System Overview
설계 → 학습 → 최적화 멀티 에이전트 파이프라인
A Multi-Agent System for IPMSM Design Optimization via an FEA-AI Hybrid Approach
세 개의 LLM 에이전트가 협업합니다. Design은 채팅으로 최적화 문제를 정의하고, Training은 리샘플링으로 학습 데이터를 채워 대리모델(surrogate)을 학습하며, Optimization은 LLM이 switching threshold를 정해 매 평가를 FEA로 풀지 AI로 풀지 선택합니다.
6.8×FEA-only 대비 가속
38FEA 호출 (vs 150)
117.6 W최적 철손
PIPELINEdesign → resample/train → optimize
AGENT 01
Design
문제 정의 에이전트
사용자와 채팅하며 자연어를 목적함수·설계변수·제약조건으로 구조화합니다.
chat → {objective, design vars, constraints}
열기
AGENT 02
Training
리샘플링 · 학습 에이전트
실패·희박 영역을 찾아 리샘플링으로 유효 샘플을 채우고 deep ensemble을 학습합니다.
success 28% → 84% · UQ-aware surrogate
열기
AGENT 03
Optimization
스위칭 최적화 에이전트
LLM이 switching threshold τ를 정해, 후보마다 비싼 FEA 대신 빠른 AI를 쓸지 결정합니다.
uncertainty < τ → AI · ≥ τ → FEA
열기
🎯 단일 목적
운전점 140 A / 120° / 1000 rpm에서 철손(iron loss, W) 최소화. 평균 토크 ≥ 150 Nm, 형상 유효성(AEDT ValidateDesign)을 제약으로 둡니다.
🔁 능동 학습
최적화 중 FEA로 푼 결과가 다시 surrogate를 fine-tuning. 평가가 쌓일수록 불확실성이 줄어 AI 비중이 커집니다.
🧠 LLM 제어
매 라운드 calibration ρ = |오차|/σ를 보고 τ를 조정. ρ>1(과신)이면 τ를 낮춰 FEA를 더, ρ<1이면 τ를 높여 AI를 더 씁니다.
