Tool-Augmented Agent for Closed-loop Optimization,Simulation,and Modeling Orchestration

Iterative industrial design-simulation optimization is bottlenecked by the CAD-CAE semantic gap: translating simulation feedback into valid geometric edits under diverse, coupled constraints. To fill this gap, we propose COSMO-Agent (Closed-loop Optimization, Simulation, and Modeling Orchestration), a tool-augmented reinforcement learning (RL) framework that teaches LLMs to complete the closed-loop CAD-CAE process. Specifically, we cast CAD generation, CAE solving, result parsing, and geometry revision as an interactive RL environment, where an LLM learns to orchestrate external tools and revise parametric geometries until constraints are satisfied. To make this learning stable and industrially usable, we design a multi-constraint reward that jointly encourages feasibility, toolchain robustness, and structured output validity. In addition, we contribute an industry-aligned dataset that covers 25 component categories with executable CAD-CAE tasks to support realistic training and evaluation. Experiments show that COSMO-Agent training substantially improves small open-source LLMs for constraint-driven design, exceeding large open-source and strong closed-source models in feasibility, efficiency, and stability.

한 줄 요약

**[Industrial CAD-CAE Agent / RL]** COSMO-Agent가 CAD 생성·CAE 해석·결과 파싱·기하 수정을 RL 환경으로 다중 제약 reward로 학습, 25 component category·industrial-aligned 데이터셋에서 소형 오픈소스 LLM이 대형·강한 폐쇄형 모델 능가.

핵심 기여도

Iterative industrial design-simulation 최적화가 CAD-CAE semantic gap에 막혀 있음을 지적 — simulation feedback을 다양·결합된 제약 하의 valid 기하 수정으로 번역하는 어려움.
COSMO-Agent(Closed-loop Optimization, Simulation, and Modeling Orchestration) 제안 — tool-augmented RL 프레임워크가 LLM에 closed-loop CAD-CAE 과정을 가르침.
CAD 생성·CAE 해석·결과 파싱·기하 수정을 interactive RL 환경으로 형식화, LLM이 external tool orchestration과 parametric geometry 수정을 제약 만족 시까지 학습.
안정·산업 유용 학습을 위해 feasibility·toolchain robustness·structured output validity를 jointly 권장하는 multi-constraint reward 설계. 25 component category·executable CAD-CAE task의 industry-aligned 데이터셋 기여.

핵심 아이디어

CAD-CAE closed-loop 자동화의 본질은 LLM이 시뮬레이션 피드백을 valid 기하 수정으로 번역하는 능력이며, tool-augmented RL의 interactive 환경에서 feasibility·robustness·validity를 jointly 권장하는 reward로 학습하면 소형 오픈소스 LLM도 산업 수준에 도달한다.

기술적 접근법

**방법론**: COSMO-Agent — tool-augmented RL 프레임워크.
**핵심 기법**: (1) CAD 생성·CAE solving·결과 parsing·기하 수정을 interactive RL 환경으로 형식화, (2) LLM이 외부 tool orchestration·parametric geometry 수정 학습, (3) Multi-constraint reward — feasibility·toolchain robustness·structured output validity jointly 권장, (4) 25 component category의 executable CAD-CAE task 데이터셋 구축, (5) 소형 오픈소스 LLM 학습으로 산업 수준 달성.

주요 결과

COSMO-Agent 학습이 소형 오픈소스 LLM을 constraint-driven design에서 substantially 개선.
대형 오픈소스·강한 폐쇄형 모델을 feasibility·efficiency·stability에서 초월.
25 component category 데이터셋으로 industrial realism 확보.

의의 및 한계

**의의**: CAD-CAE semantic gap 해소의 LLM 기반 첫 RL 통합, 다중 제약 reward로 산업 신뢰성 보장. **한계**: 25 component category 외 generalization·다른 엔지니어링 도메인 확장은 추가 검증 필요.

실용적 활용

산업 CAD-CAE 설계 자동화.
LLM 기반 엔지니어링 design loop.
Constraint-aware tool-augmented 에이전트.