AutoMS：面向跨物理逆向微结构设计的多智能体进化搜索

设计满足耦合跨物理目标的微观结构是材料科学中的一项基本挑战。这种逆向设计问题涉及一个巨大的、不连续的搜索空间，传统的拓扑优化在计算上是令人望而却步的，而深度生成模型经常遭受“物理幻觉”的困扰，缺乏确保严格有效性的能力。为了解决这一限制，我们引入了 AutoMS，这是一种多智能体神经符号框架，它将逆向设计重新表述为大语言模型驱动的进化搜索。与仅将 LLM 视为接口的方法不同，AutoMS 将它们集成为“语义导航器”来初始化搜索空间并打破局部最优，而我们新颖的模拟感知进化搜索（SAES）解决了传统进化策略的“盲目性”。具体来说，SAES 利用模拟反馈来执行局部梯度近似和定向参数更新，有效引导搜索到物理上有效的帕累托前沿。通过编排专业代理（管理器、解析器、生成器和模拟器），AutoMS 在 17 个不同的跨物理任务上实现了最先进的 83.8% 成功率，几乎是传统 NSGA-II 性能 (43.7%) 的两倍，并且显着优于基于 ReAct 的 LLM 基线 (53.3%)。此外，我们的分层架构将总执行时间减少了 23.3%。 AutoMS 证明自主代理系统可以有效地导航复杂的物理景观，弥合语义设计意图和严格的物理有效性之间的差距。