تخيل عالماً لا تُنحت فيه الأجزاء المعدنية المعقدة من كتل صلبة أو تُصب في قوالب، بل تُبنى بدلاً من ذلك طبقة تلو الأخرى، مثل طابعة ثلاثية الأبعاد تراكم المعدن المنصهر. هذه هي التصنيع المضاف، وهي تقنية تعد بإنشاء أشكال كان من المستحيل صنعها سابقاً. ومع ذلك، فإن بناء هذه الأجزاء هو عملية توازن دقيقة؛ فإذا كان الجدار رقيقاً جداً، فقد ينهار، وإذا برز قسم ما لمسافة بعيدة دون دعم، فقد يتشوه تحت تأثير الحرارة. لعقود من الزمن، اضطر المهندسون إلى مراجعة تصاميمهم يدوياً مقابل قائمة طويلة من القواعد، وتشغيل عمليات محاكاة للتنبؤ بكيفية سلوك المعدن، ثم إعادة رسم الجزء إذا بدا أن هناك خطأ ما. إنها عملية بطيئة ومتكررة حيث يسد التقدير البشري الفجوة بين الأرقام الخام للحاسوب والواقع المادي في أرض المصنع.

الآن، يقوم نظام جديد يسمى AgenticDfAM بتغيير طريقة تنفيذ هذا العمل. فبدلاً من مجرد التحقق من تصميم مقابل قائمة ثابتة من القواعد، يستخدم هذا النظام فريقاً من الوكلاء البرمجيين الأذكياء الذين يمكنهم الاستنتاج، والقياس، وحتى إعادة كتابة القواعد التي يتبعونها. هؤلاء الوكلاء لا ينظرون فقط إلى صورة للجزء؛ بل يتفاعلون مع أدوات متخصصة تقيس الهندسة بدقة متناهية. وإذا فشل تصميم في اختبار ما، فإن النظام لا يكتفي بالإشارة إلى الخطأ، بل يقترح حلاً، ويجري محاكاة ليرى كيف يؤثر هذا الحل على قوة الجزء ودرجة حرارته، ثم يقرر ما إذا كان التغيير يستحق القيام به. والأهم من ذلك، أن النظام مصمم ليكون شفافاً؛ فكل قرار يتخذه مدعوم بقياس محدد أو رقم محسوب يمكن للمهندس البشري فحصه والتحقق منه.

أراد الباحثون وراء هذا العمل، بقيادة ديفيد غيريجيس، معرفة ما إذا كان بإمكانهم أتمتة دورة التصميم والتقييم والإصلاح بالكامل دون فقدان المعايير الصارمة المطلوبة في الهندسة. لقد بنوا سير عمل يعمل فيه نموذج لغوي كبير كمدير، ينسق بين أدوات برمجية مختلفة للتعامل مع مهام محددة. إحدى الأدوات تتعرف على الأشكال في النموذج الرقمي، وأخرى تقيس المسافات والزوايا، وثالثة تجري عمليات محاكاة فيزيائية معقدة للتنبؤ بكيفية تسخين المعدن وتبريده. يقوم وكيل النموذج اللغوي بقراءة النتائج من هذه الأدوات، وتفسير معناها، واتخاذ القرار بشأن الخطوة التالية. فإذا كان الجزء يحتوي على قسم رقيق جداً، فقد يقترح الوكيل زيادة سمك الجدار، وإذا جعل ذلك الجزء ثقيلاً للغاية، فقد يقترح شكلاً مختلفاً. يحتفظ النظام بسجل مستمر لكل قياس وكل قاعدة طبقها، مما يضمن أن التصميم النهائي ليس مجرد تخمين، بل هو حل قائم على بيانات صلبة.

