注册

AgentAM：用自然语言调用LPBF代理模型的LLM智能体

论文AI 评分 68/100arXiv cs.AI
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

研究团队提出 AgentAM，一个基于大语言模型的智能体，通过 Model Context Protocol 让工艺工程师用自然语言调用针对 SS316L 的 CFD 训练代理模型，查询飞溅与熔池几何。代理模型由 279 次单道仿真训练，熔池尺寸预测 R²≥0.95，测试集飞溅体积 R²=0.83，并依据几何判据给出匙孔、未熔合、球化或稳定四类缺陷区间，交叉验证下与仿真几何所得区间一致率 93.4%。智能体可自行选择并参数化预测、工艺窗口扫描与约束优化工具。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

代理模型与缺陷判据

AgentAM 面向激光粉末床熔融（LPBF）工艺，材料为 SS316L。其底层是对飞溅与熔池几何的 CFD 训练代理模型，用多项式形式拟合 279 次单道仿真结果，可在训练覆盖的功率—速度范围内对任意点给出熔池尺寸与飞溅体积预测，其中熔池尺寸的 R² 不低于 0.95，飞溅体积在测试数据上的 R² 为 0.83。除数值预测外，模型还依据几何判据为每个工艺点标注缺陷区间，分为匙孔、未熔合、球化与稳定四类；交叉验证下，该判据给出的区间与直接由仿真几何得到的区间在 93.4% 的道次上一致。

智能体如何调用工具

论文指出，这类预测模型很少真正进入车间，原因是调用它们需要编程和模型专属知识。AgentAM 的做法是在大语言模型与工具之间引入 Model Context Protocol，由智能体根据自然语言请求选择并参数化相应工具，完成预测、工艺窗口扫描与带约束的优化。这样工艺工程师无需写代码即可查询模型。为评估这一层，作者构建了 145 条提示的基准，与直接调用工具的结果对照打分，另设八条提示共 40 次运行专门考察带余量的请求。

余量优化与评测结果

在优化方面，最小飞溅的最优点常落在距未熔合边界 10 微米以内。引入余量感知的优化器后，最优点被推离所有阈值；在假设 2% 工艺漂移时，仍被判定为 Good 的估计概率从 0.94 升到 1.00，若同时加入交叉验证得到的几何残差采样，则从 0.72 升到 0.91。作者还提到，约 40 至 50 次分布良好的仿真足以复现缺陷图。主基准共进行 725 次运行，智能体在 98.5% 的解析类提示中传入了预期输入，如实报告飞溅数值与缺陷类别，65 次可行优化运行全部满足所述约束，与暴力搜索最优解的中位偏差为 1.0%。

为什么值得看

把仿真代理模型包装成可对话调用的工具，降低车间使用门槛，并给出可复现的评测基准。

智能体

信源1 家

  1. [1]arXiv cs.AI一手信源AgentAM: An AI Agent for Spatter- and Defect-Aware Process Optimization in Laser Powder Bed Fusion

关键事实

  • AgentAM 通过 Model Context Protocol 让工程师用自然语言访问 CFD 训练的飞溅与熔池几何代理模型[1]

  • 多项式代理模型基于 279 次单道仿真训练，熔池尺寸预测 R²≥0.95，测试集飞溅体积 R²=0.83[1]

  • 几何判据给出的缺陷区间与仿真几何所得区间在交叉验证下一致率为 93.4%[1]

  • 研究引入 145 条提示的基准，主基准共 725 次运行，解析类提示中 98.5% 正确传入预期输入[1]

  • 65 次可行优化运行全部满足给定约束，结果与暴力最优解的中位偏差为 1.0%[1]

相关 · 论文

Axiom Math 融资 16 亿美元，为 AI 数学构建可验证基础

11月6日 周五·AI 72

BEAKER：面向自动驾驶化学实验室的具身智能基准发布

11月5日 周四·AI 68

FrontierPhysics 基准发布：56 项任务考察智能体端到端物理研究

11月5日 周四·AI 78

HALO 人形机器人系统：仿真训练实现零样本真机迁移，成功率 91%

11月5日 周四·AI 82

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论