본 연구는 적층 제조(AM)용 합금 평가를 자동화 및 가속화하기 위해 대규모 언어 모델(LLM) 기반 다중 에이전트 시스템을 활용한 새로운 프레임워크를 제시합니다. 기존의 합금 선정 및 공정 변수 최적화 과정은 재료 과학, 열역학 시뮬레이션(CALPHAD 등), 전산 유체 역학(CFD)에 대한 깊은 전문 지식을 요구하는 복잡한 과정입니다. 제안된 에이전트 시스템은 Model Context Protocol (MCP)과 같은 프로토콜을 통해 도구 호출을 지능적으로 분배하여 순차적 작업을 수행합니다: 열물성 계산, 용융 풀 거동 시뮬레이션, 그리고 특히 미용융 결함에 대한 결함 없는 공정 변수 창을 식별하기 위한 공정 맵 생성.
이 프레임워크는 특화된 에이전트들이 사용자 프롬프트를 통해 추론하고, 작업 경로를 계획하며, 중간 결과에 기반하여 동적으로 도구 호출을 실행하는 다중 에이전트 LLM 아키텍처 위에 구축되었습니다.
시스템은 상위 수준의 질의(예: "LPBF용 SS316L 평가")를 하위 작업으로 분해하는 코디네이터 에이전트를 사용합니다. 그런 다음 전문 에이전트들이 특정 도메인을 처리합니다: 열역학 에이전트는 CALPHAD 소프트웨어와 인터페이스하고, 공정 시뮬레이션 에이전트는 솔버(Eagar-Tsai, Rosenthal 또는 OpenFOAM)를 호출하며, 분석 에이전트는 결과를 해석하여 공정 맵과 권장 사항을 생성합니다. 통신 및 도구 분배는 MCP를 사용하여 표준화됩니다.
주어진 합금 조성에 대해 시스템은 AM 시뮬레이션에 중요한 평형 상 및 온도 의존적 물성치: 열전도도($k$), 비열용량($C_p$), 밀도($\rho$), 고상선/액상선 온도를 계산하기 위해 CALPHAD 데이터베이스를 자동으로 조회합니다. 이는 수동 데이터베이스 조회 및 입력 준비를 대체합니다.
재료 물성을 사용하여 시스템은 일련의 빔 출력($P$) 및 스캔 속도($v$) 변수 범위에 걸쳐 해석적(Eagar-Tsai) 또는 CFD(OpenFOAM) 용융 풀 시뮬레이션을 실행합니다. 결과적인 용융 풀 치수(너비 $w$, 깊이 $d$)는 미용융(LoF) 기준을 계산하는 데 사용됩니다. 결함 발생 가능 영역으로부터 "안전한" 공정 변수 창을 구분하는 공정 맵이 생성됩니다.
결함 예측의 핵심은 용융 풀 모델링과 중첩 기준에 있습니다. 이동 점 열원에 대한 Rosenthal 해는 빠른 온도장 추정치를 제공합니다: $$T - T_0 = \frac{P}{2 \pi k R} \exp\left(-\frac{v(R+x)}{2\alpha}\right)$$ 여기서 $T_0$는 주변 온도, $R$은 열원으로부터의 방사 거리, $v$는 스캔 속도, $\alpha$는 열확산율입니다. LoF 예측을 위해 중요한 조건은 용융 풀 깊이가 층 두께($t$)를 초과해야 한다는 것입니다: $d \geq t$. 인접한 스캔 트랙의 경우 중첩 비율 $\eta = \frac{w_o}{w}$ (여기서 $w_o$는 중첩 너비)는 일반적으로 >~20%로 공극을 방지하기에 충분해야 합니다.
본 논문은 두 가지 일반적인 AM 합금: 스테인리스강 316L 및 인코넬 718 (IN718)에 대해 프레임워크를 시연합니다. 각각에 대해 에이전트 시스템은 표준 조성과 여러 제안된 변형(예: Nb 함량이 조정된 IN718)을 평가하는 임무를 부여받았습니다. 워크플로는 다음을 포함했습니다: 1) 액상선 온도 및 $C_p$의 CALPHAD 계산, 2) $P-v$ 행렬(예: $P$: 50-300 W, $v$: 200-1500 mm/s)에 대한 Eagar-Tsai 시뮬레이션, 3) 용융 풀 형상 계산, 4) LoF 경계가 있는 2D 공정 맵 생성.
