AgentAM: An AI Agent for Spatter- and Defect-Aware Process Optimization in Laser Powder Bed Fusion
作者: Olabode T. Ajenifujah, Amir Barati Farimani
分类: cs.AI
发布日期: 2026-11-03
💡 一句话要点
提出AgentAM以解决激光粉末床熔融过程优化问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 激光粉末床熔融 过程优化 大型语言模型 CFD代理模型 缺陷检测 自然语言处理 材料科学
📋 核心要点
- 现有的LPBF过程优化方法依赖于复杂的编程和模型知识，限制了其在实际生产中的应用。
- AgentAM通过自然语言接口使工程师能够访问CFD训练的代理模型，简化了过程优化的操作。
- 实验结果显示，AgentAM在725次基准测试中以98.5%的准确率解析输入，并在优化运行中以1.0%的中位数接近最优解。
📝 摘要（中文）
激光粉末床熔融（LPBF）中的预测模型因需编程和模型特定知识而难以在车间使用。本文提出AgentAM，一个大型语言模型（LLM）代理，使过程工程师能够通过模型上下文协议（MCP）以自然语言访问CFD训练的SS316L熔池几何和飞溅的代理模型。基于279个单轨仿真训练的多项式代理能够在训练范围内的任意功率-速度点预测熔池尺寸（$R^2 ext{≥} 0.95$）和飞溅体积（测试数据上$R^2 = 0.83$），并通过几何标准为每个点分配几何衍生的缺陷区域。实验结果表明，最小飞溅优化点与缺乏融合边界的距离小于10μm，且在假设的2%过程漂移下，优化器将分类为良好的概率从0.94提升至1.00。
🔬 方法详解
问题定义：本文旨在解决激光粉末床熔融（LPBF）过程优化中，现有预测模型难以在车间实际应用的问题，主要由于其复杂性和对编程知识的依赖。
核心思路：提出AgentAM，一个基于大型语言模型的代理，使过程工程师能够通过自然语言与CFD训练的代理模型进行交互，从而简化了模型的使用和过程优化。
技术框架：AgentAM的整体架构包括自然语言处理模块、CFD代理模型接口、优化算法模块和结果反馈机制。工程师可以通过自然语言输入请求，系统将解析并调用相应的模型进行预测和优化。
关键创新：最重要的创新在于将大型语言模型与CFD代理模型结合，使得复杂的过程优化变得更加直观和易于操作。这一设计使得非专业人员也能有效利用先进的预测模型。
关键设计：在模型训练中，使用了279个单轨仿真数据来构建多项式代理，确保了高精度的预测（$R^2 ext{≥} 0.95$）。此外，设计了边距感知优化器，以提高在过程漂移下的分类准确性。
🖼️ 关键图片
📊 实验亮点
在725次基准测试中，AgentAM以98.5%的准确率成功解析输入，并在65次可行的优化运行中，所有约束均得到满足，且与暴力搜索最优解的中位数差距仅为1.0%。这些结果表明AgentAM在实际应用中的高效性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括激光制造、3D打印和材料科学等。通过简化过程优化的操作，AgentAM能够帮助工程师更快地做出决策，提高生产效率，降低缺陷率，具有显著的实际价值和广泛的应用前景。
📄 摘要（原文）
Predictive models for laser powder bed fusion (LPBF) are rarely used on the shop floor because querying them requires programming and model-specific knowledge. We present AgentAM, a large language model (LLM) agent that gives process engineers natural-language access to CFD-trained surrogates of spatter and melt pool geometry for SS316L through the Model Context Protocol (MCP). Polynomial surrogates trained on 279 single-track simulations predict melt pool dimensions ($R^2 \geq 0.95$) and spatter volume ($R^2 = 0.83$ on test data) at any power-velocity point in the trained range, and geometric criteria assign each point a geometry-derived defect regime (keyhole, lack of fusion, balling or stable) that matches the regime obtained from the simulated geometry in 93.4% of tracks under cross-validation. The agent selects and parameterizes tools for prediction, process-window scans and constrained optimization. Minimum-spatter optima often sat within 10 $μ$m of the lack-of-fusion boundary; a margin-aware optimizer moved them away from all thresholds and raised the estimated probability of remaining classified Good from 0.94 to 1.00 under an assumed 2% process drift, and from 0.72 to 0.91 when jointly sampled cross-validated geometry residuals were added. About 40-50 well-spread simulations sufficed to reproduce the defect map. To evaluate the agent layer, we introduce a 145-prompt benchmark scored against direct tool calls, plus eight prompts (40 runs) on margin-aware requests. Over the 725 runs of the main benchmark the agent passed the intended inputs in 98.5% of parsing prompts, reported the scored spatter values and defect classes faithfully and met every stated constraint in the 65 feasible optimization runs, within a median 1.0% of the brute-force optimum.