用於閉環優化、仿真與建模編排的工具增強型代理

在工業設計領域，迭代的設計-仿真優化過程長期受困於CAD與CAE之間的語義鴻溝——將仿真反饋轉化為有效的幾何編輯，同時滿足多樣且耦合的約束條件，是一項極具挑戰的任務。為了填補這一空白，來自研究團隊的Liyuan Deng等人提出了COSMO-Agent（閉環優化、仿真與建模編排），這是一種工具增強的強化學習框架，旨在教會大語言模型（LLM）完成閉環的CAD-CAE流程。

COSMO-Agent的核心創新在於將CAD生成、CAE求解、結果解析以及幾何修訂構建為一個交互式的強化學習環境。在該環境中，LLM學習如何編排外部工具，並反覆修訂參數化幾何體，直至所有約束均被滿足。為了使學習過程穩定且適用於工業場景，研究人員設計了一種多約束獎勵函數，該函數同時鼓勵可行性、工具鏈魯棒性以及結構化輸出的有效性。

除了框架本身，團隊還貢獻了一個與工業場景緊密對齊的數據集，覆蓋了25個組件類別，幷包含可執行的CAD-CAE任務，為真實的訓練和評估提供了支持。該數據集專門設計用於反映實際工業設計中的多樣性和複雜性，確保模型能夠處理真實世界中的各種約束條件。實驗結果顯示，經過COSMO-Agent訓練的小型開源LLM在約束驅動設計任務上展現出了顯著提升，其在可行性、效率和穩定性方面甚至超越了大型開源模型以及強大的閉源模型。例如，在航空航天和汽車製造等領域的典型設計任務中，小模型能夠更快速地生成可行方案，並且具有更高的成功率。

這項研究為解決工業設計自動化和智能優化中的關鍵瓶頸提供了新思路，有望顯著縮短產品開發週期並降低設計成本。論文發表於arXiv，並提供了完整的代碼和數據鏈接，以便其他研究人員復現和進一步探索。未來，該框架有望擴展到更復雜的多物理場仿真和拓撲優化等場景。