Stellen Sie sich eine Welt vor, in der komplexe Metallteile nicht aus massiven Blöcken gefräst oder in Formen gegossen werden, sondern Schicht für Schicht aufgebaut werden, wie ein dreidimensionaler Drucker, der geschmolzenes Metall stapelt. Dies ist die additive Fertigung, eine Technologie, die verspricht, Formen zu erschaffen, die zuvor unmöglich herzustellen waren. Das Bauen dieser Teile ist jedoch ein empfindlicher Balanceakt. Wenn eine Wand zu dünn ist, könnte sie kollabieren; wenn ein Abschnitt zu weit ohne Stütze herausragt, könnte er unter Hitze verformen. Jahrzehntelang mussten Ingenieure ihre Entwürfe manuell gegen eine lange Liste von Regeln prüfen, Simulationen durchführen, um vorherzusagen, wie sich das Metall verhalten wird, und den Teil dann neu zeichnen, wenn etwas problematisch aussah. Es ist ein langsamer, repetitiver Prozess, bei dem das menschliche Urteilsvermögen die Lücke zwischen den Rohdaten eines Computers und der physischen Realität der Fabrikhalle schließt.

Nun verändert ein neues System namens AgenticDfAM die Art und Weise, wie diese Arbeit erledigt wird. Anstatt einen Entwurf lediglich gegen eine statische Liste von Regeln zu prüfen, nutzt dieses System ein Team intelligenter Software-Agenten, die in der Lage sind zu schlussfolgern, zu messen und sogar die Regeln, denen sie folgen, selbstständig umzuschreiben. Diese Agenten betrachten nicht nur ein Bild eines Teils; sie interagieren mit spezialisierten Werkzeugen, die die Geometrie mit extremer Präzision messen. Wenn ein Entwurf eine Prüfung nicht besteht, markiert das System nicht nur einen Fehler, sondern schlägt eine Lösung vor, führt eine Simulation durch, um zu sehen, wie sich diese Änderung auf die Festigkeit und Temperatur des Teils auswirkt, und entscheidet dann, ob die Änderung lohnenswert ist. Entscheidend ist, dass das System transparent konzipiert ist. Jede Entscheidung, die es trifft, wird durch eine spezifische Messung oder eine berechnete Zahl gestützt, die ein menschlicher Ingenieur inspizieren und verifizieren kann.

Die Forscher hinter dieser Arbeit, angeführt von David Guirguis, wollten sehen, ob sie diesen gesamten Zyklus aus Design, Bewertung und Reparatur automatisieren können, ohne die strengen Standards zu vernachlässigen, die im Ingenieurwesen erforderlich sind. Sie entwickelten einen Workflow, bei dem ein Large Language Model als Manager fungiert und verschiedene Software-Tools koordiniert, um spezifische Aufgaben zu bewältigen. Ein Tool erkennt die Formen in einem digitalen Modell, ein anderes misst Abstände und Winkel, und ein drittes führt komplexe physikalische Simulationen durch, um vorherzusagen, wie sich das Metall aufheizen und abkühlen wird. Der Language-Model-Agent liest die Ergebnisse dieser Tools, interpretiert deren Bedeutung und entscheidet, was als Nächstes zu tun ist. Wenn ein Teil einen Abschnitt hat, der zu dünn ist, schlägt der Agent vor, die Wand zu verdicken. Wenn dies das Teil zu schwer macht, schlägt er eine andere Form vor. Das System führt ein fortlaufendes Protokoll über jede Messung und jede angewendete Regel, um sicherzustellen, dass der endgültige Entwurf nicht bloß eine Vermutung ist, sondern eine Lösung, die auf harten Daten basiert.

