Imagine um mundo onde peças metálicas complexas não são esculpidas a partir de blocos sólidos ou fundidas em moldes, mas são construídas camada por camada, como uma impressora 3D empilhando metal fundido. Isso é a manufatura aditiva, uma tecnologia que promete criar formas anteriormente impossíveis de serem feitas. No entanto, construir essas peças é um delicado ato de equilíbrio. Se uma parede for muito fina, ela pode colapsar; se uma seção se projetar demais sem suporte, ela pode deformar sob o calor. Por décadas, engenheiros tiveram que verificar manualmente seus designs contra uma longa lista de regras, executar simulações para prever como o metal se comportará e, então, redesenhar a peça se algo parecer errado. É um processo lento e repetitivo onde o julgamento humano faz a ponte entre os números brutos de um computador e a realidade física do chão de fábrica.

Agora, um novo sistema chamado AgenticDfAM está mudando a forma como esse trabalho é realizado. Em vez de apenas verificar um design contra uma lista estática de regras, este sistema utiliza uma equipe de agentes de software inteligentes que podem raciocinar, medir e até reescrever as regras que estão seguindo. Esses agentes não apenas olham para uma imagem de uma peça; eles interagem com ferramentas especializadas que medem a geometria com extrema precisão. Se um design falha em uma verificação, o sistema não apenas sinaliza um erro; ele propõe um conserto, executa uma simulação para ver como esse conserto afeta a resistência e a temperatura da peça e, então, decide se a mudança vale a pena. Crucialmente, o sistema é projetado para ser transparente. Cada decisão que ele toma é respaldada por uma medição específica ou um número calculado que um engenheiro humano pode inspecionar e verificar.

Os pesquisadores por trás deste trabalho, liderados por David Guirguis, queram ver se poderiam automatizar todo esse ciclo de design, avaliação e reparo sem perder os rigorosos padrões exigidos pela engenharia. Eles construíram um fluxo de trabalho onde um modelo de linguagem de grande escala atua como um gerente, coordenando diferentes ferramentas de software para lidar com tarefas específicas. Uma ferramenta reconhece as formas em um modelo digital, outra mede distâncias e ângulos, e uma terceira executa simulações físicas complexas para prever como o metal irá aquecer e esfriar. O agente do modelo de linguagem lê os resultados dessas ferramentas, interpreta o que eles significam e decide o que fazer a seguir. Se uma peça tem uma seção que é muito fina, o agente pode sugerir o engrossamento da parede. Se isso tornar a peça muito pesada, ele pode sugerir uma forma diferente. O sistema mantém um registro contínuo de cada medição e de cada regra aplicada, garantindo que o design final não seja apenas um palpite, mas uma solução fundamentada em dados concretos.

Para testar este sistema, os pesquisadores começaram com um modelo digital de um suporte metálico complexo. Eles o inseriram no fluxo de trabalho junto com um conjunto de diretrizes de fabricação para um tipo específico de liga de níquel. O sistema imediatamente começou seu trabalho, decompondo o design em seus recursos geométricos e medindo-os contra as regras. Ele encontrou várias violações, como paredes que eram muito finas e sobrecargas que eram muito íngremes. O agente então gerou três maneiras diferentes de corrigir esses problemas. Uma estratégia manteve a forma geral da peça exatamente a mesma, mas adicionou material para fortalecer pontos fracos. Outra estratégia removeu algum material para tornar a peça mais leve. Uma terceira abordagem tentou equilibrar ambos. O sistema executou simulações em cada uma dessas novas versões para ver como elas se comportariam durante o processo real de impressão.

Os resultados mostraram que simplesmente corrigir os erros geométricos não era suficiente. A versão que adicionou mais material para corrigir os pontos fracos acabou tendo a menor quantidade de deformação quando a peça foi removida da impressora. No entanto, a versão que removeu material para economizar peso acabou deformando mais em certas direções, embora satisfizesse todas as regras básicas de geometria. Essa descoberta destaca uma limitação fundamental das ferramentas de design tradicionais: elas frequentemente olham para um problema de cada vez. O AgenticDfAM, por outro contraste, podia enxergar as compensações. Ele mostrou que tornar uma peça mais forte de uma maneira poderia torná-la mais fraca de outra, e permitiu que o engenheiro visse essas consequências antes mesmo do metal ser derretido.

