एक ऐसी दुनिया की कल्पना करें जहाँ जटिल धातु के पुर्जों को ठोस ब्लॉकों से तराशा नहीं जाता या सांचों में ढला नहीं जाता, बल्कि उन्हें पिघली हुई धातु की परतों को एक के ऊपर एक रखकर, एक थ्री-डी प्रिंटर की तरह बनाया जाता है। यह एडिटिव मैन्युफैक्चरिंग (योगात्मक विनिर्माण) है, एक ऐसी तकनीक जो उन आकृतियों को बनाने का वादा करती है जिन्हें बनाना पहले असंभव था। हालाँकि, इन पुर्जों का निर्माण करना एक नाजुक संतुलन है। यदि कोई दीवार बहुत पतली है, तो वह ढह सकती है; यदि कोई हिस्सा बिना किसी सहारे के बहुत दूर तक निकला हुआ है, तो वह गर्मी के कारण मुड़ सकता है। दशकों से, इंजीनियरों को अपने डिजाइनों की जांच नियमों की एक लंबी सूची के विरुद्ध मैन्युअल रूप से करनी पड़ती थी, यह अनुमान लगाने के लिए सिमुलेशन चलाना पड़ता था कि धातु कैसे व्यवहार करेगी, और फिर पुर्जे को दोबारा बनाना पड़ता था यदि कुछ गलत दिखता था। यह एक धीमी, दोहराव वाली प्रक्रिया है जहाँ मानवीय निर्णय कंप्यूटर के कच्चे आंकड़ों और कारखाने के फर्श की भौतिक वास्तविकता के बीच के अंतर को पाटता है।

अब, एक नया सिस्टम जिसे एजेंटिक डीएफएएम (AgenticDfAM) कहा जाता है, इस काम के होने के तरीके को बदल रहा है। केवल नियमों की एक स्थिर सूची के विरुद्ध डिजाइन की जांच करने के बजाय, यह सिस्टम बुद्धिमान सॉफ्टवेयर एजेंटों की एक टीम का उपयोग करता है जो तर्क कर सकते हैं, माप सकते हैं और यहाँ तक कि उन नियमों को भी फिर से लिख सकते हैं जिनका वे पालन कर रहे हैं। ये एजेंट केवल एक पुर्जे की तस्वीर नहीं देखते; वे अत्यधिक सटीकता के साथ ज्यामिति को मापने वाले विशेष उपकरणों के साथ इंटरैक्ट करते हैं। यदि कोई डिजाइन विफल हो जाता है, तो सिस्टम केवल त्रुटि को चिह्नित नहीं करता है; यह एक समाधान प्रस्तावित करता है, यह देखने के लिए एक सिमुलेशन चलाता है कि वह सुधार पुर्जे की मजबूती और तापमान को कैसे प्रभावित करता है, और फिर निर्णय लेता है कि क्या वह परिवर्तन करना सार्थक है। महत्वपूर्ण रूप से, सिस्टम को पारदर्शी बनाने के लिए डिज़ाइन किया गया है। इसके द्वारा लिया गया प्रत्येक निर्णय एक विशिष्ट माप या एक गणना किए गए नंबर द्वारा समर्थित होता है जिसे एक मानव इंजीनियर निरीक्षण और सत्यापित कर सकता है।

