Context is all you need: Towards autonomous model-based process design using agentic AI in flowsheet simulations

Diese Arbeit stellt ein Multi-Agenten-Framework vor, das große Sprachmodelle wie Claude Opus 4.6 nutzt, um autonom und kontextgestützt chemische Prozessfließbilder in der Simulationssoftware Chemasim zu entwerfen und zu implementieren.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein erfahrener Koch, der ein neues, komplexes Gericht erfinden möchte. Normalerweise müssten Sie zuerst die Zutaten analysieren, ein Rezept auf Papier schreiben, dann in die Küche gehen, den Herd anstellen und hoffen, dass das Essen nicht anbrennt. Wenn etwas schiefgeht, müssen Sie den Ofen ausschalten, das Rezept korrigieren und von vorne beginnen. Das ist mühsam und dauert lange.

Dieser Forschungsbericht von BASF beschreibt nun einen digitalen Küchen-Assistenten, der nicht nur das Rezept schreibt, sondern auch selbst kocht, den Herd überwacht und sofort reagiert, wenn etwas brennt.

Hier ist die einfache Erklärung der Arbeit, aufgeteilt in drei Teile:

1. Das Problem: Der "Zauberstab" fehlt

Chemieingenieure entwerfen täglich neue Prozesse, um aus Rohstoffen (wie Biomasse oder CO2) neue Produkte herzustellen. Dafür nutzen sie Computerprogramme (Fließbild-Simulatoren), die berechnen, wie sich Flüssigkeiten und Gase in Rohren und Tanks verhalten.
Das Problem: Diese Programme sind wie sehr strenge, alte Computer. Man muss ihnen die Befehle in einer sehr spezifischen, schwer zu lernenden "Geheimsprache" (Code) eingeben. Wenn man einen kleinen Fehler macht, stürzt das ganze Programm ab.

2. Die Lösung: Ein Team aus zwei KI-Robotern

Die Autoren haben ein System entwickelt, das wie ein Duo aus einem Architekten und einem Maurer funktioniert. Beide sind künstliche Intelligenzen (KI), die auf großen Sprachmodellen basieren (ähnlich wie Chatbots, aber viel schlauer und mit Werkzeugen).

• Der Architekt (Prozess-Entwickler-Agent):
  Dieser KI-Teil ist der kreative Kopf. Er bekommt die Aufgabe: "Stelle aus Wasser und Alkohol ein reines Produkt her." Er denkt nach, nutzt seine "Bibliothek" mit chemischem Wissen und rechnet im Kopf (oder mit einem Taschenrechner-Tool) aus, welche Schritte nötig sind. Er plant die Reihenfolge: Erst mischen, dann erhitzen, dann trennen. Er schreibt ein grobes Rezept auf.

  • Wichtig: Er kennt die Sprache des Computers noch nicht. Er weiß nur, was gemacht werden muss, nicht wie man es in den Computer tippt.

• Der Maurer (Chemasim-Modellier-Agent):
  Dieser KI-Teil ist der Handwerker. Er bekommt das grobe Rezept vom Architekten. Seine Aufgabe ist es, dieses Rezept in die exakte "Geheimsprache" des BASF-Programms (Chemasim) zu übersetzen.

  • Der Clou: Da das Programm textbasiert ist (also wie ein Textdokument), kann dieser Agent den Text direkt bearbeiten, genau wie ein Mensch, der in einem Texteditor tippt. Er fügt Zeilen hinzu, löscht Fehler und baut das Modell Stück für Stück.

3. Der Autopilot: Lernen durch Ausprobieren

Das Geniale an diesem System ist, dass der "Maurer" nicht nur tippt, sondern auch kocht.

1. Der Maurer schreibt einen Teil des Codes.
2. Er startet die Simulation (schaltet den Herd an).
3. Wenn das Programm einen Fehler meldet ("Oh, die Temperatur ist zu hoch!"), liest der Maurer die Meldung, versteht sie und korrigiert den Text sofort.
4. Er startet die Simulation erneut.
5. Dieser Kreislauf läuft so lange, bis das Programm sagt: "Alles läuft stabil, das Ergebnis ist gut."

