Neuer KI-Loop verbessert Ingenieurdesign: Metakognitive Co-Regulation steigert Leistung

In einer kürzlich veröffentlichten Studie auf arXiv wird ein innovativer Ansatz vorgestellt, der die Leistungsfähigkeit von KI‑gestützten Ingenieurdesigns deutlich steigert. Der Fokus liegt auf der Entwicklung von zwei neuen Regelkreisen, die die Metakognition von Large‑Language‑Model‑Agenten gezielt verbessern.

Der erste Ansatz, der Self‑Regulation Loop (SRL), lässt den Design‑Agent selbstständig seine Denkprozesse überwachen und anpassen. Der zweite, der Co‑Regulation Design Agentic Loop (CRDAL), ergänzt den Agenten durch einen zusätzlichen Metakognitiven Co‑Regulations‑Agenten, der bei der Reflexion und Fehlervermeidung unterstützt. Beide Systeme zielen darauf ab, die häufige Fixierung auf bestehende Paradigmen zu reduzieren und dadurch bessere Designalternativen zu generieren.

Im praktischen Test, bei dem die KI an der Optimierung eines Batteriepacks arbeitet, zeigte sich der CRDAL als besonders erfolgreich. Die erzeugten Designs erzielten eine höhere Leistungsfähigkeit, ohne dass die Rechenkosten im Vergleich zu einem einfachen Ralph‑Wiggum‑Loop (RWL) oder dem SRL deutlich anstiegen. Zudem navigierte der CRDAL effizienter durch den latenten Designraum und erkundete dabei breitere Lösungsbereiche.

Der SRL hingegen konnte zwar einen anderen Teil des Designraums erforschen, erzielte jedoch keine signifikant besseren Ergebnisse als der RWL. Diese Erkenntnisse unterstreichen die Bedeutung einer gezielten Metakognitionsunterstützung für agentische KI‑Systeme in der Ingenieurwissenschaft.

Die vorgestellten Architekturen liefern wertvolle Einblicke für die Weiterentwicklung von KI‑gestützten Designprozessen und zeigen, dass eine Kombination aus Selbstregulation und kooperativer Metakognition die Effizienz und Qualität von Ingenieurdesigns nachhaltig verbessern kann.