Large Language Model Agent as a Mechanical Designer

📄 arXiv: 2404.17525v3 📥 PDF

作者: Yayati Jadhav, Amir Barati Farimani

分类: cs.LG, cs.AI, cs.CL

发布日期: 2024-04-26 (更新: 2025-04-30)

💡 一句话要点

提出基于大型语言模型的机械设计优化框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 机械设计 有限元分析 自动优化 设计迭代

📋 核心要点

  1. 现有的机械设计方法依赖于专家评估和有限元分析，过程繁琐且资源消耗大。
  2. 本文提出的框架结合大型语言模型和有限元分析，能够自动生成和优化设计，提升效率。
  3. 实验结果显示，该方法在设计收敛速度和FEM评估次数上优于传统的遗传算法，具有更高的约束满足率。

📝 摘要（中文）

传统机械设计依赖于迭代过程，通过专家评估和资源密集的有限元分析（FEM）来优化初步概念。尽管已有机器学习模型辅助设计过程，但通常需要大量数据和特定任务的训练，限制了其通用性。为此，本文提出了一种框架，结合预训练的大型语言模型（LLM）与FEM模块，能够自主生成、评估和优化结构设计。该模型无需领域特定的微调，通过一般推理提出设计候选，解读FEM性能指标，并进行结构性修改。以二维桁架结构为测试对象，结果表明该方法在设计空间中有效导航，平衡竞争目标，并在优化收益递减时识别收敛。与非支配排序遗传算法II（NSGA-II）相比，本文方法实现了更快的收敛和更少的FEM评估。

🔬 方法详解

问题定义：本文旨在解决传统机械设计中迭代过程的低效性和高资源消耗问题，现有方法通常需要大量数据和特定任务的训练，限制了其适用性。

核心思路：通过结合预训练的大型语言模型（LLM）与有限元分析（FEM）模块，提出一种无需领域特定微调的设计优化框架，利用一般推理能力生成和优化设计。

技术框架：整体架构包括LLM模块和FEM模块，LLM负责生成设计候选和解读性能指标，而FEM模块则用于评估设计的结构性能。两者协同工作，实现设计的自动生成和优化。

关键创新：该研究的主要创新在于将LLM应用于机械设计领域，突破了传统方法对数据和任务特定性的依赖，展示了LLM在设计优化中的潜力。

关键设计：实验中使用了不同的温度设置（0.5, 1.0, 1.2）和模型大小（GPT-4.1和GPT-4.1-mini），结果表明较小的模型在约束满足上表现更佳，而较低的温度则提高了设计的一致性。

📊 实验亮点

实验结果表明，所提出的方法在设计收敛速度上优于非支配排序遗传算法II（NSGA-II），实现了更快的收敛和更少的有限元评估次数。此外，较小的模型在约束满足率上表现更佳，且较低的温度设置提高了设计的一致性，展示了该方法的有效性和优势。

🎯 应用场景

该研究的框架具有广泛的应用潜力，尤其在航空航天、汽车工程和建筑设计等领域。通过提高设计效率和优化过程，能够显著降低资源消耗和时间成本，推动智能设计的进步。未来，该方法可能会与其他智能系统结合，进一步提升设计自动化水平。

📄 摘要（原文）

Conventional mechanical design follows an iterative process in which initial concepts are refined through cycles of expert assessment and resource-intensive Finite Element Method (FEM) analysis to meet performance goals. While machine learning models have been developed to assist in parts of this process, they typically require large datasets, extensive training, and are often tailored to specific tasks, limiting their generalizability. To address these limitations, we propose a framework that leverages a pretrained Large Language Model (LLM) in conjunction with an FEM module to autonomously generate, evaluate, and refine structural designs based on performance specifications and numerical feedback. The LLM operates without domain-specific fine-tuning, using general reasoning to propose design candidates, interpret FEM-derived performance metrics, and apply structurally sound modifications. Using 2D truss structures as a testbed, we show that the LLM can effectively navigate highly discrete and multi-faceted design spaces, balance competing objectives, and identify convergence when further optimization yields diminishing returns. Compared to Non-dominated Sorting Genetic Algorithm II (NSGA-II), our method achieves faster convergence and fewer FEM evaluations. Experiments with varying temperature settings (0.5, 1.0, 1.2) and model sizes (GPT-4.1 and GPT-4.1-mini) indicate that smaller models yield higher constraint satisfaction with fewer steps, while lower temperatures enhance design consistency. These results establish LLMs as a promising new class of reasoning-based, natural language-driven optimizers for autonomous design and iterative structural refinement.