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

Dit artikel introduceert een multi-agent AI-framework dat grote taalmodellen combineert met technische documentatie om autonome en correcte code te genereren voor industriële procesflowsheet-simulaties in de in-house tool Chemasim.

De kern

Stel je voor dat je een gigantische, complexe chemische fabriek moet ontwerpen. Normaal gesproken is dit het werk van een team van hoogopgeleide ingenieurs die jarenlang studeren, met pen en papier (of dure software) schetsen maken, en eindeloos testen of hun plannen werken. Het is als het bouwen van een kathedraal: elke steen moet perfect passen, anders stort het hele gebouw in.

Dit artikel beschrijft een revolutionaire nieuwe manier om dit te doen, waarbij kunstmatige intelligentie (AI) de rol van de architect en de bouwvakker overneemt. Maar niet zomaar een AI, maar een slim team van twee digitale "agenten" die samenwerken.

Hier is de uitleg, vertaald naar alledaagse taal:

1. Het Probleem: De "Taal" van de Chemische Wereld

Chemische software (zoals het interne programma van BASF, genaamd Chemasim) praat een heel specifieke taal. Het is geen gewone programmeertaal zoals Python, maar een eigen dialect met strenge regels.

• De uitdaging: Een gewone AI (zoals een chatbot) kent deze taal niet. Het is alsof je iemand vraagt om een boek te schrijven in een taal die niemand buiten de fabrieksmuren spreekt. Als je de AI vraagt om een fabriek te ontwerpen, zal hij waarschijnlijk "onzin" genereren die de computer niet begrijpt.

2. De Oplossing: Twee Slimme Agenten

De auteurs hebben een systeem bedacht met twee AI-agenten die als een perfect team werken. Je kunt ze zien als een Architect en een Bouwkundige.

Agent 1: De Architect (De "Procesontwikkelaar")

• Wat doet hij? Hij denkt na over het wat en het waarom. Hij krijgt een opdracht: "Maak een fabriek die benzine omzet in een nieuwe stof."
• Hoe werkt het? Hij gebruikt zijn kennis van scheikunde en wiskunde. Hij berekent hoeveel stoffen er nodig zijn, welke temperaturen er werken en hoe de stoffen door elkaar gaan. Hij maakt een schets van het proces, net als een menselijke ingenieur.
• Zijn kracht: Hij heeft toegang tot rekenhulpmiddelen om complexe thermodynamische puzzels op te lossen (bijvoorbeeld: "Hoe scheiden we twee vloeistoffen die zich niet laten scheiden?").

Agent 2: De Bouwkundige (De "Chemasim Modeller")

• Wat doet hij? Hij vertaalt de schets van de Architect naar de specifieke taal van de software. Hij is de vertaler.
• Hoe werkt het? Hij kijkt naar de instructies van de Architect en schrijft de code die de computer nodig heeft om de fabriek te bouwen.
• Zijn trucje: Omdat hij de taal niet van nature kent, heeft hij een "handboek" en "voorbeeldzinnen" (context) gekregen. Hij leert door te kijken naar voorbeelden, net als een kind dat leert praten door te luisteren.
• Zijn superkracht: Hij kan de software zelf aansturen. Als de computer een foutmelding geeft ("Oeps, deze temperatuur is te hoog"), kijkt de Bouwkundige naar de fout, corrigeert de code, en probeert het opnieuw. Hij doet dit totdat de simulatie perfect werkt.

3. Hoe het in de praktijk werkt: De "Stap-voor-stap" Bouw

In plaats van dat de AI probeert de hele fabriek in één keer te bouwen (wat vaak mislukt), laten de auteurs de agenten stap voor stap werken.

• Stel je voor dat je een huis bouwt. Je bouwt eerst de fundering, test of die stabiel is. Dan bouw je de eerste verdieping, test je weer, en ga je pas verder.
• De AI-agent doet precies hetzelfde. Hij voegt één apparaat toe (bijvoorbeeld een reactor), laat de computer testen of het werkt, en pas dan voegt hij de volgende toe. Dit voorkomt dat het hele project in elkaar stort door één klein foutje.

4. De Test: Drie Uitdagingen

De auteurs hebben dit systeem getest op drie verschillende scenario's, alsof ze drie verschillende soorten gebouwen moesten ontwerpen:

1. Een reactie-scheiding: Een fabriek waar stoffen worden gemengd en gescheiden. De AI bedacht een slimme route om bijproducten opnieuw te gebruiken.
2. Drukverandering: Het scheiden van stoffen die normaal gesproken niet te scheiden zijn, door de druk in de kolommen te veranderen (zoals water koken op een bergtop). De AI bedacht een systeem met twee kolommen op verschillende drukken.
3. Een "hulpstof" kiezen: Bij het scheiden van water en een andere stof, moet je soms een derde stof toevoegen (een "entrainer") om het te laten werken. De AI kon kiezen tussen verschillende opties en bedacht welke het beste werkte, zelfs als dat betekende dat ze een extra kolom moesten bouwen om energie te besparen.