Was haben sie getestet?

Die Autoren haben dieses Team an drei verschiedenen "Kochaufgaben" getestet:

1. Eine chemische Reaktion: Wie man aus zwei Stoffen einen dritten herstellt und die Nebenprodukte recycelt.
2. Druck-Swing-Destillation: Ein Trick, um zwei Flüssigkeiten zu trennen, die sich normalerweise nicht trennen lassen, indem man den Druck im System ändert (wie beim Kochen von Wasser auf einem Berg vs. im Meer).
3. Heteroazeotrope Destillation: Eine komplexe Trennung, bei der ein "Hilfsstoff" (ein Entrainer) hinzugefügt wird, um die Trennung zu erleichtern, ähnlich wie man Salz ins Wasser gibt, um den Siedepunkt zu ändern.

In allen Fällen hat das KI-Team erfolgreich ein funktionierendes Rezept erstellt und es so lange angepasst, bis die Simulation perfekt lief. Die Ergebnisse stimmten fast genau mit den manuellen Berechnungen von menschlichen Experten überein.

Wo sind die Grenzen?

Das System ist noch nicht perfekt. Wenn die Aufgabe zu komplex wird (z. B. wenn es viele verschiedene Stoffe gibt, die sich auf sehr seltsame Weise verhalten), gerät der "Architekt" manchmal ins Grübeln. Er schlägt dann Lösungen vor, die theoretisch funktionieren könnten, aber in der Praxis zu kompliziert oder unmöglich sind.

• Die Analogie: Der Architekt schlägt vor, ein Haus mit einem Dach aus Glas zu bauen. Der Maurer baut es, aber das Glas bricht sofort. Der Architekt muss dann lernen, dass Glas für Dächer in diesem Klima nicht geeignet ist.

Fazit

Diese Arbeit zeigt, dass KI bald nicht mehr nur Texte schreiben oder Bilder malen kann, sondern echte Ingenieursarbeit leisten kann. Sie kann komplexe chemische Prozesse entwerfen und diese direkt in funktionierende Computermodelle umsetzen.

In der Zukunft werden Chemiker vielleicht weniger Zeit damit verbringen, mühsam Code zu tippen oder Diagramme zu zeichnen, sondern mehr Zeit damit, den KI-Assistenten zu beauftragen: "Entwirf mir einen Prozess für X." Die KI übernimmt dann das Detailwerk, das Testen und das Korrigieren – wie ein unsichtbarer, extrem schneller und geduldiger Assistent, der nie schläft.

Technische Zusammenfassung

1. Problemstellung

Die chemische Prozessindustrie steht vor der Herausforderung, Prozesse an neue Rohstoffe (z. B. Biomasse, CO₂) anzupassen. Die traditionelle Prozesssynthese erfolgt oft iterativ und sequenziell, wobei Heuristiken und Simulationen kombiniert werden. Während numerische Optimierungsverfahren für die Parametereinstellung in festgelegten Strukturen etabliert sind, bleibt die Suche nach der optimalen Prozessstruktur (Strukturoptimierung) schwierig.
Bestehende Ansätze wie Reinforcement Learning (RL) sind oft auf vereinfachte Modelle beschränkt und generalisieren schlecht auf neue Mischungen. Der Einsatz von Large Language Models (LLMs) im Bereich der chemischen Prozessmodellierung ist bisher kaum erforscht, insbesondere weil:

• LLMs oft nicht auf hochspezialisierte, firmeninterne Syntaxen (wie bei BASF's Chemasim) trainiert sind.
• Die Generierung von syntaktisch korrektem Code für komplexe Fließbild-Simulatoren schwierig ist.
• Die Fähigkeit fehlt, abstrakte ingenieurwissenschaftliche Probleme (z. B. Trennsequenzen) zu lösen und diese direkt in eine funktionierende Simulation zu überführen, die auf Konvergenz geprüft wird.

