用于闭环优化、仿真与建模编排的工具增强型代理

在工业设计领域，迭代的设计-仿真优化过程长期受困于CAD与CAE之间的语义鸿沟——将仿真反馈转化为有效的几何编辑，同时满足多样且耦合的约束条件，是一项极具挑战的任务。为了填补这一空白，来自研究团队的Liyuan Deng等人提出了COSMO-Agent（闭环优化、仿真与建模编排），这是一种工具增强的强化学习框架，旨在教会大语言模型（LLM）完成闭环的CAD-CAE流程。

COSMO-Agent的核心创新在于将CAD生成、CAE求解、结果解析以及几何修订构建为一个交互式的强化学习环境。在该环境中，LLM学习如何编排外部工具，并反复修订参数化几何体，直至所有约束均被满足。为了使学习过程稳定且适用于工业场景，研究人员设计了一种多约束奖励函数，该函数同时鼓励可行性、工具链鲁棒性以及结构化输出的有效性。

除了框架本身，团队还贡献了一个与工业场景紧密对齐的数据集，覆盖了25个组件类别，并包含可执行的CAD-CAE任务，为真实的训练和评估提供了支持。该数据集专门设计用于反映实际工业设计中的多样性和复杂性，确保模型能够处理真实世界中的各种约束条件。实验结果显示，经过COSMO-Agent训练的小型开源LLM在约束驱动设计任务上展现出了显著提升，其在可行性、效率和稳定性方面甚至超越了大型开源模型以及强大的闭源模型。例如，在航空航天和汽车制造等领域的典型设计任务中，小模型能够更快速地生成可行方案，并且具有更高的成功率。

这项研究为解决工业设计自动化和智能优化中的关键瓶颈提供了新思路，有望显著缩短产品开发周期并降低设计成本。论文发表于arXiv，并提供了完整的代码和数据链接，以便其他研究人员复现和进一步探索。未来，该框架有望扩展到更复杂的多物理场仿真和拓扑优化等场景。