इस कार्य के पीछे के शोधकर्ताओं ने, जिसका नेतृत्व डेविड गुइर्गिस ने किया, यह देखना चाहा कि क्या वे इंजीनियरिंग के लिए आवश्यक कठोर मानकों को खोए बिना इस पूरी प्रक्रिया—डिजाइन, मूल्यांकन और मरम्मत—को स्वचालित कर सकते हैं। उन्होंने एक वर्कफ़्लो बनाया जहाँ एक लार्ज लैंग्वेज मॉडल (LLM) एक प्रबंधक के रूप में कार्य करता है, जो विशिष्ट कार्यों को संभालने के लिए विभिन्न सॉफ्टवेयर टूल्स के समन्वय करता है। एक टूल डिजिटल मॉडल में आकृतियों को पहचानता है, दूसरा दूरियों और कोणों को मापता है, और तीसरा जटिल भौतिक सिमुलेशन चलाता है ताकि यह अनुमान लगाया जा सके कि धातु कैसे गर्म और ठंडी होगी। लैंग्वेज मॉडल एजेंट इन टूल्स के परिणामों को पढ़ता है, उनके अर्थ की व्याख्या करता है, और तय करता है कि आगे क्या करना है। यदि किसी पुर्जे का कोई हिस्सा बहुत पतला है, तो एजेंट दीवार को मोटा करने का सुझाव दे सकता है। यदि इससे पुर्जा बहुत भारी हो जाता है, तो वह एक अलग आकार का सुझाव दे सकता है। सिस्टम प्रत्येक माप और प्रत्येक नियम का एक रनिंग लॉग रखता है, यह सुनिश्चित करता है कि अंतिम डिजाइन केवल एक अनुमान नहीं है, बल्कि ठोस डेटा पर आधारित एक समाधान है।

इस सिस्टम का परीक्षण करने के लिए, शोधकर्ताओं ने एक जटिल धातु ब्रैकेट के डिजिटल मॉडल से शुरुआत की। उन्होंने इसे एक विशिष्ट प्रकार के निकल मिश्र धातु (nickel alloy) के लिए विनिर्माण दिशानिर्देशों के साथ वर्कफ़्लो में डाला। सिस्टम ने तुरंत अपना काम शुरू कर दिया, अपने डिजाइन को उसके ज्यामितीय फीचर्स में तोड़ दिया और नियमों के विरुद्ध उनकी माप की। इसने कई उल्लंघन पाए, जैसे कि बहुत पतली दीवारें और बहुत अधिक झुके हुए ओवरहैंग्स। एजेंट ने फिर इन समस्याओं को ठीक करने के तीन अलग-अलग तरीके तैयार किए। एक रणनीति ने पुर्जे के समग्र आकार को बिल्कुल वैसा ही रखा लेकिन कमजोर स्थानों को मजबूत करने के लिए सामग्री जोड़ दी। दूसरी रणनीति ने पुर्जे को हल्का बनाने के लिए कुछ सामग्री हटा दी। तीसरी पद्धति ने दोनों के बीच संतुलन बनाने का प्रयास किया। सिस्टम ने वास्तविक प्रिंटिंग प्रक्रिया के दौरान इन नए संस्करणों के व्यवहार को देखने के लिए प्रत्येक पर सिमुलेशन चलाया।

परिणामों ने दिखाया कि केवल ज्यामितीय त्रुटियों को ठीक करना पर्याप्त नहीं था। वह संस्करण जिसने कमजोर स्थानों को ठीक करने के लिए सबसे अधिक सामग्री जोड़ी थी, उसमें पुर्जे को प्रिंटर से निकालने के बाद मुड़ने (warping) की मात्रा सबसे कम थी। हालाँकि, वह संस्करण जिसने वजन बचाने के लिए सामग्री हटाई थी, वास्तव में कुछ दिशाओं में अधिक मुड़ा, भले ही उसने सभी बुनियादी ज्यामितीय नियमों को पूरा किया था। यह खोज पारंपरिक डिजाइन टूल्स की एक प्रमुख सीमा को उजागर करती है: वे अक्सर एक समय में एक ही समस्या को देखते हैं। इसके विपरीत, एजेंटिक डीएफएएम व्यापार-बंद (trade-offs) देख सकता था। इसने दिखाया कि एक तरीके से पुर्जे को मजबूत बनाने से वह दूसरे तरीके से कमजोर हो सकता है, और इसने इंजीनियर को इन परिणामों को धातु पिघलने से पहले ही देखने की अनुमति दी।