2. Methodik

Die Autoren stellen ein Multi-Agenten-System vor, das auf dem neuesten Stand der LLM-Technologie (insbesondere Claude Opus 4.6) basiert und in einer Agentic AI-Architektur implementiert ist. Das System nutzt den Ansatz „Context is all you need", d. h., es wird kein Fine-Tuning des Modells durchgeführt, sondern das Modell wird durch umfangreichen Kontext (Dokumentation, Beispiele) gesteuert.

Das System besteht aus zwei spezialisierten Agenten:

A. Prozessentwicklungs-Agent (Process Development Agent)

• Aufgabe: Lösen des abstrakten Syntheseproblems (z. B. Entwurf einer Trennsequenz).
• Fähigkeiten:
  • Zugriff auf Werkzeuge für thermodynamische Berechnungen (Bestimmung von Azeotropen, Mischbarkeitslücken, Siedepunkten).
  • Freies Programmieren in Python zur Durchführung von Stoffbilanzen und Schätzung von Strömen/Zusammensetzungen.
  • Strukturiertes Denken durch „Leitfragen" (z. B. zu Recycling-Strukturen, Druckanpassungen), ohne spezifische Prozessvorschriften zu erhalten.
• Output: Eine detaillierte, schrittweise Prozessdokumentation (Unit-by-Unit-Plan) mit Schätzwerten für Betriebsparameter.

B. Chemasim-Modellierungs-Agent (Chemasim Modelling Agent)

• Aufgabe: Umsetzung des Entwurfs in lauffähigen Code für den BASF-internen Simulator Chemasim.
• Herausforderung: Chemasim ist ein textbasiertes Werkzeug (keine primäre GUI), was die direkte Manipulation von Eingabedateien durch den Agenten ermöglicht.
• Fähigkeiten:
  • In-Context Learning: Nutzung von technischer Dokumentation, kommentierten Beispielen und „How-to"-Anleitungen im Prompt, um die spezifische Syntax von Chemasim zu erlernen.
  • Autonome Simulation: Der Agent kann Simulationen ausführen, Fehlermeldungen (Syntaxfehler, Konvergenzprobleme) lesen und den Code korrigieren.
  • Best-Practices: Der Agent folgt strikten Regeln, um Konvergenz zu sichern (z. B. schrittweiser Aufbau „Unit-by-Unit", zweistufige Spezifikation von Destillationskolonnen: erst mit festen Durchsätzen, dann mit Reinheitsanforderungen).

Architektur und Workflow

Die Agenten arbeiten in Visual Studio Code (VS Code) mit einer benutzerdefinierten Erweiterung, die die Schnittstelle zu Chemasim bildet. Der Prozessentwicklungs-Agent liefert den Plan, der Modellierungs-Agent setzt ihn um, führt Simulationen durch und iteriert bei Fehlern.

3. Wichtige Beiträge

1. Erster agenter Ansatz für industrielle Fließbild-Simulation: Demonstration, dass ein Multi-Agenten-System komplexe chemische Prozessentwürfe autonom generieren und in einen spezifischen industriellen Simulator (Chemasim) implementieren kann.
2. Validierung von „Context over Fine-Tuning": Nachweis, dass moderne LLMs (ab Version 4.5/5.x) durch reines In-Context-Learning (Dokumentation + Beispiele) syntaktisch korrekten Code für hochspezialisierte, firmeninterne Domänensprachen generieren können, ohne dass ein aufwendiges Fine-Tuning nötig ist.
3. Autonome Fehlerbehandlung und Konvergenz: Entwicklung eines Frameworks, das nicht nur Code generiert, sondern auch aktiv mit der Simulationsengine interagiert, um Konvergenzprobleme zu lösen (z. B. durch Anpassung von Spezifikationen oder Initialisierungswerten).
4. Textbasierte Interaktion: Nutzung der textbasierten Natur von Chemasim als Vorteil gegenüber GUI-basierten Simulatoren, was dem Agenten die gleiche Flexibilität wie einem menschlichen Nutzer gibt.

