COSMO-Agent: 도구 기반 에이전트 - 폐루프 최적화, 시뮬레이션 및 모델링 오케스트레이션

COSMO-Agent: Tool-Augmented Agent for Closed-loop Optimization,Simulation,and Modeling Orchestration

반복적인 산업 설계-시뮬레이션 최적화 과정은 CAD-CAE 간의 의미론적 격차로 인해 병목 현상을 겪습니다. 이 격차는 다양한 제약 조건 하에서 시뮬레이션 피드백을 유효한 기하학적 수정으로 변환하는 데 어려움을 야기합니다. 이러한 격차를 해소하기 위해, 우리는 COSMO-Agent (Closed-loop Optimization, Simulation, and Modeling Orchestration)를 제안합니다. COSMO-Agent는 도구 기반 강화 학습(RL) 프레임워크로, LLM이 폐루프 CAD-CAE 프로세스를 완료하도록 훈련합니다. 구체적으로, 우리는 CAD 생성, CAE 솔빙, 결과 파싱, 기하학적 수정 작업을 상호 작용하는 RL 환경으로 정의하고, LLM이 외부 도구를 오케스트레이션하고 제약 조건이 충족될 때까지 매개변수 기하학을 수정하도록 학습합니다. 이 학습을 안정적으로 만들고 산업적으로 활용 가능하도록, 우리는 타당성, 도구 체인 견고성 및 구조적 출력 유효성을 동시에 장려하는 다중 제약 보상 함수를 설계했습니다. 또한, 실제 훈련 및 평가를 지원하기 위해 25가지 부품 카테고리를 포함하고 실행 가능한 CAD-CAE 작업을 포함하는 산업에 적합한 데이터 세트를 제공합니다. 실험 결과, COSMO-Agent 훈련은 제약 조건 기반 설계에 대한 소규모 오픈 소스 LLM의 성능을 크게 향상시켰으며, 타당성, 효율성 및 안정성 측면에서 대규모 오픈 소스 모델 및 강력한 독점 모델을 능가했습니다.

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 generation, CAE solving, result parsing, and geometry revision as an interactive RL environment, where an LLM learns to orchestrate external tools and revise parametric geometries until constraints are satisfied. To make this learning stable and industrially usable, we design a multi-constraint reward that jointly encourages feasibility, toolchain robustness, and structured output validity. In addition, we contribute an industry-aligned dataset that covers 25 component categories with executable CAD-CAE tasks to support realistic training and evaluation. Experiments show that COSMO-Agent training substantially improves small open-source LLMs for constraint-driven design, exceeding large open-source and strong closed-source models in feasibility, efficiency, and stability.