MechAgents: Large language model multi-agent collaborations can solve mechanics problems, generate new data, and integrate knowledge

要約

数値的手法を使用して力学の問題を解決するには、関連する知識と理論を検索し、コードを構築して実行し、結果を分析する包括的な知的能力が必要ですが、これまで主に人間が担当してきたタスクです。
新しい AI 手法は、たとえばディープ サロゲート モデルやさまざまなデータ分析戦略の使用など、エンドツーエンドの問題を解決するための効果的なアプローチを提供できますが、トレーニングを通じて知識がパラメトリック補完に組み込まれるため、多くの場合、物理的な直観が欠けており、提供できる機能が低下します。
数学的または物理的な洞察を組み込む際の柔軟性。
動的に相互作用する複数の大規模言語モデル (LLM) の多様な機能を活用することで、従来のアプローチの限界を克服し、物理学にインスピレーションを得た新しいクラスの生成機械学習プラットフォーム (ここでは MechAgent と呼ぶ) を開発できます。
一連の AI エージェントは、自律的なコラボレーションを通じて力学タスクを解決できます。ここでは弾性問題について示されています。
2 つのエージェント チームは、有限要素法を適用してさまざまな種類の古典的な弾性問題 (さまざまな境界条件、ドメインの幾何学形状、メッシュ、微小/有限変形、線形/超変形) を解決するために、コードを効果的に作成、実行、自己修正できます。
弾性的な構成法則など）。
より複雑なタスクの場合は、計画、策定、コーディング、実行、およびプロセスと結果の批判の間の分業を強化した、より大きなエージェントのグループを構築します。
エージェントは相互に修正し合うことで、ソリューションの理解、策定、検証における全体的なチームワークのパフォーマンスを向上させます。
私たちのフレームワークは、言語モデルのインテリジェンス、物理ベースのモデリングの信頼性、および多様なエージェント間の動的なコラボレーションを相乗させて、エンジニアリング問題の解決を自動化するための新しい道を開く可能性を示しています。

要約(オリジナル)

Solving mechanics problems using numerical methods requires comprehensive intelligent capability of retrieving relevant knowledge and theory, constructing and executing codes, analyzing the results, a task that has thus far mainly been reserved for humans. While emerging AI methods can provide effective approaches to solve end-to-end problems, for instance via the use of deep surrogate models or various data analytics strategies, they often lack physical intuition since knowledge is baked into the parametric complement through training, offering less flexibility when it comes to incorporating mathematical or physical insights. By leveraging diverse capabilities of multiple dynamically interacting large language models (LLMs), we can overcome the limitations of conventional approaches and develop a new class of physics-inspired generative machine learning platform, here referred to as MechAgents. A set of AI agents can solve mechanics tasks, here demonstrated for elasticity problems, via autonomous collaborations. A two-agent team can effectively write, execute and self-correct code, in order to apply finite element methods to solve classical elasticity problems in various flavors (different boundary conditions, domain geometries, meshes, small/finite deformation and linear/hyper-elastic constitutive laws, and others). For more complex tasks, we construct a larger group of agents with enhanced division of labor among planning, formulating, coding, executing and criticizing the process and results. The agents mutually correct each other to improve the overall team-work performance in understanding, formulating and validating the solution. Our framework shows the potential of synergizing the intelligence of language models, the reliability of physics-based modeling, and the dynamic collaborations among diverse agents, opening novel avenues for automation of solving engineering problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google