COSMO-Agent: Framework LLM per l'ottimizzazione CAD-CAE a ciclo chiuso
I ricercatori hanno presentato COSMO-Agent (Closed-loop Optimization, Simulation, and Modeling Orchestration), un framework che potenzia l'apprendimento per rinforzo con strumenti per addestrare modelli linguistici di grandi dimensioni (LLM) nell'affrontare il divario semantico tra CAD e CAE durante l'ottimizzazione iterativa nella progettazione e simulazione industriale. Questo framework tratta i processi di generazione CAD, risoluzione CAE, interpretazione dei risultati e modifica geometrica come un ambiente interattivo di apprendimento per rinforzo. Qui, un LLM impara a coordinare strumenti esterni e regolare geometrie parametriche fino a quando tutti i vincoli sono soddisfatti. Un sistema di ricompensa multi-vincolo promuove la fattibilità, la robustezza della toolchain e la validità degli output strutturati. Lo studio presenta un dataset allineato alle esigenze industriali, comprendente 25 categorie di componenti con modelli CAD-CAE funzionali. L'articolo è disponibile su arXiv con ID 2605.20190.
Fatti principali
- COSMO-Agent è un framework di apprendimento per rinforzo potenziato da strumenti per LLM
- Affronta il divario semantico CAD-CAE nell'ottimizzazione progettazione-simulazione industriale
- Il framework considera generazione CAD, risoluzione CAE, analisi dei risultati e revisione geometrica come un ambiente RL interattivo
- Una ricompensa multi-vincolo incoraggia fattibilità, robustezza della toolchain e validità degli output strutturati
- Un dataset allineato all'industria copre 25 categorie di componenti con modelli CAD-CAE eseguibili
- L'articolo è disponibile su arXiv con ID 2605.20190
Entità
Istituzioni
- arXiv