Résumé technique : Optimisation topologique auto-réfléchie via un cadre multi-agents basé sur un LLM

1. Énoncé du problème

L'optimisation topologique est une méthode de conception computationnelle utilisée pour déterminer les distributions de matériaux optimales au sein d'un domaine prescrit. Bien que les algorithmes numériques pour résoudre ces problèmes soient bien établis, le flux de travail repose traditionnellement fortement sur une intervention humaine continue et exigeante en expertise. Les ingénieurs doivent manuellement traduire les exigences de conception en spécifications mathématiques, ajuster les paramètres numériques (par exemple, rayons de filtrage, netteté de projection), résoudre les erreurs computationnelles et effectuer des évaluations multimodales de la conception convergée (vérification de la faisabilité physique, des motifs en damier et de la stabilité de la convergence).

Les modèles de langage actuels (LLM) montrent des promesses pour automatiser les tâches d'ingénierie, mais les approches à passage unique des LLM échouent souvent dans l'optimisation topologique. Cela s'explique par le fait que le processus n'est pas une simple tâche de génération ; il nécessite un raffinement itératif à travers plusieurs étapes (formulation, codage, exécution et évaluation post-convergence). Un LLM unique lutte souvent avec des problèmes qui s'écartent de sa distribution d'entraînement préalable, tels que des formulations basées sur la contrainte ou des variations spécifiques des conditions aux limites, conduisant à une non-convergence, une instabilité numérique ou des conceptions qui ne répondent pas à l'intention de l'utilisateur. Les systèmes multi-agents existants en ingénierie se sont principalement concentrés sur la génération de concepts ou la correction d'erreurs d'exécution, manquant de mécanismes robustes pour évaluer les résultats convergés par rapport aux conventions de qualité de conception et à l'intention de l'utilisateur.

2. Méthodologie : TopOptAgents

Les auteurs proposent TopOptAgents, un cadre multi-agents conçu pour automatiser l'ensemble du flux de travail d'optimisation topologique, y compris la prise de décision et l'auto-réflexion itérative. Le système utilise six agents basés sur des LLM qui collaborent à travers trois boucles de raffinement distinctes et un mécanisme de feedback initié par l'utilisateur.

Rôles des agents

Le cadre décompose le flux de travail en étapes d'observation, de planification, d'action et de révision :

• Agent Scientifique : Traduit les requêtes utilisateur en langage naturel en formulations de problèmes mathématiques structurées (Éq. 1), identifiant les variables de conception, les contraintes, les équations gouvernantes et les dépendances. Il peut injecter un contexte conditionnel (par exemple, des méthodologies spécifiques aux contraintes) si le problème sort des distributions d'entraînement standard.
• Agent Validateur : Agit comme un vérificateur pré-exécution, s'assurant que la formulation de l'Scientifique est cohérente avec les exigences de l'utilisateur, vérifiant les instabilités numériques (par exemple, singularités, rapports d'aspect de maillage) et corrigeant les erreurs de conditions aux limites.
• Agent Planificateur : Décompose le problème vérifié en un plan étape par étape pour la génération de code, spécifiant les fonctions, les paramètres et la structure de la boucle itérative.
• Équipe de génération de code : Comprend trois agents :
  • Codeur : Écrit le script Python (en utilisant des bibliothèques comme FEniCS et pyOptSparse) basé sur la liste de tâches du Planificateur.
  • Exécuteur : Un agent non-LLM qui exécute le code dans un sous-processus.
  • Relecteur : Analyse les journaux d'exécution et les messages d'erreur, renvoyant des corrections au Codeur si des erreurs d'exécution se produisent.
• Agent Critique : Le cœur de l'évaluation post-convergence. Il évalue la conception optimisée finale et les journaux de convergence selon une grille à quatre parties :
  1. Validité de la sortie : S'assurer que les fichiers ne sont ni vides ni triviaux.
  2. Cohérence de la formulation du problème : Vérifier que l'objectif, les contraintes et les conditions aux limites correspondent à l'intention de l'utilisateur.
  3. Convergence : Évaluer le nombre d'itérations et l'état de terminaison du solveur.
  4. Qualité de conception : Inspecter visuellement la disposition pour détecter des problèmes tels que des motifs en damier, des régions grises ou des membres déconnectés.

Boucles de raffinement

Le cadre emploie trois boucles internes d'auto-réflexion pour gérer les échecs à différentes étapes :

1. Boucle Validateur–Scientifique : Opère avant la génération de code. Elle corrige les incohérences au niveau des spécifications (par exemple, positions des charges, paramètres manquants) soit directement, soit en demandant une reformulation à l'Scientifique.
2. Boucle Relecteur–Codeur : Opère pendant l'exécution. Elle gère les erreurs d'exécution, les problèmes de syntaxe et les fonctions de bibliothèque manquantes en corrigeant itérativement le code jusqu'à ce que l'exécution soit réussie.
3. Boucle pilotée par le Critique : Opère après la production d'une solution convergée. Si le résultat échoue à la grille de qualité (par exemple, faible discrétisation ou contraintes non correspondantes), le Critique identifie l'échec spécifique, l'assigne à l'agent en amont responsable et déclenche une ré-exécution avec des paramètres ou des formulations affinés.
4. Boucle initiée par l'utilisateur : Permet aux utilisateurs de fournir un feedback (par exemple, "ajouter un trou") après une exécution réussie, déclenchant un nouveau cycle qui conserve l'état de mémoire partagé des itérations précédentes.

