AutoSiMP: Autonomous Topology Optimization from Natural Language via LLM-Driven Problem Configuration and Adaptive Solver Control

Das Paper stellt AutoSiMP vor, ein autonomes System, das mithilfe von Large Language Models natürliche Sprachbeschreibungen in validierte binäre Topologie-Optimierungslösungen umwandelt und dabei den gesamten Prozess von der Problemkonfiguration bis zur strukturellen Bewertung ohne manuelle Eingriffe automatisiert.

Das Wesentliche

Stellen Sie sich vor, Sie möchten ein fantastisches, leichtes und stabiles Brückendesign erstellen, das genau auf Ihre Bedürfnisse zugeschnitten ist. Früher musste man dafür ein hochspezialisierter Ingenieur sein, der komplexe mathematische Formeln in eine spezielle Computersprache übersetzt. Ein einziger kleiner Fehler – etwa ein falsch platziertes Lager oder eine ungenaue Kraftangabe – und das ganze Programm stürzte ab oder lieferte ein unsinniges Ergebnis.

AutoSiMP ist wie ein intelligenter, selbstständiger Assistent, der diese Hürde komplett beseitigt. Er nimmt Ihre ganz einfache, alltägliche Beschreibung auf Deutsch (oder Englisch) und baut daraus automatisch eine perfekte, fertige Struktur.

Hier ist, wie das funktioniert, erklärt mit einfachen Bildern:

1. Der Übersetzer (Der "LLM-Konfigurator")

Stellen Sie sich vor, Sie sagen zu einem sehr klugen Architekten: "Ich brauche einen Balken, der links fest eingespannt ist, in der Mitte nach unten gedrückt wird und ein Loch für ein Rohr in der Mitte hat."

Früher musste ein Mensch diese Worte in eine Liste von Koordinaten und Zahlen umwandeln. AutoSiMP nutzt eine Künstliche Intelligenz (ein großes Sprachmodell), die wie ein genialer Dolmetscher funktioniert. Sie hört Ihre Worte, versteht die Absicht und schreibt sofort den genauen Bauplan (den "Problem-Spec") auf.

• Die Sicherheits-Checks: Damit der Assistent nicht halluciniert, gibt es einen strengen "Sicherheitsgurt". Wenn die KI vergisst, den Balken zu fixieren, oder ein Loch in den falschen Bereich setzt, korrigiert sie das sofort selbstständig, bevor der eigentliche Bau beginnt.

2. Der Bauleiter (Der "Solver")

Sobald der Plan steht, geht es an die Arbeit. Das ist der eigentliche Bauarbeiter, der das Material verteilt.

• Die Methode (SIMP): Stellen Sie sich vor, der Raum ist mit Millionen kleiner Lego-Steine gefüllt. Der Bauarbeiter entfernt langsam die Steine, die nicht gebraucht werden, und behält nur die, die den Lasten standhalten. Am Ende bleibt eine filigrane, fast organische Struktur übrig.
• Der adaptive Taktgeber: Früher musste man dem Bauarbeiter genau sagen, wann er wie hart arbeiten soll. AutoSiMP hat zwei Modi:
  • Der Experimentator (KI-gesteuert): Er probiert verschiedene Wege aus, um vielleicht das absolut beste Ergebnis zu finden (wie ein Künstler, der experimentiert).
  • Der Zuverlässige (Zeitplan-gesteuert): Er folgt einem starren, bewährten Plan. Er ist vielleicht nicht immer der kreativste, aber er liefert immer ein perfektes Ergebnis ohne Fehler.

3. Der Qualitätskontrolleur (Der "Evaluator")

Bevor das fertige Produkt übergeben wird, läuft es durch eine 8-Punkte-Prüfung.

• Ist alles zusammenhängend? (Keine losen Teile).
• Ist es stabil genug?
• Sind die Ränder scharf und nicht verschwommen?
• Ist das Loch genau dort, wo es sein soll?

Wenn etwas nicht stimmt (z. B. die Struktur bricht zusammen), sagt der Kontrolleur nicht einfach "Fehler". Er gibt dem System einen Hinweis: "Hey, wir brauchen mehr Zeit" oder "Der Balken ist zu dünn, mach ihn dicker". Das System versucht dann automatisch, es noch einmal besser zu machen.

4. Die Live-Show (Die Web-Demo)

Das Coolste an AutoSiMP ist, dass Sie nicht warten müssen. Es gibt eine interaktive Webseite, die wie ein Videospiel aussieht.

• Sie tippen Ihren Wunsch ein.
• Sie sehen live, wie die KI den Plan erstellt.
• Sie können die Lasten (die Pfeile, die drücken) mit der Maus verschieben, noch während das System rechnet.
• Am Ende sehen Sie das Ergebnis in 3D, können es drehen und zoomen, als würden Sie ein echtes Modell in der Hand halten.

