Bu çalışma, Eklemeli İmalat (AM) için yeni alaşımların keşfini otomatikleştirmek ve hızlandırmak amacıyla Büyük Dil Modeli (LLM) destekli çok ajanlı sistemlerden yararlanan öncü bir çerçeve sunmaktadır. Ele alınan temel zorluk, geleneksel olarak malzeme bilimi, termodinamik simülasyon (CALPHAD) ve süreç parametre optimizasyonu konusunda derin uzmanlık gerektiren alaşım tasarımının yüksek boyutlu, çok alanlı karmaşıklığıdır. Önerilen sistem, kullanıcı komutları üzerinden akıl yürütebilen, Model Bağlam Protokolü (MCP) aracılığıyla özel yazılımlara (örn. Thermo-Calc, CFD çözücüler) araç çağrıları gönderebilen ve simülasyon sonuçlarına dayanarak görev yörüngelerini dinamik olarak ayarlayabilen otonom yapay zeka ajanlarını kullanarak, kapalı döngülü, akıllı malzeme keşfini etkin bir şekilde mümkün kılmaktadır.
Sistemin yeniliği, tek komutlu LLM kullanımının ötesine geçen, işbirliğine dayalı, araç kullanan bir ekosisteme dayanan ajan mimarisinde yatmaktadır.
Çerçeve, birlikte çalışan özelleşmiş ajanlar (örn. bir Kompozisyon Analisti, bir Termodinamik Ajanı, bir Süreç Simülasyon Ajanı) kullanır. Her ajanın tanımlı yetenekleri ve belirli araçlara erişimi vardır. Bir orkestratör veya planlayıcı ajan, üst düzey kullanıcı hedefini (örn. "Korozyona dayanıklı, baskıya uygun bir Ni bazlı alaşım bul") yorumlar ve onu uzman ajanlar tarafından yürütülen bir alt görev dizisine ayırır.
İşlevi için kritik olan, Model Bağlam Protokolü (MCP) aracılığıyla bilimsel yazılımlarla entegrasyondur. Bu, LLM ajanlarının faz diyagramı hesaplaması için Thermo-Calc veya erime havuzu simülasyonu için OpenFOAM/FLOW-3D gibi araçlar içindeki işlevleri sorunsuz bir şekilde çağırmasını sağlar. Ajanlar, bu araçlardan gelen sayısal ve grafiksel çıktıları ayrıştırabilir, bunların etkileri hakkında akıl yürütebilir (örn. "Hesaplanan katılaşma aralığı çok geniş, sıcak çatlama riski") ve bir sonraki adıma karar verebilir (örn. "Aralığı azaltmak için kompozisyonu ayarla").
İş akışı, uzman insan sürecini yansıtır ve otomatikleştirir.
Önerilen bir alaşım kompozisyonu için (örn. yeni bir üçlü katkı içeren Ti-6Al-4V), Termodinamik Ajanı, Thermo-Calc'ı çağırmak için MCP'yi kullanır. Temel özellikleri hesaplar: denge fazları, likidüs/katıdüs sıcaklıkları ($T_L$, $T_S$), özgül ısı kapasitesi ($C_p$), termal iletkenlik ($k$) ve yoğunluk ($\rho$). CALPHAD'ın merkezinde yer alan Gibbs serbest enerjisi minimizasyonu gerçekleştirilir: $G = \sum_i n_i \mu_i$, burada sistem toplam $G$'yi en aza indiren faz bileşimini bulur.
Malzeme özellikleri Süreç Simülasyon Ajanı'na iletilir. İlk olarak, erime havuzu boyutları için hızlı bir tahmin için analitik modeller (Eagar-Tsai: $T - T_0 = \frac{P}{2\pi k r} \exp(-\frac{v(r+x)}{2\alpha})$) kullanabilir, ardından isteğe bağlı olarak yüksek doğruluklu CFD simülasyonlarını tetikleyebilir. Temel çıktı, Füzyon Eksikliği (LoF) gibi hata rejimlerini gösteren bölgelerle ışın gücünü tarama hızına karşı çizen bir süreç haritasıdır. Ajan, baskı için "tatlı nokta" parametre penceresini belirler.
Bu, sistemin temel zekasıdır. LoF bölgesi çok büyükse (düşük baskı uygunluğu), ajan sadece bunu raporlamaz; geriye doğru akıl yürütür: "Büyük LoF, yetersiz erime enerjisi veya zayıf termal özellikler anlamına gelir. İyileştirmek için, lazer gücünü artırmayı (süreç değişikliği) veya $T_L$'yi düşürmek veya $k$'yı artırmak için alaşım kompozisyonunu değiştirmeyi (malzeme değişikliği) önerebilirim." Daha sonra yeni bir kompozisyon veya parametre seti önermek için döngüye geri döner, böylece otonom bir deney tasarımı döngüsü oluşturur.
