노천 광산 스케줄링에서 혼합정수선형계획(MILP)은 수학적 최적해를 주지만 지수적 계산 복잡도와 실시간 적응 불가로 동적 산업 환경에 한계가 있다. 이 연구는 LLM이 자율 의사결정 에이전트로 작동하고, 지질역학적 선후 관계·채굴-처리 결합·동적 용량 제약을 행동 생성 단계마다 인코딩한 맞춤 시뮬레이터가 안내하는 프레임워크를 제안했다. 클라우드 추론·도메인 미세조정·재훈련 없이 폐쇄형 데이터 보안 환경에서 완전 제로샷으로 해석 가능한 채굴·처리 스케줄을 생성한다. 다양한 규모·기간의 광산 사례에서 LLM 프레임워크는 MILP 최적 NPV의 94~99%를 회복하면서 계산 시간은 선형으로 확장돼, 복잡한 장기 산업 스케줄링의 실용적 대안임을 보였다.
- •MILP의 지수적 복잡도·실시간 적응 한계를 시뮬레이터 안내 LLM 에이전트로 대체
- •지질역학 선후·채굴-처리 결합·동적 용량 제약을 행동 생성에 직접 인코딩
- •클라우드 추론·미세조정·재훈련 없이 폐쇄형 환경에서 제로샷 운용
- •LLM 프레임워크가 MILP 최적 NPV의 94~99%를 회복
- •계산 시간이 선형으로 확장돼 클래식 최적화의 확장성 있는 대안 제시
Sim2Schedule: A Simulator-Guided LLM Framework for Autonomous Open-Pit Mine Scheduling
- 1.시뮬레이터 주도 LLM 에이전트로 노출 광산 채굴 일정을 자율 수립
- 2.지반·채굴-처리 결합·동적 용량 제약을 행동 생성기에 직접 인코딩
- 3.파인튜닝·클라우드 추론 없이 제로쌈·보안환경에서 해석가능한 일정 생성
- 4.MILP 최적 NPV의 94~99%를 회복하면서 계산시간은 선형 확장
왜 중요한가?
수학적으로 최적이나 지수적 복잡도로 실시간 적용이 어려운 MILP의 한계를, 시뮬레이터로 제약을 주입한 LLM 에이전트가 최적해의 94~99%를 선형 시간에 달성해, 장기 산업 스케줄링의 실용적 대안이 될 수 있음을 보였다.
🏷️ 언급 프로젝트
본문 미리보기
arXiv:2606.10286v1 Announce Type: new Abstract: Open-pit mine scheduling is a critical process for maximizing economic return under complex geotechnical and operational constraints. While Mixed-Integer Linear Programming (MILP) provides mathematically optimal baselines, its exponential computational complexity and inability to adapt in real time limit its practical deployment in dynamic industrial environments. This work introduces a simulator-driven Large Language Model (LLM) scheduling framew
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