Um dieses System zu testen, begannen die Forscher mit einem digitalen Modell eines komplexen Metallbruchs. Sie speisten diesen in den Workflow ein, zusammen mit einem Satz von Fertigungsrichtlinien für eine bestimmte Art von Nickellegierung. Das System begann sofort mit seiner Arbeit, zerlegte das Design in seine geometrischen Merkmale und maß sie gegen die Regeln. Es fand mehrere Verstöße, wie etwa Wände, die zu dünn waren, und Überhänge, die zu steil waren. Der Agent generierte daraufhin drei verschiedene Wege, um diese Probleme zu lösen. Eine Strategie behielt die ursprüngliche Form des Teils exakt bei, fügte jedoch Material hinzu, um schwache Stellen zu verstärken. Eine andere Strategie entfernte Material, um das Teil leichter zu machen. Ein dritter Ansatz versuchte, beides auszubalancieren. Das System führte Simulationen für jede dieser neuen Versionen durch, um zu sehen, wie sie sich während des eigentlichen Druckprozesses verhalten würden.

Die Ergebnisse zeigten, dass das bloße Beheben der geometrischen Fehler nicht ausreichte. Die Version, die am meisten Material hinzufügte, um die Schwachstellen zu beheben, wies beim Entnehmen des Teils aus dem Drucker die geringste Verformung auf. Die Version hingegen, die Material zur Gewichtseinsparung entfernte, verformte sich in bestimmten Richtungen stärker, obwohl sie alle grundlegenden geometrischen Regeln erfüllte. Dieser Befund verdeutlicht eine entscheidende Einschränkung herkömmlicher Designwerkzeuge: Sie betrachten oft nur ein Problem zur Zeit. AgenticDfAM hingegen konnte die Zielkonflikte erkennen. Es zeigte auf, dass die Verstärkung eines Teils in einer Hinsicht es in einer anderen schwächen konnte, und ermöglichte es dem Ingenieur, diese Konsequenzen zu sehen, noch bevor das Metall jemals geschmolzen wurde.

Das System erwies sich auch als fähig, Probleme zu handhaben, die nicht in seiner ursprünglichen Regelliste enthalten waren. In einem Experiment baten die Forscher das System, Stützstrukturen für eine Klemme zu entwerfen. Diese Stützen sind temporäre Gerüste, die das Teil während des Druckens halten. Das System generierte ein Design, aber als ein menschlicher Prüfer es betrachtete, bemerkte er etwas Seltsames: Die Stützen befanden sich auf der Oberfläche des Teils, wo sie nicht sein sollten, anstatt darunter. Anstatt dies lediglich als menschlichen Fehler zu melden, untersuchte der Agent das Problem. Er bat die Software, den Abstand zwischen der Stütze und der Oberfläche des Teils zu messen, und stellte fest, dass der Code, der die Stützen generierte, bei gekrümmten Oberflächen einen Fehler machte. Der Agent schrieb den Code um, um den Fehler zu beheben, verifizierte den neuen Code an einer flachen und einer gekrümmten Oberfläche und startete den gesamten Prozess erneut. Dieses Mal waren die Stützen korrekt platziert, und die Menge des verschwendeten Stützmaterials sank signifikant.

Die vielleicht beeindruckendste Demonstration der Anpassungsfähigkeit des Systems kam, als es angewiesen wurde, ein Teil zur Handhabung von Hitze umzugestalten. Die Simulation zeigte, dass sich in einem spezifischen Bereich des Brackets Hitze aufstaute, was das Metall schwächen könnte. Der Agent schlug eine Reihe von Änderungen an der Form des Teils vor, um den Wärmefluss zu verbessern. Er schlug vor, scharfe Ecken abzurunden und schmale Lücken zu füllen. Nach erneuter Durchführung der Simulationen stellte das System fest, dass eine dieser Änderungen die Spitzentemperatur um 160 Grad Celsius senkte. Dies war eine massive Verbesserung, aber sie hatte einen Preis: Das Teil wurde etwas schwerer und verschob sich beim Entfernen der Stützen ein klein wenig mehr. Das System präsentierte diesen Zielkonflikt klar und zeigte dem Ingenieur, dass er zwischen einem kühleren Teil oder einem leichteren Teil entscheiden konnte – mit vollem Wissen über die Konsequenzen.

