AeroTherm-GPT: 검증 중심의 LLM 프레임워크 - 열 보호 시스템 엔지니어링 워크플로우

AeroTherm-GPT: A Verification-Centered LLM Framework for Thermal Protection System Engineering Workflows

대규모 언어 모델(LLM)을 하이퍼소닉 열 보호 시스템(TPS) 설계에 통합하는 것은 실행 가능한 시뮬레이션 결과물을 생성할 때 발생하는 제약 조건 위반 문제로 인해 어려움을 겪고 있습니다. 범용 LLM은 생성을 단일 단계의 텍스트 완성으로 처리하기 때문에, 안전이 중요한 엔지니어링 워크플로우에 내재된 순차적이고 다중 제약 조건들을 충족하지 못합니다. 이러한 문제를 해결하기 위해, 우리는 TPS에 특화된 최초의 LLM 에이전트인 AeroTherm-GPT를 제안합니다. AeroTherm-GPT는 제약 조건 기반 폐루프 생성(CCLG) 프레임워크를 통해 구현되었습니다. CCLG는 TPS 결과물 생성 과정을 생성, 검증, CDG(제약 조건 의존성 그래프) 기반 수정, 실행, 감사 등의 반복적인 워크플로우로 구성합니다. CDG는 제약 조건 범주 간의 경험적인 상호 해결 구조를 인코딩하여, 수명 주기 순서 및 경험적인 상호 해결 확률을 기반으로 상위 레벨의 오류 후보를 중심으로 수정을 안내합니다. 이러한 상위 레벨 우선순위 메커니즘은 한 번의 작업으로 여러 하위 레벨 위반 사항을 해결하여, 체크리스트 기반 수정 방식에 비해 4.16의 근본 원인 해결 효율을 달성합니다(평균 1.76). HyTPS-Bench에서 평가하고 외부 벤치마크와 비교한 결과, AeroTherm-GPT는 88.7%의 엔드 투 엔드 성공률(95% 신뢰 구간: 87.5-89.9)을 달성했으며, 이는 CDG를 제거한 기준 모델에 비해 +12.5%p의 성능 향상을 의미합니다. 또한, AeroTherm-GPT는 과학적 추론 및 코드 생성 작업에서 파국적인 망각 현상은 발생하지 않았습니다.

Integrating Large Language Models (LLMs) into hypersonic thermal protection system (TPS) design is bottlenecked by cascading constraint violations when generating executable simulation artifacts. General-purpose LLMs, treating generation as single-pass text completion, fail to satisfy the sequential, multi-gate constraints inherent in safety-critical engineering workflows. To address this, we propose AeroTherm-GPT, the first TPS-specialized LLM Agent, instantiated through a Constraint-Closed-Loop Generation (CCLG) framework. CCLG organizes TPS artifact generation as an iterative workflow comprising generation, validation, CDG-guided repair, execution, and audit. The Constraint Dependency Graph (CDG) encodes empirical co-resolution structure among constraint categories, directing repair toward upstream fault candidates based on lifecycle ordering priors and empirical co-resolution probabilities. This upstream-priority mechanism resolves multiple downstream violations per action, achieving a Root-Cause Fix Efficiency of 4.16 versus 1.76 for flat-checklist repair. Evaluated on HyTPS-Bench and validated against external benchmarks, AeroTherm-GPT achieves 88.7% End-to-End Success Rate (95% CI: 87.5-89.9), a gain of +12.5 pp over the matched non-CDG ablation baseline, without catastrophic forgetting on scientific reasoning and code generation tasks.