Warum ist das so wichtig?

Stellen Sie sich vor, Sie könnten mit einem Freund über ein Design sprechen und am Ende des Gesprächs hätten Sie ein fertiges, ingenieurtechnisch geprüstes Bauteil in der Hand.

• Für Schüler: Sie müssen nicht mehr stundenlang über Fehler in den Randbedingungen nachdenken, sondern können direkt das Prinzip des Designs verstehen.
• Für Ingenieure: Sie sparen Stunden an manueller Eingabe und können sich auf das große Ganze konzentrieren.
• Für alle: Es macht etwas, das früher nur Experten vorbehalten war, für jeden zugänglich.

Zusammenfassend: AutoSiMP ist der erste Roboter-Architekt, der nicht nur rechnet, sondern auch versteht, was Sie sagen, den Plan selbst erstellt, den Bau überwacht, die Qualität prüft und Ihnen das Ergebnis live auf dem Bildschirm zeigt – alles ohne dass Sie eine einzige Zeile Code schreiben müssen.

Technische Zusammenfassung

1. Problemstellung

Die Topologieoptimierung (insbesondere die Dichtebasierte Methode SIMP) ist ein etabliertes Werkzeug im Ingenieurwesen, um optimale Materialverteilungen zu finden. Trotz verfügbarer Open-Source-Löser bleibt die Methode für Nicht-Experten jedoch schwer zugänglich. Der Hauptgrund ist nicht der Solver selbst, sondern die Konfiguration:

• Benutzer müssen das Designgebiet definieren, es diskretisieren (Finite-Elemente-Mesh), Randbedingungen (Auflager, Kräfte) zuweisen, passive Regionen (z. B. Bohrungen) definieren und numerische Parameter wählen.
• Jeder dieser Schritte erfordert tiefes Fachwissen in Strukturmechanik und spezifischer Solver-Implementierung.
• Fehler in der Konfiguration führen oft zu Solver-Ausfällen oder stillschweigend falschen Ergebnissen.
• Bisherige KI-Ansätze (z. B. neuronale Surrogate oder Generative Modelle) beschleunigen oder ersetzen zwar den Solver, setzen aber eine bereits vollständig konfigurierte Problemstellung voraus. Es fehlte ein System, das eine natürliche Sprachbeschreibung direkt in eine validierte, lösbare Topologie umwandelt.

2. Methodik: Die AutoSiMP-Pipeline

AutoSiMP ist ein autonomer Workflow, der eine natürliche Sprachbeschreibung in eine validierte, binäre Topologie übersetzt. Das System besteht aus fünf modularen Komponenten:

1. LLM-basierter Konfigurator (Module 1):

   • Ein Large Language Model (LLM, spezifisch Gemini Flash Lite) analysiert den Textprompt (z. B. „Kragträger, links fest eingespannt, Kraft unten rechts").
   • Es generiert eine strukturierte JSON-Spezifikation (ProblemSpec), die Geometrie, Mesh, Auflager, Lasten, passive Regionen und Volumenanteil enthält.
   • Sicherheitsmechanismen: Deterministische „Safety Rails" validieren die Ausgabe (z. B. Bereichsbegrenzung, Erkennung fehlender Auflager, Vermeidung von Lasten auf festen Freiheitsgraden) und korrigieren physikalisch unmögliche Konfigurationen.

2. Randbedingungs-Generator (Module 2):

   • Wandelt die JSON-Spezifikation in solver-fertige Arrays um:
     • Fixierte Freiheitsgrade (DOFs) basierend auf Kanten- oder Punktauflagern.
     • Kraftvektoren (inkl. Trapez-Regel für verteilte Lasten).
     • Masken für passive Elemente (die während der Optimierung unverändert bleiben).

3. SIMP-Solver mit adaptivem Controller (Module 3):

   • Verwendet einen etablierten Three-Field-SIMP-Solver mit Heaviside-Projektion.
   • Der Solver ist mit einem plugbaren Controller gekoppelt, der die Fortsetzungsschritte (Continuation) steuert (Parameter wie Penalisation $p$, Schärfe $\beta$, Filterradius $r_{min}$).
   • Der Controller kann deterministisch (vordefinierte Schedules) oder adaptiv (durch ein LLM gesteuert) arbeiten.

4. Struktureller Evaluierer (Module 4):

   • Führt acht deterministische Qualitätsprüfungen durch:
     • 5 Pass/Fail-Gates: Konnektivität (Flutfüllung), Compliance-Verhältnis, Grauwert (Grayness), Volumenanteil-Treue, Konvergenz.
     • 3 Informationsmetriken: Dünnwandigkeit, Schachbrettmuster, Lastpfad-Effizienz.
   • Nur wenn alle 5 Gates bestanden sind, gilt die Lösung als erfolgreich.

