閉ループ最適化、シミュレーション、モデリングオーケストレーションのためのツール拡張エージェント

工業デザイン分野では、CADとCAEの間のセマンティックギャップが長年の課題となっています。シミュレーションのフィードバックを有効な幾何学的編集に変換し、多様で結合された制約を満たすことは非常に困難です。この問題を解決するため、Liyuan Deng氏らの研究チームはCOSMO-Agent（閉ループ最適化、シミュレーション、モデリングオーケストレーション）を提案しました。これはツール拡張型強化学習フレームワークであり、大規模言語モデル（LLM）に閉ループCAD-CAEプロセスを実行させることを目的としています。

COSMO-Agentは、CAD生成、CAE解決、結果解析、ジオメトリ修正を対話型の強化学習環境として構築します。LLMは外部ツールをオーケストレーションし、制約が満たされるまでパラメトリックジオメトリを繰り返し修正することを学習します。学習を安定させ、産業で利用可能にするため、研究チームは複数の制約を考慮した報酬関数を設計し、実行可能性、ツールチェーンのロバスト性、構造化出力の妥当性を同時に促進します。

さらに、25のコンポーネントカテゴリをカバーする産業指向のデータセットも提供され、実行可能なCAD-CAEタスクを含むことで現実的なトレーニングと評価を支援します。このデータセットは実際の産業設計の多様性と複雑性を反映するように設計されており、モデルが現実世界のさまざまな制約に対処できることを保証します。実験では、COSMO-Agentでトレーニングされた小規模オープンソースLLMが、制約駆動設計において大幅に改善され、大規模オープンソースモデルや強力なクローズドソースモデルを実行可能性、効率性、安定性で上回ることが示されました。例えば、航空宇宙や自動車製造などの典型的な設計タスクにおいて、小規模モデルはより迅速に実行可能な解を生成し、成功率も高くなりました。

この研究は、産業設計の自動化とインテリジェント最適化における重要なボトルネックを解決する新しいアプローチを提供し、製品開発サイクルの短縮と設計コストの削減に貢献することが期待されます。論文はarXivで公開され、コードとデータへのリンクも提供されており、他の研究者が再現やさらなる探求を行うことができます。将来的には、このフレームワークはより複雑なマルチフィジックスシミュレーションやトポロジー最適化などのシナリオに拡張される可能性があります。