이 논문은 CAD 생성→CAE 해석→결과 파싱→형상 수정을 하나의 상호작용 RL 환경으로 묶고, LLM이 외부 툴체인을 오케스트레이션해 제약을 만족할 때까지 반복하도록 학습시켰거든요

COSMO-Agent가 CAD-CAE 설계 최적화의 병목인 의미 격차를 RL 기반 에이전트로 줄였어요.

이 논문은 CAD 생성→CAE 해석→결과 파싱→형상 수정을 하나의 상호작용 RL 환경으로 묶고, LLM이 외부 툴체인을 오케스트레이션해 제약을 만족할 때까지 반복하도록 학습시켰거든요. 보상도 실행 가능성, 툴체인 견고성, 구조화 출력 유효성을 함께 반영해 설계했어요.

또 25개 부품 카테고리의 실행형 CAD-CAE 태스크 데이터셋을 공개했고, 8페이지·3개 그림으로 실험을 제시했어요. 결과적으로 학습된 소형 오픈소스 LLM이 대형 오픈소스와 강한 폐쇄형 모델보다 실행 가능성·효율·안정성에서 앞섰다고 보고했어요.

핵심은 모델 크기 경쟁보다 산업 워크플로우를 직접 학습시키는 에이전트 설계가 성능을 바꾼다는 점이에요.