5. De Grenzen en de Toekomst

Het systeem werkt verrassend goed, maar het is nog niet perfect.

• Waar het vastloopt: Als de chemische puzzel te ingewikkeld wordt (bijvoorbeeld met heel veel stoffen die op rare manieren met elkaar reageren), raakt de AI in de war. Hij kan dan geen goed ontwerp maken. Het is alsof je een kind vraagt om een quantumcomputer te ontwerpen; het is simpelweg te complex voor de huidige "kennis" van de AI.
• De toekomst: De auteurs denken dat we in de toekomst minder naar schermen met knoppen en menu's zullen kijken (zoals nu bij veel software), maar meer naar tekst. Je geeft een AI een opdracht in gewone taal, en hij bouwt de complexe simulatie voor je.

Samenvatting in één zin

Dit artikel laat zien dat we met twee samenwerkende AI-agenten (een denker en een vertaler) nu zelfstandig complexe chemische fabrieken kunnen ontwerpen en testen, zolang we ze maar de juiste instructies en voorbeelden geven om hun eigen specifieke "taal" te leren. Het is een enorme stap richting een toekomst waar AI ons helpt om schoner en efficiënter chemische producten te maken.

Technische samenvatting

Probleemstelling

De chemische industrie staat voor grote uitdagingen bij het aanpassen van processen aan nieuwe grondstoffen (zoals biomassa of CO2). Traditionele procesontwikkeling is een iteratief, grotendeels sequentieel proces waarbij conceptuele stroomschema's worden ontwikkeld op basis van heuristieken en vervolgens worden gesimuleerd. Hoewel er methoden zijn voor optimalisatie binnen een vastgestelde structuur, blijft het vinden van de optimale processtructuur (proces synthes) een complex probleem.

Bestaande oplossingen, zoals Reinforcement Learning (RL), hebben beperkingen: ze zijn vaak beperkt tot vereenvoudigde modellen, vereisen een vooraf gedefinieerde superstructuur en hebben moeite met generalisatie naar nieuwe mengsels. Daarnaast is de integratie van AI in industriële simulatieomgevingen lastig omdat deze vaak grafische interfaces gebruiken of specifieke, niet-standaard syntax vereisen waarvoor grote taalmodellen (LLMs) niet zijn getraind.

De kernvraag: Kunnen Agentic AI-systemen (LLMs met redeneervermogen en tool-gebruik) autonoom chemische procesmodellen ontwerpen en implementeren in een industriële simulatietool zonder dat deze tools specifiek voor het model zijn getraind?

Methodologie

De auteurs presenteren een multi-agent systeem dat is geïntegreerd in Chemasim, een in-house tekstgebaseerd procesmodelleringsinstrument van BASF. Het systeem bestaat uit twee gespecialiseerde agents die samenwerken:

1. Process Development Agent (Procesontwikkeling):

   • Taak: Lost abstracte proces-syntheseproblemen op (bijv. het ontwerpen van een scheidingsvolgorde).
   • Capaciteiten: Heeft toegang tot tools voor thermodynamische berekeningen (zoals het berekenen van azeotropen en mengbaarheidsgaten) en kan vrij Python-code schrijven voor massabalansberekeningen.
   • Werkwijze: Analyseert het thermodynamische systeem, stelt een procesconcept op en genereert een gedetailleerde, unit-per-unit documentatie met schattingen voor stromen en samenstellingen. Deze agent krijgt geen context over de specifieke syntax van Chemasim om cross-contaminatie van kennis te voorkomen.

2. Chemasim Modelling Agent (Implementatie):

   • Taak: Implementeert het ontwerp van de eerste agent in geldige Chemasim-syntax.
   • Capaciteiten: Heeft toegang tot technische documentatie, commentaarrijke voorbeelden en handleidingen (context) voor Chemasim. Kan bestanden direct lezen, bewerken en simulaties uitvoeren via een VS Code-extensie.
   • Werkwijze: Gebruikt In-Context Learning (zonder fine-tuning) om de syntax te leren. Het volgt strikte instructies:
     • Implementatie unit-per-unit (niet het hele schema in één keer) om convergentie te waarborgen.
     • Gebruik van "best practices" voor destillatiekolommen (eerst vaste doorstroming/reflux, later specificaties op zuiverheid).
     • Autonomisch reageren op foutmeldingen en het aanpassen van het model tot de simulatie convergeert.

