AutoMS: KI-gestützte Evolutionäre Suche revolutioniert Mikrostruktur-Design

In der Materialwissenschaft stellt die Gestaltung von Mikrostrukturen, die mehrere physikalische Anforderungen gleichzeitig erfüllen, ein enormes Problem dar. Der Suchraum ist riesig und diskontinuierlich, wodurch klassische Topologieoptimierung zu rechenintensiv und tiefgenerative Modelle oft unzuverlässige „physikalische Halluzinationen“ erzeugen.

AutoMS löst dieses Problem mit einem multi‑agenten Neuro‑Symbolik‑Framework, das die inverse Designaufgabe als von großen Sprachmodellen (LLM) gesteuerte evolutionäre Suche neu formuliert. Im Gegensatz zu bisherigen Ansätzen, die LLMs lediglich als Schnittstelle nutzen, agieren sie hier als „semantische Navigatoren“, die die Suchräume initialisieren und lokale Optima durchbrechen.

Ein zentrales Element ist die Simulation‑Aware Evolutionäre Suche (SAES), die Rückmeldungen aus Simulationen nutzt, um lokale Gradienten zu approximieren und gezielte Parameterupdates durchzuführen. Dadurch wird die Suche gezielt auf physikalisch gültige Pareto‑Grenzen ausgerichtet.

Durch die Koordination spezialisierter Agenten – Manager, Parser, Generator und Simulator – erreicht AutoMS eine Erfolgsquote von 83,8 % bei 17 heterogenen Cross‑Physics‑Aufgaben. Das ist fast doppelt so hoch wie bei herkömmlicher NSGA‑II (43,7 %) und übertrifft ReAct‑basierte LLM‑Baselines (53,3 %). Zusätzlich senkt die hierarchische Architektur die Gesamtausführungszeit um 23,3 %.

AutoMS demonstriert, dass autonome Agentensysteme komplexe physikalische Landschaften effektiv navigieren können, indem sie semantische Designintelligenz mit rigoroser physikalischer Validierung verbinden.