O sistema também provou ser capaz de lidar com problemas que não estavam em sua lista original de regras. Em um experimento, os pesquisadores pediram ao sistema para projetar estruturas de suporte para um grampo. Esses suportes são andaimes temporários que seguram a peça enquanto ela está sendo impressa. O sistema gerou um design, mas quando um revisor humano olhou para ele, notou algo estranho: os suportes estavam sobre a superfície da peça onde não deveriam estar, em vez de estarem abaixo dela. Em vez de apenas sinalizar isso como um erro humano, o agente investigou. Ele pediu ao software para medir a distância entre o suporte e a superfície da peça e percebeu que o código usado para gerar os suportes estava cometendo um erro com superfícies curvas. O agente então reescreveu o código para corrigir o erro, verificou o novo código em uma superfície plana e uma curva, e executou todo o processo novamente. Desta vez, os suportes foram colocados corretamente, e a quantidade de material de suporte desperdiçado caiu significativamente.

Talvez a demonstração mais marcante da adaptabilidade do sistema tenha ocorrido quando ele foi solicitado a redesenhar uma peça para lidar com o calor. A simulação mostrou que o calor estava se acumulando em uma área específica do suporte, o que poderia enfraquecer o metal. O agente propôs uma série de mudanças na forma da peça para melhorar como o calor flui através dela. Ele sugeriu arredondar cantos afiados e preencher lacunas estreitas. Após executar as simulações novamente, o sistema descobriu que uma dessas mudanças reduziu a temperatura máxima em 160 graus Celsius. Esta foi uma melhoria massiva, mas veio com um custo: a peça tornou-se ligeiramente mais pesada e deslocou-se um pouco mais quando os suportes foram removidos. O sistema apresentou essa compensação claramente, mostrando que o engenheiro poderia escolher entre uma peça mais fria ou uma mais leve, com pleno conhecimento das consequências.

Ao longo de todos esses testes, o sistema manteve uma separação estrita entre o raciocínio e a medição. O agente de modelo de linguagem podia sugerir uma mudança, mas não podia inventar um número. Se ele precisasse saber a espessura de uma parede, tinha que pedir a uma ferramenta para medi-la. Se precisasse saber a temperatura, tinha que pedir a uma simulação para calculá-la. Isso garantiu que o sistema não pudesse alucinar fatos ou inventar dados para sustentar uma história. Quando o sistema cometia um erro, como o erro inicial com as estruturas de suporte, ele era capaz de diagnosticar o problema, corrigir o código subjacente, verificar a correção e prosseguir. Essa capacidade de autocorreção e de adaptar os próprios procedimentos que utiliza para construir um design é o que diferencia o AgenticDfAM de outras tentativas de automação.

Os pesquisadores descobriram que o sistema conseguia navegar com sucesso por desafios de design complexos que normalmente exigem uma equipe de engenheiros e horas de trabalho manual. Ele podia identificar violações, propor múltiplas soluções, simular seus resultados e até corrigir o código que utiliza para gerar essas soluções. No caso do grampo, o sistema reduziu o número de vezes que precisava voltar para corrigir o design do suporte de dez tentativas para cinco. Ele também conseguiu reduzir a quantidade de material de suporte desperdiçado em quase 30 por cento em uma orientação. Essas melhorias não foram apenas sobre velocidade; foram sobre encontrar soluções melhores que um humano poderia ter perdido por estar focado demais em uma única regra ou em uma única restrição.

O trabalho demonstra que a inteligência artificial pode ser uma parceira poderosa na engenharia, não substituindo o engenheiro, mas lidando com o trabalho pesado de medição e cálculo. O sistema atua como um assistente incansável que nunca se cansa de verificar números ou executar simulações. Ele permite que o engenheiro humano foque no quadro geral: decidir quais compensações são aceitáveis e o que a peça final precisa fazer. Ao manter as medições e o raciocínio separados, o sistema garante que cada decisão possa ser rastreada até uma evidência específica. Essa transparência é crucial para indústrias como a aeroespacial e a médica, onde um erro pode ter consequências graves.

No fim, o AgenticDfAM mostra um caminho a seguir para como projetamos as coisas que construímos. Ele vai além da ideia de um computador simplesmente verificando uma lista de regras e caminha para um sistema que pode entender o contexto de um design, prever seu comportamento e adaptar seus próprios métodos para resolver problemas. O sistema não afirma ter todas as respostas, mas fornece uma maneira de encontrá-las mais rápido e com maior confiança. Ele transforma o processo de design em uma conversa entre a intenção humana e a precisão da máquina, onde cada sugestão é respaldada por um número, e cada número está aberto à inspeção. Este não é apenas um novo instrumento para engenheiros; é uma nova forma de pensar sobre como criamos os objetos complexos que compõem o nosso mundo moderno.