通过基于 LLM 的多代理框架进行自我完善拓扑优化

拓扑优化是一种广泛使用的设计方法，它通过完善的数值算法为规定的目标和约束生成优化的材料分布。在整个工作流程中，工程师做出一系列决策，从设置和调整数值参数到评估融合设计是否满足优化问题中明确包含的考虑因素（例如物理可行性）。这些利用领域专业知识的决策会干扰自主设计过程。为了解决这个难题，本研究提出了 TopOptAgents，这是一个多代理系统，不仅可以实现设计过程的自动化，还可以在拓扑优化过程的关键阶段实现决策的自动化。 TopOptAgents 由六个基于 LLM 的代理组成，它们通过迭代的自我完善周期进行协作，涵盖问题制定、验证、代码生成和执行以及优化结构的质量评估。此过程可以纠正错误并逐步改进优化设置和最终设计。该框架在选择的优化问题上进行了演示，这些问题覆盖了一系列文献覆盖范围和数值特征不同的设置。发现迭代自我细化的好处对于预训练语言模型先前接触有限的问题类别尤其明显，例如文献和开源实现相对稀疏的公式。在这种情况下，所提出的框架可靠地产生了融合设计，而单个最先进的 LLM 却陷入困境，这表明自我完善扩大了基于 LLM 的自动化可以可靠解决的拓扑优化问题的范围。