5. Schleifen-Wiederholungsmechanismus (Module 5):

   • Bei einem Fehler analysiert der Evaluierer die Ursache und schlägt spezifische Parameteranpassungen vor (z. B. mehr Iterationen, Anpassung des Volumenanteils).
   • Das System löst das Problem automatisch bis zu zweimal neu, um Fehler zu korrigieren.

Zusatz: Ein interaktives Web-Interface (React/Three.js) ermöglicht die visuelle Überprüfung der Konfiguration, das Bearbeiten von Lasten per Drag-and-Drop und die Echtzeit-Visualisierung der Optimierung (2D im Browser, 3D via Python-Backend).

3. Hauptbeiträge

1. Erste End-to-End-Lösung: AutoSiMP ist das erste System, das den gesamten Loop von einer natürlichen Sprachbeschreibung bis zu einer validierten, binären Strukturtopologie schließt.
2. Automatisierte Konfiguration: Ein LLM-Agent übersetzt natürliche Sprache in eine validierte, solver-fertige Spezifikation mit einer hohen Genauigkeit.
3. Systematische Evaluierung: Die Arbeit trennt strikt zwischen der Genauigkeit der Konfiguration und der Leistung des Controllers, was in früheren Arbeiten oft vermischt wurde.
4. Open Source & Demo: Vollständiger Code und ein interaktives Web-Interface werden bereitgestellt, was im Vergleich zu anderen Systemen (Tabelle 1 im Paper) einzigartig ist.

4. Ergebnisse

Die Evaluation erfolgte an drei Achsen über 19 Benchmark-Probleme (17 2D, 2 3D):

• Konfigurationsgenauigkeit:

  • Der Konfigurator erzeugte in allen 10 getesteten Fällen gültige Spezifikationen.
  • Der Median-Compliance-Nachteil gegenüber Experten-Lösungen betrug nur +0,3 %.
  • Ein Ausreißer (L-Bracket, +119 %) resultierte aus einer mehrdeutigen räumlichen Beschreibung, die vom LLM anders interpretiert wurde als vom Experten. Dies wird durch die interaktive Vorschau im Web-Interface behoben.

• Controller-Vergleich:

  • LLM-Controller: Erzielte die niedrigste Compliance (beste Topologie), hatte aber nur eine 76,5 % Erfolgsquote (Pass Rate) aufgrund von API-bedingten Instabilitäten.
  • Deterministischer Schedule: Erzielte eine 100 % Erfolgsquote bei nur +1,5 % höherer Compliance als der LLM-Controller.
  • Ablationsstudien: Ein „Tail-only"-Ansatz (ohne Explorationsphase) führte zu 2,8-fach schlechteren Ergebnissen, was die Notwendigkeit der Explorationsphase bestätigt. Ein „Fixed"-Ansatz (ohne Continuation) führte zu grauen, nicht-binären Designs.

• End-to-End-Zuverlässigkeit:

  • In Kombination mit dem deterministischen Schedule Controller bestanden alle 10 LLM-konfigurierten Probleme alle Qualitätschecks beim ersten Versuch (keine Wiederholungen nötig).
  • Dies beweist, dass der Konfigurator der kritische Enabler für autonome Operation ist, während der deterministische Controller für die Zuverlässigkeit sorgt.

• 3D-Validierung:

  • Die Ergebnisse generalisieren auf 3D-Probleme. Der LLM-Controller zeigte hier sogar einen größeren Vorteil gegenüber festen Schedules als in 2D, da es für 3D keine etablierten Heuristiken gibt.

5. Bedeutung und Fazit

AutoSiMP überwindet die größte Hürde für die breite Anwendung der Topologieoptimierung: die Konfigurationsschwelle.

• Paradigmenwechsel: Es verschiebt den Fokus vom manuellen „Solver-Tuning" zur natürlichen Sprachbeschreibung.
• Praktische Empfehlung: Die Autoren empfehlen eine hybride Strategie: Nutzung des LLM-Konfigurators für die intuitive Eingabe kombiniert mit einem deterministischen Schedule-Controller für maximale Zuverlässigkeit in der Produktion.
• Innovation: Durch die Trennung von Konfiguration (Was soll optimiert werden?) und Steuerung (Wie wird optimiert?) wird das System modular und robust.
• Zugänglichkeit: Das bereitgestellte Web-Interface ermöglicht es Ingenieuren und Studierenden, komplexe Optimierungen ohne tiefe Programmierkenntnisse durchzuführen und Ergebnisse visuell zu verifizieren.

Zusammenfassend demonstriert AutoSiMP, dass moderne LLMs in Kombination mit deterministischen Sicherheitsmechanismen und etablierten numerischen Methoden in der Lage sind, autonome, zuverlässige und hochqualitative Strukturoptimierungen durchzuführen.