4. Ergebnisse

Das Framework wurde an drei Fallstudien getestet, bei denen Komponenten maskiert wurden (A, B, C...), um sicherzustellen, dass der Agent nur auf thermodynamisches Verständnis und nicht auf auswendig gelerntes Prozesswissen zurückgreift:

• Fallstudie 1: Reaktions-Trenn-Prozess (Ethylbenzol-Synthese):

  • Der Agent entwarf einen Prozess mit Reaktoren und Destillationskolonnen, inklusive Transalkylierung und Recycling.
  • Die Stoffbilanzen des Prozessentwicklungs-Agenten stimmten hervorragend mit den rigorosen Simulationsergebnissen überein.
  • Der Modellierungs-Agent konnte Recycling-Schleifen erfolgreich schließen und Reinheitsanforderungen erfüllen.

• Fallstudie 2: Druckwechsel-Destillation (Azeotrope):

  • Test mit zwei verschiedenen binären azeotropen Systemen (n-Propanol/Benzol und Aceton/Chloroform).
  • Der Agent erkannte die Druckabhängigkeit der Azeotrope und entwarf korrekte Druckwechsel-Destillationssequenzen (niedriger Druck für eine Kolonne, höherer Druck für die andere).
  • Auch bei Systemen mit schwierigerer Trennbarkeit (maximales Azeotrop) wurde eine funktionierende Lösung gefunden, wenn auch mit höheren Rücklaufverhältnissen.

• Fallstudie 3: Heteroazeotrope Destillation mit Entrainer-Auswahl:

  • Aufgabe: Trennung von Wasser und 1,4-Dioxan unter Auswahl eines Entrainers (Benzol vs. Dimethylcarbonat).
  • Der Agent analysierte die Mischbarkeitslücken und wählte den überlegenen Entrainer (Benzol) für ein effizientes System mit einer Kolonne und einem Dekanter.
  • Auf Anforderung entwickelte der Agent auch alternative Designs (z. B. mit Vorabtrennung oder Druckwechsel), die energetisch günstiger waren.

Ergebnis: In allen Fällen lieferte der Prozessentwicklungs-Agent realistische Entwürfe, und der Modellierungs-Agent konnte diese in lauffähige, konvergierende Simulationsmodelle überführen. Die Ergebnisse der rigorosen Simulationen stimmten stark mit den vereinfachten Stoffbilanz-Schätzungen überein.

5. Bedeutung und Limitationen

Bedeutung:

• Das Papier zeigt einen Paradigmenwechsel in der Prozessentwicklung: Von manueller GUI-Nutzung hin zu autonomer, textbasierter Modellierung durch KI-Agenten.
• Es beweist, dass LLMs in der Lage sind, komplexe ingenieurwissenschaftliche Aufgaben zu lösen, wenn sie mit dem richtigen Kontext und Werkzeugen ausgestattet sind.
• Es ebnet den Weg für schnellere Prozessdesigns und die Automatisierung repetitiver Modellierungsaufgaben in der Industrie.

Limitationen und Ausblick:

• Komplexität thermodynamischer Systeme: Bei sehr komplexen Systemen (z. B. ternäre Systeme mit mehreren Azeotropen und Mischbarkeitslücken, wie in Fallstudie 4 und 5 gezeigt) stößt das System an Grenzen. Der Agent scheiterte manchmal an der korrekten Identifikation von Trennregionen oder der Wahl des richtigen Entrainers, wenn die thermodynamische Topologie sehr komplex war.
• Optimierung: Das System entwirft derzeit funktionierende Prozesse, führt aber keine quantitative Wirtschaftlichkeitsoptimierung durch (z. B. Kostenminimierung).
• Zukünftige Arbeit:
  • Integration spezialisierter Werkzeuge zur Analyse von Destillationsregionen und Machbarkeitsprüfungen.
  • Einbindung numerischer Optimierungsalgorithmen direkt in den Agenten-Workflow.
  • Verbesserte Interaktion zwischen den Agenten, um bei Konvergenzproblemen oder nicht machbaren Entwürfen Feedback-Schleifen zu nutzen.

Zusammenfassend stellt das Paper einen bedeutenden Schritt hin zu autonomen, modellbasierten Prozessdesigns dar, bei denen KI-Agenten nicht nur Code schreiben, sondern den gesamten ingenieurwissenschaftlichen Denkprozess von der thermodynamischen Analyse bis zur validierten Simulation durchlaufen.