सिस्टम उन समस्याओं को संभालने में भी सक्षम सिद्ध हुआ जो उसकी मूल नियमों की सूची में नहीं थीं। एक प्रयोग में, शोधकर्ताओं ने सिस्टम को एक क्लैंप के लिए सपोर्ट स्ट्रक्चर डिजाइन करने के लिए कहा। ये सपोर्ट संरचनाएं अस्थायी मचान (scaffolds) होती हैं जो प्रिंट होते समय पुर्जे को थामे रखती हैं। सिस्टम ने एक डिजाइन तैयार किया, लेकिन जब एक मानव समीक्षक ने इसे देखा, तो उन्होंने कुछ अजीब देखा: सपोर्ट पुर्जे की सतह के ऊपर थे जहाँ उन्हें नहीं होना चाहिए था, न कि उसके नीचे। केवल इसे एक मानवीय त्रुटि के रूप में चिह्नित करने के बजाय, एजेंट ने इसकी जांच की। उसने सॉफ्टवेयर से पूछा कि सपोर्ट और पुर्जे की सतह के बीच की दूरी कितनी है और महसूस किया कि सपोर्ट उत्पन्न करने वाला कोड घुमावदार सतहों के साथ गलती कर रहा था। एजेंट ने त्रुटि को ठीक करने के लिए कोड को फिर से लिखा, एक सपाट सतह और एक घुमावदार सतह पर नए कोड को सत्यापित किया, और पूरी प्रक्रिया को फिर से चलाया। इस बार, सपोर्ट सही ढंग से रखे गए थे, और बर्बाद होने वाली सपोर्ट सामग्री की मात्रा काफी कम हो गई।

शायद सिस्टम की अनुकूलन क्षमता का सबसे प्रभावशाली प्रदर्शन तब आया जब इसे गर्मी को संभालने के लिए एक पुर्जे को फिर से डिजाइन करने के लिए कहा गया। सिमुलेशन ने दिखाया कि ब्रैकेट के एक विशिष्ट क्षेत्र में गर्मी बढ़ रही थी, जो धातु को कमजोर कर सकती थी। एजेंट ने गर्मी के प्रवाह को बेहतर बनाने के लिए पुर्जे के आकार में बदलाव का एक क्रम प्रस्तावित किया। इसने नुकीले कोनों को गोल करने और संकीर्ण अंतराल को भरने का सुझाव दिया। फिर से सिमुलेशन चलाने के बाद, सिस्टम ने पाया कि इनमें से एक बदलाव ने पीक टेम्परेचर को 160 डिग्री सेल्सियस कम कर दिया। यह एक बड़ा सुधार था, लेकिन इसकी एक कीमत थी: पुर्जा थोड़ा भारी हो गया और सपोर्ट हटाने पर थोड़ा अधिक हिल गया। सिस्टम ने इस ट्रेड-ऑफ को स्पष्ट रूप से प्रस्तुत किया, यह दिखाते हुए कि इंजीनियर के पास एक ठंडा पुर्जा या एक हल्का पुर्जा चुनने का विकल्प है, और इसके परिणामों का पूर्ण ज्ञान है।

इन परीक्षणों के दौरान, सिस्टम ने तर्क (reasoning) और माप के बीच एक सख्त अलगाव बनाए रखा। लैंग्वेज मॉडल एजेंट बदलाव का सुझाव दे सकता था, लेकिन वह कोई संख्या ईजाद नहीं कर सकता था। यदि उसे दीवार की मोटाई जानने की आवश्यकता थी, तो उसे मापने के लिए एक टूल से पूछना ही था। यदि उसे तापमान जानने की आवश्यकता थी, तो उसे गणना करने के लिए एक सिमुलेशन से पूछना था। इसने सुनिश्चित किया कि सिस्टम तथ्य गढ़ न सके या डेटा को कहानी के अनुकूल न बना सके। जब सिस्टम ने गलती की, जैसे कि शुरुआती सपोर्ट स्ट्रक्चर वाली त्रुटि, तो वह समस्या का निदान करने, अंतर्निहित कोड को ठीक करने और आगे बढ़ने से पहले सुधार को सत्यापित करने में सक्षम था। अपनी डिजाइन बनाने के लिए उपयोग की जाने वाली प्रक्रियाओं को सुधारने और अनुकूलित करने की यह क्षमता एजेंटिक डीएफएएम को पिछले स्वचालन प्रयासों से अलग करती है।

