COSMO-Agent는 CAD-CAE 의미론적 격차를 해소하는 도구 증강 강화학습 프레임워크로, LLM이 폐루프 산업 설계-시뮬레이션 최적화를 수행하도록 훈련한다. CAD 생성, CAE 해결, 결과 파싱, 기하학 수정을 인터랙티브 RL 환경으로 구성하여 에이전트가 외부 도구를 조율한다. 다중 제약 보상 함수가 실현 가능성, 도구체인 강건성, 출력 유효성을 동시에 장려한다. 25개 부품 카테고리의 산업 정렬 데이터셋에서 소규모 오픈소스 LLM이 대규모 폐쇄형 모델을 능가하는 성과를 보였다.
- •COSMO-Agent는 CAD-CAE 시미턴틱 격차를 메우는 산업 설계 대상 RL 프레임워크로, LLM이 기하학 수정까지 자율적으로 수행한다.
- •실현 가능성, 도구체인 강건성, 매개변수 유효성을 동시에 보상하는 다중 제약 보상으로 훈련을 안정적으로 한다.
- •25개 부품 카테고리를 포함한 산업 정렬 데이터셋에서 소규모 LLM이 포유 폐쇄형 대형 모델을 능가하는 성능을 달성했다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Tool-Augmented Agent for Closed-loop Optimization,Simulation,and Modeling Orchestration
- 1.CAD-CAE 시맨틱 갈포를 해소하는 폐루프 최적화·시뮬레이션 오케스트레이션 에이전트 COSMO-Agent 제안
- 2.CAD 생성, CAE 해석, 결과 파싱, 형상 수정을 RL 환경으로 구성해 LLM이 외부 도구를 오케스트레이션
- 3.25개 부품 범주 산업 데이터셋에서 소형 오픈소스 LLM이 대형 모델보다 우수한 성능 달성
왜 중요한가?
CAD-CAE 반복 설계 최적화를 AI 에이전트로 자동화해 제조업의 설계 사이클 단축과 비용 절감 가능성을 보여주는 산업적으로 중요한 연구다.
언급 프로젝트
본문 미리보기
arXiv:2605.20190v1 Announce Type: new Abstract: Iterative industrial design-simulation optimization is bottlenecked by the CAD-CAE semantic gap: translating simulation feedback into valid geometric edits under diverse, coupled constraints. To fill this gap, we propose COSMO-Agent (Closed-loop Optimization, Simulation, and Modeling Orchestration), a tool-augmented reinforcement learning (RL) framework that teaches LLMs to complete the closed-loop CAD-CAE process. Specifically, we cast CAD genera
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