Makale muhtemelen sistemin yeni bir alaşımı değerlendirmesini göstermektedir. Başarılı bir çalıştırma şunları gösterecektir: 1) Ajanın "havacılık için yüksek mukavemetli Al alaşımı" komutunu ayrıştırması. 2) Bir aday önermesi (örn. bir Al-Sc-Zr varyantı). 3) Thermo-Calc sonuçlarının uygun bir donma aralığı göstermesi. 4) Süreç simülasyonunun bir süreç haritası oluşturması; ajanın uygulanabilir bir parametre penceresi (örn. P=300W, v=800 mm/s) belirlemesi ve daha yüksek güçte anahtar deliği oluşumu için küçük bir risk bölgesini işaretlemesi. 5) Kompozisyon, tahmin edilen özellikler ve önerilen baskı parametreleri ile özetlenmiş bir rapor sağlaması.
Sağlanan alıntıda açık nicel hızlanma faktörleri olmasa da, değer önerisi nettir: Literatür taraması, yazılım operasyonu ve veri yorumlama için insanın döngüde olduğu sürede azalma. Sistem, bir insan uzmanın birini analiz edebileceği sürede onlarca kompozisyon varyantını ve bunlara karşılık gelen süreç pencerelerini keşfedebilir. Doğrulama, ajan tarafından önerilen alaşımların fiziksel olarak basılmasını ve tahmin edilen baskı uygunluğu ile özelliklerin onaylanmasını içerecektir.
Sistem birkaç temel modele dayanır:
Senaryo: Ortopedik implantlar için geliştirilmiş aşınma direncine sahip biyouyumlu bir Ti-alaşımı tasarlamak.
Bu vaka, ajanın ödünleşimleri (iletkenlik vs. mukavemet) yönetme ve eyleme dönüştürülebilir, çok alanlı öneriler sağlama yeteneğini göstermektedir.
Temel İçgörü: Bu sadece başka bir "malzemeler için yapay zeka" makalesi değil; otonom bilimsel araştırma birimleri için cesur bir taslaktır. Yazarlar, tek bir özelliği tahmin etmek için yapay zekayı kullanmıyor; LLM'leri, hipotez oluşturmadan simülasyon tabanlı doğrulamaya kadar tüm ampirik keşif sürecini orkestrasyon yapmak için silahlandırıyorlar. Gerçek atılım, dinamik görev yörüngesidir—sistemin ara sonuçlara dayanarak stratejisini değiştirebilme yeteneği, deneyimli bir malzeme bilimcisinin sezgisel "ya şöyle olsaydı" akıl yürütmesini taklit eder.
Mantıksal Akış ve Stratejik Konumlandırma: Mantık zorlayıcı bir şekilde sıralıdır: 1) Alaşım keşfini kısıtlar altında sıralı bir karar verme problemi olarak çerçevele. 2) LLM'lerin doğru araçlar (MCP) verildiğinde bu tür dizileri yönetme gizli yeteneğine sahip olduğunu tanı. 3) Ajanın "elleri" olarak alana özgü, güvenilir simülasyon araçlarını entegre et, böylece çıktının sadece dil kalıplarında değil, fizikte temellendiğinden emin ol. Bu, çalışmayı, üretken tasarımın (örn. Gómez-Bombarelli'nin moleküller üzerine çalışması) ötesine, üretken deneyciliğe doğru konumlandırır.
Güçlü ve Zayıf Yönler:
Eyleme Dönüştürülebilir İçgörüler: Endüstri kullanıcıları için acil oyun tam otonomi değil, arttırılmış zekadır. Bu sistemi, insan malzeme mühendisleri için süper güçlendirilmiş bir asistan olarak konuşlandırın, tarama aşamasını büyük ölçüde hızlandırın ve iyi belgelenmiş aday kısa listeleri oluşturun. Araştırmacılar için bir sonraki kritik adım, fiziksel deneylerle döngüyü kapatmaktır. Ajan, gerçek dünya karakterizasyon verilerini (mikrograflar, mekanik testler) alabilmeli ve bunu iç modellerini ve önerilerini iyileştirmek için kullanabilmelidir, böylece gerçek bir kendini geliştiren keşif platformuna doğru ilerlemelidir. Alan, bu çalışmanın AM için otonom laboratuvarlarla (kimyada görüldüğü gibi) yakınsamasını izlemelidir.