GReFEM: 물리 기반 3D 메시 정제를 위한 제로샷 시맨틱 어시스턴트로서의 멀티모달 LLM
GReFEM: Multimodal LLMs as Zero-Shot Semantic Assistants for Physics-Guided 3D Mesh Refinement
적응형 체적 유한 요소 메싱(adaptive volumetric finite element meshing)은 컴퓨터 지원 공학 및 해석에서 핵심적인 단계로, 주어진 문제의 계산 비용을 결정한다. 전통적으로 이 과정은 반복적인 PDE 솔버나 대규모 시뮬레이션 데이터로 학습된 고도로 지도된 데이터 기반 대리 모델을 필요로 한다. 멀티모달 대규모 언어 모델(MLLM)이 2D 시각 과제에서 뛰어난 성능을 보이지만, 기하학적 이해와 물리학에 기반하여 영역을 의미적으로 그라운딩하는 제로샷 능력은 여전히 열린 질문으로 남아 있다. 본 연구는 중요한 질문을 탐구한다: 기성 MLLM의 고수준 시맨틱 이해가 유한 요소 메시 정제를 위한 실용적인 제로샷 기하학적 프록시로 활용될 수 있는가? 이를 조사하기 위해, 물리 기반 텍스트 프롬프트를 바탕으로 응력이 집중되는 영역을 시각적으로 국소화하는 데 MLLM을 활용하는 프레임워크인 GReFEM(Geometric Reasoning Enhanced Multimodal LLMs for Finite Element Meshing)을 제안한다. 2D MLLM 사전학습과 3D 기하 구조 사이의 간극을 메우기 위해, 핵심 기하학적 특징의 관측 가능성을 극대화하는 뷰 선택 모듈인 orthoViews를 도입한다. 우리는 다양한 CAD 기하 구조, 하중 조건, 최신 MLLM에 걸쳐 심층적인 실증 평가를 수행하였으며, 엄격하게 일치된 정제 예산 하에서 조정된 기하학적 휴리스틱과 비교하였다. 실험 결과, MLLM은 복잡한 공간-물리적 지시를 정확히 따르는 견고한 제로샷 능력을 보여주며, 맹목적 휴리스틱보다 높은 정밀도로 응력 관련 특징을 분리하는 것으로 나타났다. 물리적 그라운딩에서 MLLM의 성공 사례와 현재 한계를 모두 분석함으로써, 본 연구는 자동화된 시뮬레이션 워크플로우에서 시맨틱 어시스턴트로서의 파운데이션 모델의 최전선을 정의한다.