技术摘要：基于大语言模型多智能体框架的自优化拓扑优化

1. 问题陈述

拓扑优化是一种计算设计方法，用于确定规定域内的最优材料分布。虽然求解这些问题的数值算法已相当成熟，但传统工作流程严重依赖持续且需要专业知识的干预。工程师必须手动将设计要求转化为数学规范，调整数值参数（例如滤波器半径、投影锐度），解决计算错误，并对收敛后的设计进行多模态评估（检查物理可行性、棋盘格模式和收敛稳定性）。

当前的大语言模型（LLM）在自动化工程任务方面展现出潜力，但单次通过（single-pass）的 LLM 方法在拓扑优化中往往失败。这是因为该过程并非简单的生成任务；它需要在多个阶段（公式化、编码、执行和收敛后评估）进行迭代优化。单个 LLM 通常难以处理偏离其预训练分布的问题，例如应力驱动的公式或特定的边界条件变化，从而导致不收敛、数值不稳定或设计无法满足用户意图。现有的工程多智能体系统主要集中于概念生成或运行时错误修正，缺乏针对收敛结果与设计质量惯例及用户意图进行稳健评估的机制。

2. 方法论：TopOptAgents

作者提出了TopOptAgents，这是一个多智能体框架，旨在自动化整个拓扑优化工作流程，包括决策和迭代自优化。该系统利用六个基于 LLM 的智能体，通过三个不同的优化循环和一个用户发起的反馈机制进行协作。

智能体角色

该框架将工作流程分解为观察、规划、行动和修订阶段：

• 科学家智能体（Scientist Agent）： 将自然语言用户查询转化为结构化的数学问题公式（公式 1），识别设计变量、约束、控制方程及依赖关系。如果问题超出标准训练分布，它可以注入条件上下文（例如特定于应力的方法）。
• 验证器智能体（Validator Agent）： 充当预执行检查器，确保科学家的公式与用户需求一致，检查数值不稳定性（例如奇点、网格长宽比），并修正边界条件错误。
• 规划器智能体（Planner Agent）： 将验证后的问题分解为代码生成的逐步计划，指定函数、参数和迭代循环结构。
• 代码生成团队： 由三个智能体组成：
  • 编码者（Coder）： 根据规划者的任务列表编写 Python 脚本（使用 FEniCS 和 pyOptSparse 等库）。
  • 执行者（Executor）： 一个非 LLM 智能体，在子进程中运行代码。
  • 审查者（Reviewer）： 分析执行日志和错误消息，如果发生运行时错误，则将修正意见发送回编码者。
• 批评者智能体（Critic Agent）： 收敛后评估的核心。它根据四部分标准评估最终优化设计和收敛日志：
  1. 输出有效性： 确保文件非空且非平凡。
  2. 问题公式一致性： 验证目标、约束和边界条件是否符合用户意图。
  3. 收敛性： 评估迭代次数和求解器终止状态。
  4. 设计质量： 视觉检查布局是否存在棋盘格模式、灰色区域或断开连接的构件等问题。

优化循环

该框架采用三个内部自优化循环来处理不同阶段的失败：

1. 验证器 - 科学家循环： 在代码生成之前运行。它直接修正规范层面的不一致性（例如载荷位置、缺失参数），或要求科学家重新公式化。
2. 审查者 - 编码者循环： 在执行期间运行。它通过迭代修正代码来处理运行时错误、语法问题和缺失的库函数，直到执行成功。
3. 批评者驱动循环： 在产生收敛解后运行。如果结果未能通过质量标准（例如离散性差或约束不匹配），批评者会识别具体失败点，将其分配给负责的上游智能体，并触发带有优化参数或公式的重新执行。
4. 用户发起循环： 允许用户在成功运行后提供反馈（例如“添加一个孔”），触发保留先前迭代共享记忆状态的新循环。

3. 主要贡献

• 端到端自主工作流： 本研究展示了一个系统，它不仅自动化代码生成，还自动化拓扑优化的关键决策步骤，包括针对物理可行性和用户意图对收敛设计进行评估。
• 多阶段自优化： 与以往专注于生成时错误的研究不同，TopOptAgents 引入了一个收敛后批评者智能体，能够检测“已收敛但错误”的结果（例如具有棋盘格模式或错误约束公式的设计），并启动针对性的优化。
• 条件上下文注入： 该框架通过在科学家智能体的提示中动态注入相关的领域特定上下文（而不修改底层模型），解决了 LLM 在稀疏问题类别（如应力最小化）上的局限性。
• 多模态评估： 批评者智能体利用文本日志和视觉设计布局来评估收敛性和质量，模仿人类工程师进行的多模态检查。

4. 结果

该框架在三个基准问题上进行了评估，这些问题的选择在预训练 LLM 训练分布中的代表性各不相同：

1. 悬臂梁柔度最小化： 一个具有高度训练覆盖率的典型问题。
2. MBB 梁柔度最小化： 一个中等覆盖率的问题，具有特定的载荷位置变体。
3. L 形梁应力最小化： 一个训练覆盖率稀疏的问题，涉及应力聚合和几何奇点。

性能比较：

• 单次通过基线： 最先进的单次通过 LLM（GPT-5.4 Thinking）在悬臂梁问题上达到了 80% 的成功率，但在 MBB 变体上降至 60%，在 L 形应力问题上仅为 10%。
• TopOptAgents： 多智能体系统在悬臂梁和 MBB 问题上达到了 100% 的成功率。在具有挑战性的 L 形应力问题上，成功率从基线的 10% 提升至 80%。
• 优化动态： 自优化迭代次数与问题复杂度相关。悬臂梁问题不需要任何优化。MBB 问题需要适度的优化（主要在验证器 - 科学家和审查者 - 编码者循环中）。L 形问题最多需要 12 次迭代，大量利用批评者驱动循环来修正设计质量问题（例如棋盘格模式、灰色区域）以及单次通过基线未能发现的公式不一致性。

5. 意义与主张

本文主张，自优化显著扩大了基于 LLM 的自动化能够可靠解决的拓扑优化问题范围。

• 成功率恢复： 主要贡献在于证明，具有迭代自优化的多智能体框架可以恢复单次通过 LLM 失败问题的成功率，特别是对于那些在 LLM 训练数据中先前接触有限的问题类别。
• 超越生成： 研究强调，成功的自动化不仅需要代码合成；还需要一个反馈循环，根据领域特定惯例（例如无棋盘格现象）和用户意图来评估收敛设计的质量。
• 适度范围： 作者承认，该框架的有效性目前受限于预训练语料库和上下文注入能力。那些既未在文献中充分记录也未作为上下文提供的公式，仍然处于可靠范围之外。本文建议，未来的改进可能来自于在拓扑优化数据上微调 LLM，或使用带有优化知识超图本体（HyperGraph ontology）的检索增强生成（RAG）。
• 不发明未来影响： 本文并未声称解决所有工程设计问题或完全取代人类工程师。它将该框架定位为一种工具，旨在减少迭代决策的手动负担，并使拓扑优化更加易于访问和一致，特别是针对标准 LLM 难以处理的问题。