本研究は、大規模言語モデル（LLM）を活用したマルチエージェントシステムを用いて、積層造形（AM）用合金の評価を自動化・加速する新規フレームワークを提案する。従来の合金選定およびパラメータ最適化プロセスは複雑であり、材料科学、熱力学シミュレーション（CALPHADなど）、計算流体力学（CFD）における深い専門知識を必要とする。提案するエージェントシステムは、Model Context Protocol（MCP）などのプロトコルを介してツール呼び出しを知的に振り分け、一連のタスクを実行する：熱物理特性の計算、メルトプール挙動のシミュレーション、特に融合不足欠陥に対する欠陥のないパラメータウィンドウを特定するためのプロセスマップの生成である。
このフレームワークは、専門化されたエージェントがユーザーのプロンプトを推論し、タスクの軌跡を計画し、中間結果に基づいて動的にツール呼び出しを実行するマルチエージェントLLMアーキテクチャ上に構築されている。
システムは、高レベルのクエリ（例：「LPBF用にSS316Lを評価せよ」）をサブタスクに分解するコーディネーターエージェントを採用する。その後、専門エージェントが特定の領域を処理する：熱力学エージェントはCALPHADソフトウェアとインターフェースし、プロセスシミュレーションエージェントはソルバー（Eagar-Tsai、Rosenthal、またはOpenFOAM）を呼び出し、分析エージェントは結果を解釈してプロセスマップと推奨事項を生成する。通信とツールの振り分けはMCPを使用して標準化されている。
与えられた合金組成に対して、システムはCALPHADデータベースを自動的に照会し、AMシミュレーションに不可欠な平衡相および温度依存特性を計算する：熱伝導率（$k$）、比熱容量（$C_p$）、密度（$\rho$）、固相線/液相線温度。これにより、手動でのデータベース検索と入力準備が不要となる。
材料特性を用いて、システムはビームパワー（$P$）と走査速度（$v$）のパラメータ範囲にわたって、解析的（Eagar-Tsai）またはCFD（OpenFOAM）メルトプールシミュレーションを実行する。得られたメルトプール寸法（幅$w$、深さ$d$）は、融合不足（LoF）基準の計算に使用される。プロセスマップが生成され、「安全な」パラメータウィンドウと欠陥が発生しやすい領域が区別される。
欠陥予測の中核は、メルトプールモデリングとオーバーラップ基準にある。移動点熱源に対するRosenthal解は、迅速な温度場推定を提供する： $$T - T_0 = \frac{P}{2 \pi k R} \exp\left(-\frac{v(R+x)}{2\alpha}\right)$$ ここで、$T_0$は周囲温度、$R$は熱源からの半径方向距離、$v$は走査速度、$\alpha$は熱拡散率である。LoF予測では、メルトプール深さが層厚（$t$）を超えなければならないという重要な条件がある：$d \geq t$。隣接する走査トラックでは、オーバーラップ率$\eta = \frac{w_o}{w}$（$w_o$はオーバーラップ幅）が十分でなければならず、通常は約20%以上が必要であり、ボイドの発生を防ぐ。
本論文では、2つの一般的なAM合金、ステンレス鋼316Lとインコネル718（IN718）に対してフレームワークを実証している。それぞれについて、エージェントシステムは、標準組成といくつかの提案された変種（例：Nb含有量を調整したIN718）を評価するタスクを与えられた。ワークフローは以下を含む：1）液相線温度と$C_p$のCALPHAD計算、2）$P-v$マトリックス（例：$P$: 50-300 W, $v$: 200-1500 mm/s）に対するEagar-Tsaiシミュレーション、3）メルトプール形状の計算、4）LoF境界を持つ2Dプロセスマップの生成。
主な出力は融合不足プロセスマップである。チャートは、Y軸にビームパワー（W）、X軸に走査速度（mm/s）をとる2D等高線プロットである。明確な境界曲線がチャートを2つの領域に分けている。左下の領域（低パワー、高速度）は赤で陰影付けされ、「融合不足欠陥領域」とラベル付けされており、メルトプール深さが不十分である。右上の領域（高パワー、中程度の速度）は緑で陰影付けされ、「安定プロセスウィンドウ」とラベル付けされている。IN718変種の場合、マップは境界曲線の測定可能なシフトを示し、組成変化が最適な加工パラメータを変化させることを示した。エージェントシステムはこのシフトを定量化し、比較分析を提供することに成功した。
~70%
合金変種ごとの手動設定・分析時間の推定削減率。
>500
欠陥境界をマッピングするために自律的にシミュレートされた典型的な$P-v$組み合わせ。
事例：新規Al-Si-Mg合金変種の評価
ユーザープロンプト：「層厚30 µmでのLPBF用に、Mg含有量を1%増加させたAlSi10Mgの融合不足リスクを評価せよ。」
この論文は、新しい合金やより優れたシミュレーションソルバーについてではなく、既存のサイロ化された専門ツールを、LLMを「接着剤」として使用して、一貫性のある自律的なワークフローに編成することについてである。真の革新は、AutoGPTやMicrosoftのTaskWeaverなどのフレームワークに触発されたエージェントパラダイムを、AM合金認定という反復的で学際的な問題に適用した点にある。これは、ボトルネックである、ドメイン言語（材料、シミュレーション、製造）間の翻訳に費やされる人間の専門家の時間に直接取り組む。
論理は、専門家の思考プロセスを模倣した魅力的な順次性を持つが、自動化されている：組成 -> 熱力学 -> 特性 -> メルトプール物理学 -> 欠陥基準 -> プロセスマップ。重いCFD（OpenFOAM）を呼び出す前に、迅速なスクリーニングのために軽量な解析モデル（Rosenthal）を使用することは、知的リソース配分を示している。この階層的アプローチは、航空宇宙設計最適化で使用されるマルチフィデリティモデリング戦略を彷彿とさせる。
強み： システムは、合金評価のフィードバックループを明らかに加速する。LLMの自然言語インターフェースを活用することで、シミュレーションソフトウェアにあまり慣れていない材料科学者の障壁を下げる。ツール出力に基づく動的タスク調整は、堅牢な自律性に向けた重要なステップである。
重要な欠点： 本論文は、基盤となるツールとデータベースへの「ガベージイン、ガベージアウト」依存性を軽視している。最終的なプロセスマップの精度は、新規組成に対するCALPHADデータベースの忠実度と、Eagar-Tsaiモデルの限界（流体流れとキーホールダイナミクスを無視する）に完全に依存している。Khairallah et al., Physical Review Applied (2016)などの先駆的なCFD研究で指摘されているように、流体流れはメルトプール形状を劇的に変化させる可能性がある。解析モデルを盲目的に信頼するエージェントは、自信を持って間違っている可能性がある。さらに、評価は単一の欠陥（LoF）に限定されており、クラック、ボーリング、残留応力を無視している。これは、現実世界のAM課題の重大な過度の単純化である。
産業界での採用に向けて、次のステップは単により多くのエージェントを追加することではなく、検証フィードバックループを構築することである。フレームワークは、実験データ（メルトプールカメラや構築後のCTスキャンなどの現場監視からのデータ）と統合してシミュレーションを較正・修正し、ハイブリッド物理-AIモデルに向かって進化させなければならない。企業は、新規材料を信頼する前にその信頼性をベンチマークするために、十分に特性評価された合金（示されたSS316Lなど）でこれをパイロット実施すべきである。究極のビジョンは、その予測を現実世界の構築物と比較し、内部モデルと推奨事項を継続的に更新する「自己修正型AMアドバイザー」であるべきである。