차량 공력 저항 예측을 위한 자기 진화 코딩 에이전트 설계

A Blueprint for Self-Evolving Coding Agents in Vehicle Aerodynamic Drag Prediction

고정밀 차량 저항 평가에서 솔버 실행 시간보다 워크플로우의 비효율성(기하학적 데이터 정리, 메시 생성 재시도, 큐 대기 시간, 팀 간 재현성 실패 등)이 더 큰 제약 요인입니다. 본 논문에서는 산업적 제약 조건 하에서 항력 계수 $C_d$를 예측하기 위한 실행 가능한 대리 파이프라인을 발견하는 자기 진화 코딩 에이전트를 위한 계약 중심의 설계 방안을 제시합니다. 제안하는 방법은 정적 모델 인스턴스가 아닌 프로그램을 활용한 제약 조건 최적화 방식으로 대리 모델 발견을 수행하며, Famou-Agent 스타일의 평가자 피드백과 개체군 기반 아일랜드 진화, 구조화된 돌연변이(데이터, 모델, 손실, 분할 정책), 그리고 순위 품질, 안정성, 비용을 균형 있게 고려하는 다중 목표 선택을 결합합니다. 엄격한 평가 계약은 후보가 채택되기 전에 데이터 유출 방지, 결정적 재현성, 다중 시드 강건성, 그리고 리소스 예산을 보장합니다. 여덟 가지 익명화된 진화 연산자를 통해 최적 시스템은 0.9335의 통합 점수와 0.9180의 신호 정확도를 달성했으며, 경로 분석 및 ablation 분석 결과, 적응적 샘플링 및 아일랜드 마이그레이션이 수렴 품질의 주요 요인임을 확인했습니다. 배포 모델은 명시적으로 "선별 및 상위 전달" 방식으로 설계되었습니다. 즉, 대리 모델은 설계 탐색을 위한 고속 순위를 제공하지만, 낮은 신뢰도 또는 분포 외부의 경우 자동으로 고정밀 CFD 분석으로 전달됩니다. 결과적으로 본 연구는 공력 설계 반복을 가속화하면서 의사 결정 수준의 신뢰성, 거버넌스 추적 가능성, 그리고 안전 경계를 유지하는 감사 가능하고 재사용 가능한 워크플로우를 제공합니다.

High-fidelity vehicle drag evaluation is constrained less by solver runtime than by workflow friction: geometry cleanup, meshing retries, queue contention, and reproducibility failures across teams. We present a contract-centric blueprint for self-evolving coding agents that discover executable surrogate pipelines for predicting drag coefficient $C_d$ under industrial constraints. The method formulates surrogate discovery as constrained optimization over programs, not static model instances, and combines Famou-Agent-style evaluator feedback with population-based island evolution, structured mutations (data, model, loss, and split policies), and multi-objective selection balancing ranking quality, stability, and cost. A hard evaluation contract enforces leakage prevention, deterministic replay, multi-seed robustness, and resource budgets before any candidate is admitted. Across eight anonymized evolutionary operators, the best system reaches a Combined Score of 0.9335 with sign-accuracy 0.9180, while trajectory and ablation analyses show that adaptive sampling and island migration are primary drivers of convergence quality. The deployment model is explicitly ``screen-and-escalate'': surrogates provide high-throughput ranking for design exploration, but low-confidence or out-of-distribution cases are automatically escalated to high-fidelity CFD. The resulting contribution is an auditable, reusable workflow for accelerating aerodynamic design iteration while preserving decision-grade reliability, governance traceability, and safety boundaries.