텍스트에서 시뮬레이션으로: 자동화된 화학 공정 설계를 위한 멀티 에이전트 LLM 워크플로

From Text to Simulation: A Multi-Agent LLM Workflow for Automated Chemical Process Design

공정 시뮬레이션은 화학 공학 설계의 핵심적인 초석입니다. 현재의 자동화된 화학 설계 방법론은 주로 공정 흐름도의 다양한 표현에 중점을 두고 있습니다. 그러나 이러한 도표를 실행 가능한 시뮬레이션 흐름도로 변환하는 것은 시뮬레이션 소프트웨어 내에서 광범위한 수동 매개변수 설정이 필요하기 때문에 여전히 시간과 노동이 많이 소요되는 작업입니다. 본 연구에서는 대규모 언어 모델(LLM)의 의미 이해 능력을 활용하고 화학 공정 시뮬레이션 소프트웨어와의 반복적인 상호 작용을 가능하게 하는 새로운 멀티 에이전트 워크플로를 제안합니다. 이를 통해 텍스트 공정 사양에서 설계 향상을 위해 계산적으로 검증된 소프트웨어 구성에 이르기까지 엔드투엔드 자동화 시뮬레이션을 달성합니다. 우리의 접근 방식은 의미를 정확하게 해석하고 구성을 견고하게 생성하기 위해 향상된 몬테카를로 트리 탐색(Enhanced Monte Carlo Tree Search)과 결합된, 작업 이해, 토폴로지 생성, 매개변수 구성 및 평가 분석을 각각 담당하는 4개의 전문 에이전트를 통합합니다. 대규모 공정 설명 데이터세트인 Simona에서 평가한 결과, 제안된 방법은 최신 기준선과 비교하여 시뮬레이션 수렴 속도를 31.1% 향상시켰으며, 전문가의 수동 설계에 비해 설계 시간을 89.0% 단축했습니다. 이 연구는 개념 설계와 실제 구현 사이의 격차를 해소하는 AI 보조 화학 공정 설계의 잠재력을 입증합니다. 우리의 워크플로는 제약, 석유화학, 식품 가공 및 제조를 포함한 다양한 공정 중심 산업에 적용 가능하며, 자동화된 공정 설계를 위한 일반화 가능한 솔루션을 제공합니다.

Process simulation is a critical cornerstone of chemical engineering design. Current automated chemical design methodologies focus mainly on various representations of process flow diagrams. However, transforming these diagrams into executable simulation flowsheets remains a time-consuming and labor-intensive endeavor, requiring extensive manual parameter configuration within simulation software. In this work, we propose a novel multi-agent workflow that leverages the semantic understanding capabilities of large language models(LLMs) and enables iterative interactions with chemical process simulation software, achieving end-to-end automated simulation from textual process specifications to computationally validated software configurations for design enhancement. Our approach integrates four specialized agents responsible for task understanding, topology generation, parameter configuration, and evaluation analysis, respectively, coupled with Enhanced Monte Carlo Tree Search to accurately interpret semantics and robustly generate configurations. Evaluated on Simona, a large-scale process description dataset, our method achieves a 31.1% improvement in the simulation convergence rate compared to state-of-the-art baselines and reduces the design time by 89. 0% compared to the expert manual design. This work demonstrates the potential of AI-assisted chemical process design, which bridges the gap between conceptual design and practical implementation. Our workflow is applicable to diverse process-oriented industries, including pharmaceuticals, petrochemicals, food processing, and manufacturing, offering a generalizable solution for automated process design.