과학적 모델링 재고찰: 물리적으로 일관되고 시뮬레이션 가능한 프로그래밍 방식 생성으로 향하여

Rethinking Scientific Modeling: Toward Physically Consistent and Simulation-Executable Programmatic Generation

구조 모델링은 계산 공학 과학의 핵심 구성 요소이며, 사소한 물리적 불일치나 사양 위반이라도 후속 시뮬레이션의 유효성을 저해할 수 있습니다. 대규모 언어 모델(LLM)이 모델링 코드의 자동 생성을 위한 잠재력을 보여주었지만, 엄격한 공학적 제약 조건 하에서 실행 불가능하거나 물리적으로 일관되지 않은 결과물이 여전히 많이 나타납니다. 따라서, 도메인 지식 구축, 제약 조건 기반 모델 정렬, 검증 기반 평가를 통합하는 물리적으로 일관적인 자동 건물 모델링 프레임워크를 제안합니다. CivilInstruct은 구조 공학 지식과 제약 추론을 형식화하여 시뮬레이션 준비 완료 모델 생성을 가능하게 하는 도메인 특화 데이터 세트로 소개됩니다. 또한, 제약 조건 만족 및 응용 프로그램 프로그래밍 인터페이스 준수를 강화하기 위해 두 단계의 미세 조정 전략을 사용함으로써, 환각 및 불일치 결과물을 크게 줄입니다. MBEval은 실행 가능성과 구조 역학적 일관성을 폐루프 검증을 통해 평가하는 검증 기반 벤치마크로 제시됩니다. 실험 결과는 엄격한 검증 지표에서 기존 방식보다 일관되게 개선된 성능을 보여줍니다. 저희 코드는 https://github.com/Jovanqing/AutoBM 에서 확인할 수 있습니다.

Structural modeling is a fundamental component of computational engineering science, in which even minor physical inconsistencies or specification violations may invalidate downstream simulations. The potential of large language models (LLMs) for automatic generation of modeling code has been demonstrated. However, non-executable or physically inconsistent outputs remain prevalent under stringent engineering constraints. A framework for physics-consistent automatic building modeling is therefore proposed, integrating domain knowledge construction, constraint-oriented model alignment, and verification-driven evaluation. CivilInstruct is introduced as a domain-specific dataset that formalizes structural engineering knowledge and constraint reasoning to enable simulation-ready model generation. A two-stage fine-tuning strategy is further employed to enforce constraint satisfaction and application programming interface compliance, substantially reducing hallucinated and non-conforming outputs. MBEval is presented as a verification-driven benchmark that evaluates executability and structural dynamics consistency through closed-loop validation. Experimental results show consistent improvements over baselines across rigorous verification metrics. Our code is available at https://github.com/Jovanqing/AutoBM.