3. Contributions clés

• Flux de travail autonome de bout en bout : L'étude présente un système qui automatise non seulement la génération de code, mais également les étapes critiques de prise de décision de l'optimisation topologique, y compris l'évaluation des conceptions convergées par rapport à la faisabilité physique et à l'intention de l'utilisateur.
• Auto-réflexion multi-étapes : Contrairement aux travaux précédents se concentrant sur les erreurs au moment de la génération, TopOptAgents introduit un agent Critique post-convergence capable de détecter des résultats "convergés mais erronés" (par exemple, des conceptions avec des motifs en damier ou des formulations de contraintes incorrectes) et d'initier des raffinements ciblés.
• Injection de contexte conditionnel : Le cadre adresse la limitation des LLM sur des classes de problèmes éparses (comme la minimisation des contraintes) en injectant dynamiquement un contexte spécifique au domaine pertinent dans l'invite de l'agent Scientifique sans modifier le modèle sous-jacent.
• Évaluation multimodale : L'agent Critique utilise à la fois les journaux textuels et les dispositions visuelles de conception pour évaluer la convergence et la qualité, imitant l'inspection multimodale effectuée par les ingénieurs humains.

4. Résultats

Le cadre a été évalué sur trois problèmes de référence sélectionnés pour varier dans leur représentation au sein de la distribution d'entraînement du LLM pré-entraîné :

1. Minimisation de la compliance d'une poutre en console : Un problème canonique avec une couverture d'entraînement élevée.
2. Minimisation de la compliance d'une poutre MBB : Un problème modérément couvert avec une variante spécifique de position de charge.
3. Minimisation des contraintes d'une poutre en L : Un problème avec une couverture d'entraînement éparse, impliquant une agrégation de contraintes et des singularités géométriques.

Comparaison des performances :

• Référence à passage unique : Un LLM à passage unique de pointe (GPT-5.4 Thinking) a atteint un taux de réussite de 80 % sur le problème de poutre en console, mais est tombé à 60 % sur la variante MBB et seulement 10 % sur le problème de contraintes en L.
• TopOptAgents : Le système multi-agents a atteint un taux de réussite de 100 % sur les problèmes de poutre en console et MBB. Sur le problème de contraintes en L difficile, le taux de réussite est passé de 10 % (référence) à 80 %.
• Dynamique de raffinement : Le nombre d'itérations d'auto-réflexion était corrélé à la complexité du problème. Le problème de poutre en console n'a requis aucun raffinement. Le problème MBB a requis un raffinement modeste (principalement dans les boucles Validateur-Scientifique et Relecteur-Codeur). Le problème en L a requis jusqu'à 12 itérations, utilisant massivement la boucle pilotée par le Critique pour corriger les problèmes de qualité de conception (par exemple, motifs en damier, régions grises) et les incohérences de formulation que la référence à passage unique avait manquées.

5. Signification et revendications

L'article revendique que l'auto-réflexion élargit considérablement la gamme de problèmes d'optimisation topologique que l'automatisation basée sur les LLM peut traiter de manière fiable.

• Récupération des taux de réussite : La contribution principale est la démonstration qu'un cadre multi-agents avec auto-réflexion itérative peut récupérer les taux de réussite sur des problèmes où les LLM à passage unique échouent, en particulier pour les classes de problèmes avec une exposition limitée dans les données d'entraînement du LLM.
• Au-delà de la génération : L'étude souligne que l'automatisation réussie nécessite plus que la simple synthèse de code ; elle nécessite une boucle de rétroaction qui évalue la qualité de la conception convergée par rapport aux conventions spécifiques au domaine (par exemple, absence de damier) et à l'intention de l'utilisateur.
• Portée modeste : Les auteurs reconnaissent que l'efficacité du cadre est actuellement limitée par le corpus d'entraînement préalable et la capacité d'injecter du contexte. Les formulations qui ne sont ni bien documentées dans la littérature ni fournies comme contexte restent en dehors du domaine fiable. L'article suggère que des améliorations futures pourraient provenir du fine-tuning des LLM sur des données d'optimisation topologique ou de l'utilisation de la génération augmentée par récupération (RAG) avec une ontologie HyperGraph des connaissances en optimisation.
• Aucune implication future inventée : L'article ne prétend pas résoudre tous les problèmes de conception d'ingénierie ni remplacer entièrement les ingénieurs humains. Il positionne le cadre comme un outil pour réduire la charge manuelle de la prise de décision itérative et rendre l'optimisation topologique plus accessible et cohérente, en particulier pour les problèmes où les LLM standards ont des difficultés.