EvoSim: 모델링을 위한 학습, 학습을 위한 모델링
EvoSim: Learning to Model, Modeling to Learn
물리 기반 모델(Physics-based model)은 과학적 설명과 정량적 예측을 연결합니다. 이러한 모델을 구축하려면 물리적 과정을 선택하고, 상태 및 지배 방정식을 정의하며, 결합 관계(coupling)를 명시하고, 실험으로부터 파라미터를 식별해야 합니다. 기존 AI 시스템은 이러한 모델 구조 결정을 자율적으로 내리는 데 여전히 한계가 있습니다. 본 연구에서는 물리 모델링을 위한 자가 진화형 AI 과학자인 EvoSim을 소개합니다. EvoSim은 실험과의 불일치를 활용해 메커니즘과 방정식을 수정하고, 별도로 확보한 실험 데이터를 사용해 물리적 타당성을 검증합니다. 탐험 궤적(exploration trace)을 통해 지식, 기술, 다중 에이전트(multi-agent) 오케스트레이션을 갱신합니다. 이러한 공진화(co-evolution)를 통해 물리 기반 모델뿐만 아니라 메커니즘 선택, 실패 진단, 연구 조율을 수행하는 EvoSim의 역량도 함께 향상됩니다. 산업용 배터리 모델링 작업 두 가지를 통해 EvoSim을 평가했습니다. EvoSim은 25~45℃ 및 2C~6C 조건에서 리튬 금속 석출(lithium-metal-plating) 시작점을 충전 상태(state of charge) 기준 평균 절대 오차(MAE) 1.79%로 예측합니다. 차량 주행 조건에서의 동적 전압 예측은 제곱평균제곱근 오차(RMSE) 7.62mV를 달성하여, 인간 전문가가 개발한 것으로 보고된 모델의 정확도를 뛰어넘었습니다. 자가 진화를 통해 기준선 대비 모델 및 물리 오차를 약 36% 줄임으로써 향상된 과학적 모델링 역량을 입증했습니다. EvoSim은 실험적 관측 결과를 검증된 모델과 축적된 연구 전문성으로 전환합니다.