لاختبار هذا النظام، بدأ الباحثون بنموذج رقمي لكتيفة معدنية معقدة. قاموا بتغذية هذا النموذج في سير العمل جنباً إلى جنب مع مجموعة من إرشادات التصنيع لنوع معين من سبائك النيكل. بدأ النظام عمله على الفور، حيث قام بتفكيك التصميم إلى سماته الهندسية وقياسها مقابل القواعد. ووجد عدة مخالفات، مثل الجدران الرقيقة جداً والبروزات شديدة الانحدار. بعد ذلك، قام الوكيل بإنشاء ثلاث طرق مختلفة لإصلاح هذه المشكلات: استراتيجية أولى حافظت على الشكل العام للجزء تماماً ولكنها أضافت مادة لتقوية النقاط الضعيفة، واستراتيجية ثانية أزالت بعض المادة لجعل الجزء أخف وزناً، واستراتيجية ثالثة حاولت الموازنة بين الاثنين. أجرى النظام عمليات محاكاة على كل نسخة من هذه النسخ الجديدة ليرى كيف ستتصرف أثناء عملية الطباعة الفعلية.

أظهرت النتائج أن مجرد إصلاح الأخطاء الهندسية لم يكن كافياً. فالنسخة التي أضافت أكبر قدر من المادة لتقوية نقاط الضعف كانت هي الأقل تشوهاً عند إخراج الجزء من الطابعة. ومع ذلك، فإن النسخة التي أزالت المادة لتوفير الوزن تعرضت للتشوه بشكل أكبر في اتجاهات معينة، رغم أنها استوفت جميع القواعد الهندسية الأساسية. يسلط هذا الاكتشاف الضوء على قصور رئيسي في أدوات التصميم التقليدية: فهي غالباً ما تنظر إلى مشكلة واحدة في كل مرة. في المقابل، استطاع AgenticDfAM رؤية المقايضات؛ فقد أظهر أن جعل الجزء أقوى بطريقة ما قد يجعله أضعف بطريقة أخرى، وسمح للمهندس برؤية هذه العواقب قبل صهر المعدن.

أثبت النظام أيضاً قدرته على التعامل مع المشكلات التي لم تكن موجودة في قائمته الأصلية من القواعد. في إحدى التجارب، طلب الباحثون من النظام تصميم هياكل دعم لملزمة (Clamp). هذه الدعامات هي سقالات مؤقتة تثبت الجزء أثناء طباعته. أنشأ النظام تصميماً، ولكن عندما نظر مراجع بشري إليه، لاحظ شيئاً غريباً: كانت الدعامات تقع فوق سطح الجزء حيث لا ينبغي أن تكون، بدلاً من أن تكون تحته. وبدلاً من مجرد الإشارة إلى خطأ بشري، قام الوكيل بالتحقيق؛ حيث طلب من البرنامج قياس المسافة بين الدعامة وسطح الجزء، وأدرك أن الكود المستخدم لإنشاء الدعامات كان يرتكب خطأً فيما يتعلق بالأسطح المنحنية. ثم قام الوكيل بإعادة كتابة الكود لإصلاح الخطأ، وتحقق من الكود الجديد على سطح مستوٍ وسطح منحني، ثم أعاد العملية برمتها. هذه المرة، وضعت الدعامات بشكل صحيح، وانخفضت كمية مادة الدعم المهدرة بشكل كبير.

لعل أكثر عرض مثير للإعجاب لقدرة النظام على التكيف هو عندما طُلب منه إعادة تصميم جزء للتعامل مع الحرارة. أظهرت المحاكاة أن الحرارة كانت تتراكم في منطقة معينة من الكتيفة، مما قد يضعف المعدن. اقترح الوكيل سلسلة من التغييرات على شكل الجزء لتحسين تدفق الحرارة عبره؛ حيث اقترح تقريب الزوايا الحادة وملء الفجوات الضيقة. بعد تشغيل عمليات المحاكاة مرة أخرى، وجد النظام أن أحد هذه التغييرات قلل ذروة درجة الحرارة بمقدار 160 درجة مئوية. كان هذا تحسناً هائلاً، لكنه جاء بتكلفة: أصبح الجزء أثقل قليلاً وتحرك بشكل طفيف أكثر عند إزالة الدعامات. قدم النظام هذه المقايضة بوضوح، موضحاً للمهندس إمكانية الاختيار بين جزء أكثر برودة أو جزء أخف وزناً، مع المعرفة الكاملة بالعواقب.

