AutoSAM: 다중 모드 검색 증강 생성을 활용하여 SAM 코드의 입력 파일 생성을 자동화하는 에이전트 기반 프레임워크

AutoSAM: an Agentic Framework for Automating Input File Generation for the SAM Code with Multi-Modal Retrieval-Augmented Generation

첨단 원자로 시스템의 설계 및 안전성 분석에서, System Analysis Module (SAM)과 같은 시스템 수준 열수역학 코드의 입력 파일을 생성하는 것은 여전히 많은 노동력을 필요로 하는 작업입니다. 분석가들은 다양한 형식의 엔지니어링 문서에서 설계 데이터를 추출하고 일치시켜, 수동으로 솔버에 특화된 구문으로 변환해야 합니다. 본 논문에서는 SAM 입력 파일 생성을 자동화하는 에이전트 기반 프레임워크인 AutoSAM을 소개합니다. 이 프레임워크는 대규모 언어 모델 에이전트와 솔버의 사용자 가이드 및 이론 매뉴얼에 대한 검색 증강 생성을 결합하며, PDF, 이미지, 스프레드시트 및 텍스트 파일을 분석하는 특수 도구를 함께 사용합니다. AutoSAM은 시스템 다이어그램, 설계 보고서 및 데이터 테이블을 포함한 비정형 엔지니어링 문서를 입력으로 받아, 시뮬레이션과 관련된 매개변수를 추출하여 사람이 감사할 수 있는 중간 표현으로 변환하고, 검증된 솔버 호환 입력 파일을 생성합니다. 이 프레임워크의 다중 모드 검색 파이프라인은 과학 텍스트 추출, 이미지 기반 그림 해석, 의미론적 임베딩 및 질의 응답 기능을 통합합니다. AutoSAM은 단일 파이프 정상 상태 모델, 온도 반응 피드백을 갖는 고체 연료 채널, Advanced Burner Test Reactor 코어 및 Molten Salt Reactor Experiment 1차 루프의 네 가지 복잡도가 증가하는 사례 연구를 통해 평가되었습니다. 모든 경우에서, 에이전트는 예상되는 열수역학적 거동과 일관된 실행 가능한 SAM 모델을 생성하며, 동시에 누락된 데이터와 가정된 값을 명시적으로 식별합니다. 이 프레임워크는 구조화된 입력의 100% 활용, PDF 텍스트에서 약 88%의 추출, 그리고 이미지 기반 기하학적 추출에서 100%의 완전성을 달성했습니다. 이러한 결과는 프롬프트 기반 원자로 모델링을 위한 실용적인 경로를 제시하며, 분석가들은 시스템 설명과 관련 문서를 제공하고, 에이전트는 이를 투명하고 실행 가능한 SAM 시뮬레이션으로 변환합니다.

In the design and safety analysis of advanced reactor systems, constructing input files for system-level thermal-hydraulics codes such as the System Analysis Module (SAM) remains a labor-intensive task. Analysts must extract and reconcile design data from heterogeneous engineering documents and manually translate it into solver-specific syntax. In this paper, we present AutoSAM, an agentic framework that automates SAM input file generation. The framework combines a large language model agent with retrieval-augmented generation over the solver's user guide and theory manual, together with specialized tools for analyzing PDFs, images, spreadsheets, and text files. AutoSAM ingests unstructured engineering documents, including system diagrams, design reports, and data tables, extracts simulation-relevant parameters into a human-auditable intermediate representation, and synthesizes validated, solver-compatible input decks. Its multimodal retrieval pipeline integrates scientific text extraction, vision-based figure interpretation, semantic embedding, and query answering. We evaluate AutoSAM on four case studies of increasing complexity: a single-pipe steady-state model, a solid-fuel channel with temperature reactivity feedback, the Advanced Burner Test Reactor core, and the Molten Salt Reactor Experiment primary loop. Across all cases, the agent produces runnable SAM models consistent with expected thermal-hydraulic behavior while explicitly identifying missing data and labeling assumed values. The framework achieves 100% utilization of structured inputs, about 88% extraction from PDF text, and 100% completeness in vision-based geometric extraction. These results demonstrate a practical path toward prompt-driven reactor modeling, in which analysts provide system descriptions and supporting documentation while the agent translates them into transparent, and executable, SAM simulations.