규칙 정렬 소형 언어 모델과 다중 에이전트 자기 수정을 활용한 폐루프 제어
Closed-Loop Control with Rule-Aligned Small Language Models and Multi-Agent Self-Correction
자율 산업 운영을 향한 핵심 단계는 수동 재설계를 최소화하거나 없이 자연어 요구사항 명세로부터 제어 정책을 생성하고 재구성하는 능력이다. 이 환경에서, AI 에이전트에 의한 정책 생성은 실행 전 생성된 후보 액션을 검사할 수 있는 플랜트 인식 검증기(예: 디지털 트윈)와 결합될 때 신뢰할 수 있는 경로가 될 수 있다. 그러나 실용적 배포는 추론 지연과 계산 자원 규모에 의해 제약된다: 대형 클라우드 기반 모델은 엣지 폐루프 사용에 있어 너무 느리거나, 불투명하거나, 데이터 민감도 측면에서 문제가 있는 경우가 많다. 본 연구는 소형 언어 모델(SLM)이 제어 추론을 위해 재훈련되고 검증기 기반 수정 루프에 내장될 수 있는지를 조사한다. 우리는 그룹 상대 정책 최적화(GRPO)를 통해 정렬된 Qwen2.5-1.5B 모델을 (i) 액션 에이전트, (ii) 심볼릭/디지털 트윈 방식의 검증 층, (iii) 유효한 액션을 향해 출력을 반복적으로 조정하는 리프롬프팅 에이전트와 결합하여 사용한다. 무작위화된 열 제어 시뮬레이션(각 500 스텝의 30회 실험)에서, 이 프레임워크는 평균 추론 지연 3.84초에 평균 액션 정렬 정확도 91.5%(사례별 86.3%--100%)를 달성한다. 심볼릭 재매핑 하에서 95%의 범위 내 비율을 유지하며, 이는 감소된 토큰 수준 일치도에도 불구하고 견고한 물리적 조절을 나타낸다. 이러한 결과는 SLM+검증기 아키텍처가 엣지에서의 재구성 가능한 자율 제어를 향한 실용적인 경로임을 지지한다.