Mimir: 장기 관개 제어를 위한 물리 기반 LLM 에이전트
Mimir: Physics-Grounded LLM Agents for Long-Horizon Irrigation Control
대규모 언어 모델(LLM) 에이전트는 추론, 도구 사용 및 행동을 점진적으로 결합하고 있으나, 대부분의 연구 결과는 비교적 즉각적인 피드백과 실패 시 리셋이 가능한 에피소드형 작업에 기반합니다. 장기간 실행되는 물리적 제어는 다른 영역에서 작동합니다. 즉, 행동이 미래 상태를 변화시키고, 결정 전반에 걸쳐 오류가 누적되며, 에이전트는 실행의 안전성을 담보하는 물리적 규칙을 임의로 변경하지 않으면서 경험을 통해 개선되어야 합니다. 본 연구에서는 일일 결정이 전체 생육 기간에 걸쳐 토양-수분 동역학과 상호작용하는 관개를 통해 이러한 영역을 탐구합니다. 저자들은 두 가지 수정 시간 척도(timescale)를 중심으로 구성된 물리 기반 LLM 에이전트인 Mimir를 제안합니다. 빠른 시간 척도에서는 구조화된 물리적 인터페이스와 결정론적 시뮬레이터가 LLM 출력을 제안으로 변환하며, 이를 실행 전에 수치적으로 확인, 수정하고 한계가 지정된 결정론적 행동 선택을 적용합니다. 느린 시간 척도에서는 물리적 모델, 평가기 및 실행 제약 조건은 불변으로 유지되는 반면, 반복되는 실패 패턴은 향후 제안을 조건화하는 지속적인 맥락적 원칙으로 통합됩니다. 여러 장소, 작물 및 연도에 걸친 공통의 소급 평가 환경에서, Mimir는 평가된 기준 모델 중 가장 낮은 총 제어 비용을 달성했으며 과거 일정 재생(schedule replay) 대비 약 51% 적은 관개 용수를 사용했습니다. 절제 연구(ablation study) 결과, 전방 시뮬레이션, 검증된 수정 또는 지속적인 맥락이 제거될 때 더 높은 제어 비용이 발생하는 것으로 나타났으며, 모델 크기 및 모델 패밀리 연구에서는 LLM 크기 증가에 따른 단조로운 성능 향상이 나타나지 않았습니다. 이러한 결과는 지속적인 물리 에이전트가 물리적 진실과 구동기 권한을 명시적인 수치 메커니즘에 남겨두면서도, 의미론적 추론과 제약된 증거 기반 자기 개선을 결합할 수 있음을 보여줍니다.