Technische Implementatie:
Het systeem draait in Visual Studio Code met GitHub Copilot als basis. De agents communiceren via prompts en kunnen de simulatie-engine direct aansturen. De tekstgebaseerde aard van Chemasim maakt het mogelijk dat de agent bestanden manipuleert met dezelfde flexibiliteit als een menselijke gebruiker, in tegenstelling tot API-beperkingen bij grafische simulators.

Belangrijkste Bijdragen

1. Agentic AI Framework voor Procesontwikkeling: Een nieuw architectuurconcept dat de abstracte procesontwerp-taak scheidt van de technische implementatie, waarbij elke agent gespecialiseerde tools en context gebruikt.
2. In-Context Learning voor Domein-specifieke Syntax: Het aantonen dat state-of-the-art LLMs (zoals Claude Opus 4.6) geldige syntax kunnen genereren voor een zeldzame, interne taal (Chemasim) puur op basis van context (documentatie en voorbeelden), zonder dat fine-tuning nodig is.
3. Autonome Simulatie-Interactie: Een framework dat niet alleen code genereert, maar ook actief de simulatie uitvoert, fouten analyseert en het model corrigeert totdat een convergent oplossing is gevonden.
4. Validatie in Industriële Context: Toepassing op complexe, industriële casussen (reactie-scheiding, drukwisseldestillatie, hetero-azeotrope destillatie) met gemaskerde componenten om te bewijzen dat de AI op basis van fundamentele principes redeneert en niet op memoriseren.

Resultaten

Het systeem werd getest op drie casestudies:

• Casus 1: Reactie-Scheidingsproces (Ethylbenzeen): De agent ontwierp een proces met twee reactoren en destillatiekolommen. De massabalansschattingen van de ontwerper-agent kwamen zeer goed overeen met de strenge simulatieresultaten. De modellering-agent slaagde erin de recyclestromen correct te specificeren om convergentie te garanderen.
• Casus 2: Drukwisseldestillatie (Pressure-Swing Distillation): De agent ontwierp succesvolle scheidingssequenties voor zowel een minimum-azeotroop (n-propanol/benzeen) als een maximum-azeotroop (aceton/chloroform). De agent begreep het concept van drukafhankelijkheid en paste de kolomdrukken en recyclestromen correct aan.
• Casus 3: Hetero-azeotrope Destillatie met Entrainer-selectie: De agent kon verschillende entrainers (benzeen vs. dimethylcarbonaat) evalueren op basis van mengbaarheidsgaten. Het ontwierp zowel een klassieke één-kolomsoplossing als een geoptimaliseerde variant met voorafscheiding, waarbij de energiebehoefte met >60% kon worden verlaagd volgens de simulaties.

Beperkingen:
Bij zeer complexe systemen (bijv. ternaire systemen met meerdere azeotropen en kromme destillatiegrenzen) faalde de agent soms in het vinden van de juiste topologie (bijv. het niet herkennen van een haalbare drukwisseldestillatie voor een specifiek mengsel). De agent had moeite met het interpreteren van complexe thermodynamische beperkingen zonder specifieke hulpmiddelen voor haalbaarheidsanalyse.

Betekenis en Toekomstperspectief

De studie toont aan dat Agentic AI een veelbelovende route is voor autonome procesontwikkeling. De belangrijkste implicaties zijn:

• Versnelling van Ontwerp: Het vermogen om van een concept naar een werkend, convergent simulatiemodel te gaan zonder menselijke tussenkomst in de syntax.
• Verschuiving in Interface: De tekstgebaseerde aanpak suggereert een toekomst waarin grafische interfaces voor procesmodelleren minder belangrijk worden ten gunste van directe tekstuele interactie met experttools.
• Toekomstige Richtingen: Om de complexiteit aan te kunnen, moeten toekomstige systemen worden uitgerust met geavanceerdere hulpmiddelen voor thermodynamische haalbaarheidsanalyse (bijv. het berekenen van destillatiegebieden) en numerieke optimalisatie. Ook een betere feedbacklus tussen de ontwerper- en modellering-agent is essentieel om fouten in het conceptuele ontwerp vroegtijdig te detecteren.

Kortom, dit paper bewijst dat moderne LLMs, wanneer ze correct worden georchestreerd in een multi-agent systeem met toegang tot de juiste context en tools, in staat zijn om complexe chemische procesontwerpen te genereren en direct in industriële simulatieomgevingen te implementeren.