주요 출력물은 미용융 공정 맵입니다. 차트는 Y축에 빔 출력(W), X축에 스캔 속도(mm/s)를 가진 2D 등고선 플롯입니다. 뚜렷한 경계 곡선이 차트를 두 영역으로 구분합니다. 좌하단 영역(저출력, 고속도)은 빨간색으로 음영 처리되어 "미용융 결함 영역"으로 표시되며, 여기서는 용융 풀 깊이가 불충분합니다. 우상단 영역(고출력, 중간 속도)은 녹색으로 음영 처리되어 "안정적인 공정 창"으로 표시됩니다. IN718 변형의 경우, 맵은 경계 곡선의 측정 가능한 이동을 보여주었으며, 이는 조성 변화가 최적 공정 변수를 변경한다는 것을 나타냅니다. 에이전트 시스템은 이 이동을 성공적으로 정량화하고 비교 분석을 제공했습니다.
~70%
합금 변형당 수동 설정 및 분석 시간의 예상 감소율.
>500
결함 경계를 매핑하기 위해 자율적으로 시뮬레이션된 일반적인 $P-v$ 조합 수.
예시: 새로운 Al-Si-Mg 합금 변형 평가
사용자 프롬프트: "30 µm 층 두께에서 LPBF용 Mg 함량이 1% 증가한 AlSi10Mg의 미용융 위험성을 평가하시오."
이 논문은 새로운 합금이나 더 나은 시뮬레이션 솔버에 관한 것이 아닙니다; 이 논문은 기존의 고립된 전문가 도구들을 LLM을 "접착제"로 사용하여 응집력 있는 자율 워크플로로 조정하는 것에 관한 것입니다. 진정한 혁신은 AutoGPT 및 Microsoft의 TaskWeaver와 같은 프레임워크에서 영감을 받은 에이전트 패러다임을 AM 합금 검증이라는 악명 높게 반복적이고 다학제적인 문제에 적용한 데 있습니다. 이는 도메인 언어(재료, 시뮬레이션, 제조) 간 번역에 소요되는 인간 전문가의 시간이라는 병목 현상을 직접적으로 공격합니다.
논리는 전문가의 사고 과정을 반영하지만 자동화된 강력한 순차적 흐름입니다: 조성 -> 열역학 -> 물성치 -> 용융 풀 물리학 -> 결함 기준 -> 공정 맵. 무거운 CFD(OpenFOAM)를 호출하기 전에 신속한 스크리닝을 위한 경량 해석 모델(Rosenthal)의 사용은 지능적인 자원 할당을 보여줍니다. 이 계층적 접근 방식은 항공우주 설계 최적화에 사용되는 다중 충실도 모델링 전략을 연상시킵니다.
강점: 시스템은 합금 평가를 위한 피드백 루프를 가시적으로 가속화합니다. LLM의 자연어 인터페이스를 활용함으로써 시뮬레이션 소프트웨어에 덜 익숙한 재료 과학자들의 진입 장벽을 낮춥니다. 도구 출력에 기반한 동적 작업 조정은 강력한 자율성을 향한 핵심 단계입니다.
중요한 결점: 논문은 기본 도구 및 데이터베이스에 대한 "쓰레기 들어가면 쓰레기 나온다" 의존성을 간과합니다. 최종 공정 맵의 정확도는 새로운 조성에 대한 CALPHAD 데이터베이스의 충실도와 Eagar-Tsai 모델의 한계(유체 흐름 및 키홀 역학 무시)에 전적으로 의존합니다. Khairallah et al., Physical Review Applied (2016)과 같은 선구적인 CFD 연구에서 언급된 바와 같이, 유체 흐름은 용융 풀 형상을 극적으로 변경할 수 있습니다. 해석 모델을 맹목적으로 신뢰하는 에이전트는 확신에 찬 오류를 범할 수 있습니다. 더욱이 평가는 단일 결함(LoF)으로 제한되어 균열, 볼링 및 잔류 응력을 무시하며, 이는 실제 AM 과제의 상당한 단순화입니다.
산업 도입을 위한 다음 단계는 단순히 더 많은 에이전트를 추가하는 것이 아닙니다; 그것은 검증 피드백 루프를 구축하는 것입니다. 프레임워크는 시뮬레이션을 보정 및 수정하기 위해 실험 데이터(예: 용융 풀 카메라 또는 제작 후 CT 스캔과 같은 현장 모니터링 데이터)와 통합되어 하이브리드 물리-AI 모델로 나아가야 합니다. 기업들은 새로운 재료를 신뢰하기 전에 신뢰성을 벤치마킹하기 위해 잘 특성화된 합금(예: 제시된 SS316L)에서 이를 시범 운영해야 합니다. 궁극적인 비전은 예측을 실제 제작 결과와 비교하고 내부 모델 및 권장 사항을 지속적으로 업데이트하는 "자체 수정 AM 어드바이저"여야 합니다.