शोधकर्ताओं ने पाया कि सिस्टम उन जटिल डिजाइन चुनौतियों को सफलतापूर्वक नेविगेट कर सकता है जिनमें आमतौर पर इंजीनियरों की एक टीम और घंटों के मैन्युअल काम की आवश्यकता होती है। यह उल्लंघनों की पहचान कर सकता है, कई समाधान प्रस्तावित कर सकता है, उनके परिणामों का सिमुलेशन कर सकता है, और यहाँ तक कि उन समाधानों को उत्पन्न करने के लिए उपयोग किए जाने वाले कोड को भी ठीक कर सकता है। क्लैंप के मामले में, सिस्टम ने सपोर्ट डिजाइन को ठीक करने के लिए कितनी बार वापस जाना पड़ता था, उसे दस प्रयासों से घटाकर पांच कर दिया। इसने एक ओरिएंटेशन में बर्बाद होने वाली सपोर्ट सामग्री की मात्रा को लगभग 30 प्रतिशत तक कम करने में भी सफलता प्राप्त की। ये सुधार केवल गति के बारे में नहीं थे; ये बेहतर समाधान खोजने के बारे में थे जिन्हें एक मानव शायद मिस कर देता क्योंकि वह एक अकेले नियम या एक अकेले प्रतिबंध पर बहुत अधिक केंद्रित होता।

यह कार्य प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस इंजीनियरिंग में एक शक्तिशाली साथी हो सकता है, इंजीनियर को बदलने के बजाय, माप और गणना के भारी काम को संभालने के लिए। यह एक अथक सहायक के रूप में कार्य करता है जो संख्याओं की जांच करने या सिमुलेशन चलाने से कभी नहीं थकता। यह मानव इंजीनियर को बड़े चित्र (bigger picture) पर ध्यान केंद्रित करने की अनुमति देता है: यह तय करना कि कौन से ट्रेड-ऑफ स्वीकार्य हैं और अंतिम पुर्जे को क्या करना चाहिए। माप और तर्क को अलग रखकर, सिस्टम यह सुनिश्चित करता है कि प्रत्येक निर्णय को एक विशिष्ट साक्ष्य से जोड़ा जा सके। यह पारदर्शिता एयरोस्पेस और चिकित्सा जैसे उद्योगों के लिए महत्वपूर्ण है, जहाँ एक गलती के गंभीर परिणाम हो सकते हैं।

अंत में, एजेंटिक डीएफएएम यह दिखाता है कि हम जिन चीजों का निर्माण करते हैं उन्हें डिजाइन करने के भविष्य का रास्ता क्या है। यह केवल कंप्यूटर द्वारा नियमों की सूची की जांच करने के विचार से आगे बढ़कर एक ऐसे सिस्टम की ओर बढ़ता है जो डिजाइन के संदर्भ को समझ सकता है, उसके व्यवहार का अनुमान लगा सकता है, और समस्याओं को हल करने के लिए अपने स्वयं के तरीकों को अनुकूलित कर सकता है। सिस्टम यह दावा नहीं करता है कि उसके पास सभी उत्तर हैं, लेकिन यह उन्हें तेजी से और अधिक विश्वास के साथ खोजने का एक तरीका प्रदान करता है। यह डिजाइन प्रक्रिया को मानवीय इरादे और मशीन की सटीकता के बीच एक बातचीत में बदल देता है, जहाँ प्रत्येक सुझाव एक संख्या द्वारा समर्थित होता है, और प्रत्येक संख्या निरीक्षण के लिए खुली होती है। यह इंजीनियरों के लिए केवल एक नया टूल नहीं है; यह उन जटिल वस्तुओं को बनाने के तरीके के बारे में सोचने का एक नया तरीका है जो हमारी आधुनिक दुनिया का निर्माण करती हैं।