어와 거의 일치하는 균열 개시 및 성장 패턴을 재현해냈습니다.

​

테스트 데이터셋 (Test Datasets)

모델의 견고성을 평가하기 위해 연구팀은 점진적으로 복잡도가 증가하는 12단계의 벤치마크 스위트(Benchmark Suite)를 설계했습니다. 이 데이터셋은 실제 공학 학생들이나 비전문가가 겪는 ‘모호한 경계 조건’, ‘누락된 물성치’, ‘불분명한 형상 설명’ 등의 문제를 반영하고 있습니다.

• 단순 단계 (Simple, Level 1–4): 선형 탄성(Linear Elasticity), 2D 열전달 등 단일 물리 현상을 다루며 조건이 비교적 명확한 문제들입니다.
• 중간 단계 (Intermediate, Level 5–9): 유체 역학(Navier-Stokes), 3D 열확산, 비정형 형상(STL 파일 로드) 등을 포함하며, 형상이나 물성치에 대한 추론이 필요한 불완전한 입력이 주어집니다.
• 고난이도 단계 (Challenging, Level 10–12): 열전-기계적 결합(Thermo-mechanical coupling), 압전 변형(Piezoelectric deformation), 위상장 파괴(Phase-field fracture)와 같은 다중 물리(Multi-physics) 문제를 다루며, 코드가 없는 논문 수준의 문제 해결 능력을 요구합니다.

​

연구 방법론 및 결론 (Research Methodology and Conclusion)

MCP-SIM 프레임워크는 중앙의 메모리 중심 오케스트레이터(Memory-Centric Orchestrator)가 6개의 전문 에이전트를 조율하는 구조로 작동합니다.

1. Input Clarifier Agent: 모호한 사용자 입력을 분석하여 기하학적 구조, PDE 유형, 경계 조건 등 누락된 정보를 추론하고 정규화된 명세(Specification)를 작성합니다.
2. Code Builder Agent: 명세된 정보를 바탕으로 물리 인식 휴리스틱(Physics-aware heuristics)이 적용된 템플릿을 사용해 FEniCS 기반의 Python 코드를 생성합니다.
3. Simulation Executor Agent: 생성된 코드를 샌드박스 환경에서 실행하고, 솔버의 발산이나 물리적 위배 사항을 모니터링합니다.
4. Error Diagnosis Agent: 실행 실패 시 오류 로그를 분석하여 메쉬 해상도 조절, 솔버 파라미터 완화 등 물리적으로 타당한 수정 제안을 생성합니다.
5. Input Rewriter Agent: 상위 수준의 모호함이 원인일 경우 자연어 프롬프트 자체를 수정하여 전체 루프를 재시작합니다.
6. Mechanical Insight Agent: 성공적인 시뮬레이션 후, 수식과 물리적 원리를 포함한 교육용 다국어 보고서(한/영/일/독)를 생성합니다.

이 연구는 LLM이 단순히 코드를 생성하는 도구를 넘어, 전문가의 추론 과정을 모방하고 스스로 오류를 수정하며 물리적 현상을 설명할 수 있는 ’자율 과학 어시스턴트(Autonomous Scientific Assistant)’로 진화할 수 있음을 입증했습니다. 결론적으로 MCP-SIM은 복잡한 물리 시뮬레이션의 진입 장벽을 낮추고, 시뮬레이션 리터러시(Simulation Literacy)를 높이는 데 기여할 수 있는 강력한 도구로 평가됩니다.

​

시사점 (Implications)

MCP-SIM의 등장은 AI 기반 과학 컴퓨팅 분야에 몇 가지 중요한 시사점을 던집니다.

첫째, 시뮬레이션의 민주화(Democratization of Simulation)입니다. 전문적인 수치 해석 지식이 없는 학생, 엔지니어, 연구자들도 자연어만으로 복잡한 물리 현상을 모델링하고 검증할 수 있게 됨으로써, 시뮬레이션 기반의 발견과 혁신이 가속화될 것입니다.

둘째, 설명 가능한 AI(XAI)의 교육적 활용입니다. 단순한 결과 도출을 넘어, 왜 그런 결과가 나왔는지, 어떤 지배 방정식이 사용되었는지를 다국어로 설명해주는 기능은 교육 현장에서 가상 조교(Virtual Teaching Assistant)로서의 역할을 수행할 수 있음을 보여줍니다.

셋째, 에이전트 협업과 메모리의 중요성입니다. 단일 거대 모델에 의존하기보다, 전문화된 에이전트들이 공유 메모리를 통해 협업하는 구조가 복잡한 추론과 문제 해결(Reasoning and Problem Solving)에 훨씬 더 효과적임을 증명했습니다. 이는 향후 과학 및 공학 도메인에 특화된 AI 시스템 설계의 청사진이 될 것입니다.

향후 연구에서는 실험 데이터와의 통합, 더 특수한 물리 도메인으로의 확장, 그리고 실시간성 확보를 위한 추론 최적화 등이 과제로 남아있지만, MCP-SIM은 LLM이 수동적인 코딩 도구에서 능동적인 연구 파트너로 전환되는 중요한 변곡점을 마련했습니다.

​

References

[1] Donggeun Park, Hyeonbin Moon & Seunghwa Ryu, “A self-correcting multi-agent LLM framework for language-based physics simulation and explanation”, npj Artificial Intelligence, 2026. (DOI: 10.1038/s44387–025–00057-z)

[2] “MCP-SIM GitHub Repository”, KAIST-M4/MCP-SIM.

Tags

MCPSIM #AIPhysics #MultiAgentLLM #SimulationAutomation #FEniCS #ScientificAI

물리시뮬레이션 #멀티에이전트 #인공지능논문 #KAIST #자율과학어시스턴트 #생성형AI