Large Language Model Agent as a Mechanical Designer

要約

従来の機械設計パラダイムは、特定の要件を満たすために経験に基づいた修正と FEA を通じてコン​​セプトを系統的に洗練させる専門家に依存していました。
ただし、このアプローチは時間がかかり、事前の知識と経験に大きく依存する可能性があります。
この専門家主導の集中的な反復プロセスを合理化するために多数の機械学習モデルが開発されてきましたが、これらの手法は通常、広範なトレーニング データとかなりの計算リソースを必要とします。
さらに、深層学習に基づく手法は通常、トレーニングの対象となった特定のドメインとタスクに限定され、さまざまなタスクへの適用性が制限されます。
これにより、自動化の効率とリソースの需要との間にトレードオフが生じます。
この研究では、事前トレーニングされた LLM を FEM モジュールと統合する新しいアプローチを紹介します。
FEM モジュールは各設計を評価して重要なフィードバックを提供し、LLM がドメイン固有のトレーニングを必要とせずに設計を継続的に学習、計画、生成、最適化できるように導きます。
トラス構造の反復的な最適化の管理における提案したフレームワークの有効性を実証し、構造化されたフィードバックと基準に従って設計を推論し、改良する機能を示します。
私たちの結果は、これらの LLM ベースのエージェントが、適用される制約によって異なりますが、最大 90% の成功率で自然言語仕様に準拠したトラス設計を生成できることを明らかにしています。
プロンプトベースの最適化手法を採用することで、LLM ベースのエージェントが、仕様を満たすように設計を反復的に改良するためのソリューションとスコアのペアが提供された場合に最適化動作を示すことを示します。
LLM エージェントが実行可能な設計を生成し、固有の推論能力に基づいて最適化できるこの能力は、効果的な設計戦略を自律的に開発および実装できる可能性を強調します。

要約(オリジナル)

Conventional mechanical design paradigms rely on experts systematically refining concepts through experience-guided modification and FEA to meet specific requirements. However, this approach can be time-consuming and heavily dependent on prior knowledge and experience. While numerous machine learning models have been developed to streamline this intensive and expert-driven iterative process, these methods typically demand extensive training data and considerable computational resources. Furthermore, methods based on deep learning are usually restricted to the specific domains and tasks for which they were trained, limiting their applicability across different tasks. This creates a trade-off between the efficiency of automation and the demand for resources. In this study, we present a novel approach that integrates pre-trained LLMs with a FEM module. The FEM module evaluates each design and provides essential feedback, guiding the LLMs to continuously learn, plan, generate, and optimize designs without the need for domain-specific training. We demonstrate the effectiveness of our proposed framework in managing the iterative optimization of truss structures, showcasing its capability to reason about and refine designs according to structured feedback and criteria. Our results reveal that these LLM-based agents can successfully generate truss designs that comply with natural language specifications with a success rate of up to 90%, which varies according to the applied constraints. By employing prompt-based optimization techniques we show that LLM based agents exhibit optimization behavior when provided with solution-score pairs to iteratively refine designs to meet specifications. This ability of LLM agents to produce viable designs and optimize them based on their inherent reasoning capabilities highlights their potential to develop and implement effective design strategies autonomously.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google