Während all dieser Tests wahrte das System eine strikte Trennung zwischen dem Schlussfolgern und der Messung. Der Language-Model-Agent konnte eine Änderung vorschlagen, aber er konnte keine Zahl erfinden. Wenn er wissen musste, wie dick eine Wand war, musste er ein Tool bitten, sie zu messen. Wenn er die Temperatur wissen musste, musste er eine Simulation bitten, sie zu berechnen. Dies stellte sicher, dass das System keine Fakten halluzinierte oder Daten erfand, um eine Geschichte zu stützen. Wenn das System einen Fehler machte, wie etwa bei den anfänglichen Problemen mit den Stützstrukturen, war es in der Lage, das Problem zu diagnostizieren, den zugrunde liegenden Code zu korrigieren und die Korrektur vor dem Fortfahren zu verifizieren. Diese Fähigkeit zur Selbstkorrektur und zur Anpassung der Verfahren, die sie zum Erstellen eines Designs nutzt, ist es, was AgenticDfAM von bisherigen Automatisierungsversuchen unterscheidet.

Die Forscher fanden heraus, dass das System in der Lage ist, komplexe Designherausforderungen erfolgreich zu bewältigen, die normalerweise ein Team von Ingenieuren und Stunden manueller Arbeit erfordern würden. Es konnte Verstöße identifizieren, mehrere Lösungen vorschlagen, deren Ergebnisse simulieren und sogar den Code korrigieren, den es zur Generierung dieser Lösungen verwendet. Im Fall der Klemme reduzierte das System die Anzahl der Versuche, das Stützdesign zu korrigieren, von zehn auf fünf. Es gelang ihm zudem, die Menge des verschwendeten Stützmaterials in einer Orientierung um fast 30 Prozent zu reduzieren. Diese Verbesserungen betrafen nicht nur die Geschwindigkeit, sondern auch das Finden besserer Lösungen, die ein Mensch möglicherweise übersehen hätte, weil er zu sehr auf eine einzelne Regel oder eine einzelne Beschränkung fokussiert war.

Die Arbeit zeigt, dass Künstliche Intelligenz ein mächtiger Partner im Ingenieurwesen sein kann, indem sie nicht den Ingenieur ersetzt, sondern die schwere Arbeit von Messung und Berechnung übernimmt. Das System fungiert als unermüdlicher Assistent, der niemals müde wird, Zahlen zu prüfen oder Simulationen durchzuführen. Es erlaubt dem menschlichen Ingenieur, sich auf das große Ganze zu konzentrieren: zu entscheiden, welche Zielkonflikte akzeptabel sind und was das fertige Teil leisten muss. Indem es Messungen und Schlussfolgerungen strikt trennt, stellt das System sicher, dass jede Entscheidung auf ein spezifisches Beweisstück zurückgeführt werden kann. Diese Transparenz ist entscheidend für Branchen wie die Luftfahrt oder die Medizin, in denen ein Fehler schwerwiegende Folgen haben kann.

Letztendlich zeigt AgenticDfAM einen Weg auf, wie wir die Dinge entwerfen, die wir bauen. Es geht über die Vorstellung hinaus, dass ein Computer lediglich eine Liste von Regeln prüft, und bewegt sich hin zu einem System, das den Kontext eines Designs verstehen, sein Verhalten vorhersagen und seine eigenen Methoden anpassen kann, um Probleme zu lösen. Das System behauptet nicht, alle Antworten zu haben, aber es bietet einen Weg, sie schneller und mit größerer Zuversicht zu finden. Es verwandelt den Designprozess in einen Dialog zwischen menschlicher Intention und maschineller Präzision, bei dem jeder Vorschlag durch eine Zahl gestützt wird und jede Zahl zur Überprüfung offenliegt. Dies ist nicht nur ein neues Werkzeug für Ingenieure; es ist eine neue Art des Denkens darüber, wie wir die komplexen Objekte erschaffen, die unsere moderne Welt ausmachen.