DesAgent: Eine Multi-Agenten-Methode für mechanisches Design basierend auf kollaborativen großen und kleinen Modellen

Zusammenfassung Das mechanische Design steht heute vor kritischen Herausforderungen hinsichtlich der Entwurfs效率 und der multidisziplinären Optimierung, die oft durch hohe Rechenkosten und fragmentierte Prozesse eingeschränkt sind. Um diese Probleme anzugehen, schlägt dieses Papier DesAgent vor, eine multi-agentenbasierte kollaborative Entwurfsmethodik, die die semantischen Denkmöglichkeiten von großen Sprachmodellen (LLMs) mit der numerischen Vorhersagegenauigkeit von reduzierten kleinen Modellen (ROSMs) integriert. Der vorgeschlagene Ansatz konstruiert einen semantisch-numerischen Synergiezyklus (SNS-Loop), der einen geschlossenen, intelligenten Entwurfsprozess ermöglicht, der semantische Interpretation und numerische Validierung verbindet. DesAgent verfügt über ein hierarchisches Multi-Agenten-System, das aus vier spezialisierten Agenten besteht – Requirements Analyst, Task Planner, Designer und Feedback Evaluator – die jeweils für eine bestimmte Phase der Entwurfspipeline verantwortlich sind. Die LLMs unterstützen die Verarbeitung natürlicher Sprache und die Aufgabenplanung, während die ROSMs Echtzeitsimulationen durch auf neuronalen Netzwerken basierende Surrogatmodelle gewährleisten. Um die vorgeschlagene Methodik zu validieren, wird eine Fallstudie zur Topologie-Optimierung einer Wandplatte eines Spinnrahmens durchgeführt. Die experimentellen Ergebnisse zeigen, dass DesAgent den Materialverbrauch um 21,2 % reduzierte und gleichzeitig mehrere Anforderungen in Bezug auf Spannung, Verformung und Vermeidung von Eigenfrequenzen erfüllte. Der gesamte Optimierungsprozess wurde in 232 Sekunden abgeschlossen und verbrauchte nur 12.044 Token an Rechenressourcen. Diese Arbeit präsentiert einen effizienten, kostengünstigen und generalisierbaren Entwurfsrahmen, der die Durchführbarkeit von LLM-unterstützter kollaborativer Intelligenz bei komplexen mechanischen Designaufgaben demonstriert.