고성능 컴퓨팅 시스템에서의 자동 설계 탐색을 위한 다중 에이전트 협업

Multi-Agent Collaboration for Automated Design Exploration on High Performance Computing Systems

오늘날의 과학적 과제, 예를 들어 기후 모델링, 불활성 물질 핵융합 설계, 그리고 새로운 물질 설계는 방대한 설계 공간을 탐색해야 합니다. 고성장 과학적 발견을 가능하게 하기 위해서는 가설을 빠르게 검증하고, 결과를 생성하며, 이를 통해 학습하는 능력을 향상시켜야 합니다. 본 논문에서는 MADA (Multi-Agent Design Assistant)라는 대규모 언어 모델(LLM) 기반의 다중 에이전트 프레임워크를 소개합니다. MADA는 복잡한 설계 워크플로우를 조정하는 데 특화된 에이전트들을 활용합니다. 작업 관리 에이전트(JMA)는 HPC 시스템에서 앙상블 시뮬레이션을 실행하고 관리하며, 기하학 에이전트(GA)는 메시를 생성하고, 역설계 에이전트(IDA)는 시뮬레이션 결과를 기반으로 새로운 설계를 제안합니다. 일반적인 용도로 개발되었지만, 본 연구에서는 불활성 물질 핵융합의 중요한 과제인 Richtmyer--Meshkov 불안정성(RMI) 억제를 중심으로 개발 및 검증을 진행했습니다. 우리는 두 가지 상호 보완적인 환경에서 평가를 수행했습니다. 첫째, HPC 시스템에서 유체역학 시뮬레이션을 실행하고, 둘째, 사전 훈련된 머신러닝 서로게이트 모델을 사용하여 빠른 설계 탐색을 수행했습니다. 그 결과, MADA 시스템은 반복적인 설계 개선을 성공적으로 수행하여, 최소한의 수동 개입으로 RMI 억제를 최적화하는 방향으로 설계를 자동으로 개선한다는 것을 보여주었습니다. 본 프레임워크는 번거로운 수동 워크플로우 설정을 줄이고, 대규모의 자동 설계 탐색을 가능하게 합니다. 더 나아가, 이는 추론, 시뮬레이션, 특수 도구, 그리고 조정된 워크플로우를 결합하여 과학적 발견을 가속화하는 재사용 가능한 패턴을 보여줍니다.

Today's scientific challenges, from climate modeling to Inertial Confinement Fusion design to novel material design, require exploring huge design spaces. In order to enable high-impact scientific discovery, we need to scale up our ability to test hypotheses, generate results, and learn from them rapidly. We present MADA (Multi-Agent Design Assistant), a Large Language Model (LLM) powered multi-agent framework that coordinates specialized agents for complex design workflows. A Job Management Agent (JMA) launches and manages ensemble simulations on HPC systems, a Geometry Agent (GA) generates meshes, and an Inverse Design Agent (IDA) proposes new designs informed by simulation outcomes. While general purpose, we focus development and validation on Richtmyer--Meshkov Instability (RMI) suppression, a critical challenge in Inertial Confinement Fusion. We evaluate on two complementary settings: running a hydrodynamics simulations on HPC systems, and using a pre-trained machine learning surrogate for rapid design exploration. Our results demonstrate that the MADA system successfully executes iterative design refinement, automatically improving designs toward optimal RMI suppression with minimal manual intervention. Our framework reduces cumbersome manual workflow setup, and enables automated design exploration at scale. More broadly, it demonstrates a reusable pattern for coupling reasoning, simulation, specialized tools, and coordinated workflows to accelerate scientific discovery.