COSMO-Agent：クローズドループ最適化、シミュレーション、モデリングオーケストレーションのためのツール拡張エージェント

Abstract

繰り返し型の産業向け設計・シミュレーション最適化は、CAD-CAEセマンティックギャップによってボトルネック化しています。すなわち、シミュレーションから得られるフィードバックを、多様で連成した制約の下で有効な幾何学的編集へと変換することが難しいのです。このギャップを埋めるために、COSMO-Agent（Closed-loop Optimization, Simulation, and Modeling Orchestration）を提案します。これは、ツール拡張型の強化学習（RL）フレームワークであり、LLMに対してクローズドループのCAD-CAEプロセスを完遂することを学習させます。具体的には、CAD生成、CAEソルバによる解析、結果のパース、幾何の改訂を、インタラクティブなRL環境として定式化し、LLMが外部ツールをオーケストレーションし、制約が満たされるまでパラメトリック幾何を修正する方法を学習します。学習を安定させ、かつ産業で実用可能にするため、実現可能性、ツールチェーンの頑健性、そして構造化された出力の妥当性を同時に促すマルチ制約報酬を設計します。さらに、現実的な学習と評価を支えるため、25の部品カテゴリをカバーし、実行可能なCAD-CAEタスクを含む、産業に適合したデータセットにも貢献します。実験の結果、COSMO-Agentの学習は、制約駆動設計において、小規模なオープンソースLLMを大幅に改善し、実現可能性・効率・安定性の点で、大規模なオープンソースモデルおよび強力なクローズドソースモデルを上回ることが示されました。