خلال كل هذه الاختبارات، حافظ النظام على فصل صارم بين الاستنتاج والقياس. كان بإمكان وكيل النموذج اللغوي اقتراح تغيير، لكنه لم يكن يستطيع ابتكار رقم. فإذا احتاج لمعرفة سمك جدار، كان عليه أن يطلب من أداة قياسه، وإذا احتاج لمعرفة درجة الحرارة، كان عليه أن يطلب من محاكاة حسابها. ضمن ذلك عدم قدرة النظام على اختلاق الحقائق أو تأليف بيانات لتناسب قصة ما. وعندما ارتكب النظام خطأً، كما في حالة هيكل الدعم الأولية، كان قادراً على تشخيص المشكلة، وتصحيح الكود الأساسي، والتحقق من الإصلاح قبل المضي قدماً. إن القدرة على التصحيح الذاتي وتكييف الإجراءات التي يستخدمها لبناء التصميم هي ما يميز AgenticDfAM عن المحاولات السابقة للأتمتة.

وجد الباحثون أن النظام يمكنه بنجاح خوض تحديات التصميم المعقدة التي تتطلب عادةً فريقاً من المهندسين وساعات من العمل اليدوي. يمكنه تحديد المخالفات، واقتراح حلول متعددة، ومحاكاة نتائجها، وحتى إصلاح الكود الذي يستخدمه لإنشاء تلك الحلول. وفي حالة الملزمة، نجح النظام في تقليل عدد المرات التي اضطر فيها للعودة لإصلاح تصميم الدعم من عشر محاولات إلى خمس محاولات فقط. كما تمكن من تقليل كمية مادة الدعم المهدرة بنسبة تقارب 30 بالمائة في أحد الاتجاهات. لم تكن هذه التحسينات تتعلق بالسرعة فحسب، بل كانت تتعلق بإيجاد حلول أفضل قد يغفل عنها البشر لأنهم يركزون بشدة على قاعدة واحدة أو قيد واحد.

يظهر هذا العمل أن الذكاء الاصطناعي يمكن أن يكون شريكاً قوياً في الهندسة، ليس باستبدال المهندس، بل من خلال تولي عبء القياس والحسابات الثقيلة. يعمل النظام كمساعد لا يكل، لا يتعب من مراجعة الأرقام أو تشغيل عمليات المحاكاة. إنه يسمح للمهندس البشري بالتركيز على الصورة الكبيرة: تحديد أي المقايضات مقبولة وما الذي يجب أن يفعله الجزء النهائي. ومن خلال إبقاء القياسات والاستنتاجات منفصلة، يضمن النظام إمكانية تتبع كل قرار والرجوع إلى دليل محدد. هذه الشفافية أمر بالغ الأهمية في صناعات مثل الطيران والطب، حيث يمكن أن يكون للخطأ عواقب وخيمة.

في النهاية، يوضح AgenticDfAM المسار المستقبلي لكيفية تصميم الأشياء التي نبنيها. إنه يتجاوز فكرة قيام الحاسوب بمجرد التحقق من قائمة قواعد، نحو نظام يمكنه فهم سياق التصميم، والتنبؤ بسلوكه، وتكييف أساليبه الخاصة لحل المشكلات. لا يدعي النظام امتلاك جميع الإجابات، ولكنه يوفر وسيلة لإيجادها بشكل أسرع وبثقة أكبر. إنه يحول عملية التصميم إلى حوار بين القصد البشري والدقة الآلية، حيث كل اقتراح مدعوم برقم، وكل رقم مفتوح للفحص. هذا ليس مجرد أداة جديدة للمهندسين؛ بل هو طريقة جديدة للتفكير في كيفية إنشاء الأشياء المعقدة التي تشكل عالمنا الحديث.