추론 기반 구조 설계 및 검색 기반 숫자 최적화: 현장 설치형 오픈 소스 대규모 언어 모델(LLM)을 활용한 결합 MIMO 제어기 조정

Structure from Reasoning, Numbers from Search: On-Premise Open LLMs as Structural Priors for Coupled MIMO Controller Tuning

강하게 결합된 다중 입/출력(MIMO) 산업 공정을 위한 제어기를 조정하는 것은 어렵습니다. 분산 방식의 기존 자동 튜닝은 루프 간 상호 작용을 무시하고, 자연스러운 초기 값에서 시작하는 로컬 수치 최적화는 결과적으로 발생하는 비볼록 비용 지형에서 어려움을 겪습니다. 본 연구에서는 현장 데이터 저장 및 플랜트 모델이 불필요한 현장 설치형 오픈 소스 대규모 언어 모델(LLM)이 이러한 문제 해결에 도움이 될 수 있는지 조사합니다. 단일 루프 CSTR의 경우, 기존의 릴레이 피드백 튜닝(IAE 0.106, 최적값인 0.102에 근접)은 LLM 튜너(0.162)보다 우수한 성능을 보입니다. 즉, 단순한 루프에서는 LLM이 추가적인 이점을 제공하지 않습니다. 그러나 상반된 목표 값을 갖는 강하게 결합된 사중 탱크 시스템에서는 상황이 달라집니다. 여기서는 IAE와 액추에이터의 챗팅을 줄이는 페널티 항(lambda*TV(u))을 포함한 비용 함수 J = IAE + lambda*TV(u)를 사용하여 성능을 평가합니다. 이때, 기존 릴레이 튜닝(J ~ 28.6)과 LLM 튜닝(29.7) 모두 개방 루프 시스템(22.7)보다 좋지 않으며, 균형 잡힌 초기 값에서 시작하는 로컬 최적화는 10번의 시도에서 모두 실패합니다. 반면, 구조적인 지침을 제공하는 LLM은 결합 현상에 대해 추론하고, 직관에 어긋나는 비대칭 구조를 제안하며, 어떤 초기 값에서도 J ~ 16.9 +/- 0.2의 성능을 달성합니다. 이를 기존 최적화 알고리즘으로 개선하면 부드러운 전역 최적값(J ~ 12.0)에 도달할 수 있으며, 이는 분산 방식의 음수 적분 보정으로는 달성 불가능한 수준입니다. 전역 최적화 알고리즘(differential evolution)도 이 최적값에 도달할 수 있으므로 LLM이 유일한 해결책은 아니지만, LLM의 장점은 샘플 효율성과 해석 가능성에 있습니다. 즉, 18번의 평가 만에 사용 가능한 제어기를 얻을 수 있으며(전역 최적화 알고리즘은 개방 루프보다 성능이 낮음), 그 이유는 명확하게 설명되어 있습니다. 이러한 장점은 시스템 차원이 증가함에 따라 더욱 두드러지며, 3x3 플랜트의 경우 평가 횟수가 약 6배 감소합니다. 이 현상은 네 가지 오픈 모델에서 관찰되었으며, 특정 환경에서는 LLM이 아무런 이점을 제공하지 않으므로 경계가 명확해집니다. 본 연구는 제어기 조정 시 오픈 소스 LLM이 언제 도움이 되는지 판단할 수 있는 재현 가능한 벤치마크를 제시합니다. 즉, LLM은 최적화 도구가 아니라, 샘플 효율성이 높고 해석 가능하며 구조적인 선행 지식을 제공하는 역할을 합니다.

Tuning controllers for strongly coupled multi-input multi-output (MIMO) industrial processes is hard: decentralized classical auto-tuning ignores loop interaction, and local numerical optimization from natural initializations stalls in the resulting non-convex cost landscape. We ask whether on-premise open-source large language models (LLMs), which keep data on-site and need no plant model, can help. On a single-loop CSTR, classical relay-feedback tuning (IAE 0.106, near the 0.102 optimum) beats an LLM tuner (0.162): for simple loops the LLM adds nothing. The picture inverts on a strongly coupled quadruple-tank with conflicting set-points, scored by a penalized cost J = IAE + lambda*TV(u) that rewards tracking without chattering actuators. There, naive relay tuning (J ~ 28.6) and naive LLM tuning (29.7) are no better than open loop (22.7), and a local optimizer from balanced starts fails in 10/10 runs. A scaffolded open LLM instead reasons about the coupling, proposes the counter-intuitive asymmetric structure, and reaches J ~ 16.9 +/- 0.2 from any start; refining it with a classical optimizer attains the smooth global optimum (J ~ 12.0, 10/10 vs. 0/10), which even applies a non-obvious negative integral correction decentralized tuning cannot. A global optimizer (differential evolution) also reaches this optimum, so the LLM is not the only route; its advantage is sample efficiency and interpretability: a usable controller in 18 evaluations (where the global optimizer is worse than open loop) plus a stated rationale. This edge grows with dimension, reaching ~6x fewer evaluations on a 3x3 plant. The behaviour generalizes across four open models, and on a benign plant the LLM offers no advantage, sharpening the boundary. We contribute a reproducible benchmark delimiting when open LLMs help in control tuning: not as optimizers, but as a sample-efficient, interpretable structural prior.