論文の概要: TO-Agents: A Multi-Agent AI Pipeline for Preference-Guided Topology Optimization

• arxiv url: http://arxiv.org/abs/2605.21622v1
• Date: Wed, 20 May 2026 18:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.955967
• Title: TO-Agents: A Multi-Agent AI Pipeline for Preference-Guided Topology Optimization
• Title（参考訳）: TO-Agents: 優先度誘導トポロジ最適化のためのマルチエージェントAIパイプライン
• Authors: Isabella A. Stewart, Hongrui Chen, Faez Ahmed,
• Abstract要約: 我々は、自然言語設計意図と反復的トポロジ最適化を結びつけるマルチエージェントAIフレームワークTO-Agentsを提案する。 このフレームワークは、人間が提供する問題記述を検証されたソルバ入力に変換し、トポロジ最適化ソルバを実行し、結果の3Dトポロジをレンダリングする。 本研究では,カンチレバービームベンチマークと携帯電話対応製品設計という,長期にわたる2つの設計課題に関するフレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 6.670146926866281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Topology optimization can generate efficient structures, but designers often must manually translate qualitative intent, such as desired visual style, product experience, or manufacturability into solver settings that are not directly tied to those preferences. We present TO-Agents, a multi-agent AI framework that connects natural-language design intent with iterative topology optimization. The framework converts a human-provided problem description into validated solver inputs, runs a topology optimization solver, renders the resulting 3D topology, and uses multi-view vision-language reasoning with an independent judge agent to critique each result and revise solver parameters. We evaluate the framework on two long-horizon design tasks: a cantilever beam benchmark and a phone-stand product design. In both tasks, the designer specifies an aesthetic preference for hierarchically branched structures inspired by natural tree morphologies, and the system performs four revision cycles across ten independent replicates. TO-Agents produces at least one preference-aligned design in 60% of trials for each case study, corresponding to up to 6x more successful trials than an ablated pipeline without visual or historical feedback. Judge scores and human evaluations show that the pipeline can identify effective parameter levers, recover from poor revisions, and expand design exploration. A manufacturing agent further post-processes top-ranked designs for additive manufacturing, enabling end-to-end intent-to-prototype design. We also identify failure modes, including overshooting, selective memory, misplaced tools, and incorrect parameter reasoning. These results suggest that agentic topology optimization can shift designers from low-level parameter tuning toward higher-level specification of form and function, while highlighting safeguards needed for reliable autonomous engineering design.
• Abstract（参考訳）: トポロジ最適化は効率的な構造を生成することができるが、デザイナは望まれる視覚スタイルや製品体験、製造可能性といった質的な意図を、それらの好みに直接結びついていない解決者設定に手動で翻訳する必要がある。 我々は、自然言語設計意図と反復的トポロジ最適化を結びつけるマルチエージェントAIフレームワークTO-Agentsを提案する。 このフレームワークは、人為的な問題記述を検証されたソルバ入力に変換し、トポロジ最適化ソルバを実行し、結果の3Dトポロジをレンダリングし、独立判定エージェントによる多視点視覚言語推論を用いて各結果を批判し、ソルバパラメータを改訂する。 本研究では,カンチレバービームベンチマークと携帯電話対応製品設計という,長期にわたる2つの設計課題に関するフレームワークの評価を行った。 どちらのタスクでも、デザイナーは自然木の形態にインスパイアされた階層的な分岐構造に対する美的好みを規定し、システムは10個の独立した複製に対して4つのリビジョンサイクルを実行する。 TO-Agentsは、各ケーススタディの60%のトライアルで少なくとも1つの選好整合型設計を生成し、視覚的あるいは歴史的フィードバックのないパイプラインよりも最大6倍のトライアルが成功している。 判断スコアと人的評価は、パイプラインが効果的なパラメータレバーを識別し、悪いリビジョンから回復し、設計の探究を拡大できることを示している。 製造エージェントは、追加製造のための上位設計をさらに後処理し、エンドツーエンドのインテント・ツー・プロトタイプ設計を可能にする。 オーバーシュート、選択メモリ、非配置ツール、誤ったパラメータ推論など、障害モードも識別します。 これらの結果から,エージェントトポロジ最適化は設計者を低レベルパラメータチューニングから高レベルな形状・機能仕様へとシフトさせ,信頼性の高い自律工学設計に必要なセーフガードを強調できる可能性が示唆された。

関連論文リスト

• Multi-Agent Procedural Graph Extraction with Structural and Logical Refinement [66.51979814832332]
  モデル式は、専用の構造的および論理的洗練を伴う多ラウンド推論プロセスとして手続きグラフ抽出を定式化する。 実験により、モデルが強いベースラインに対して構造的正当性と論理的整合性の両方において大幅に改善されることが示されている。
  論文  参考訳（メタデータ） (2026-01-27T04:00:48Z)
• Zero-shot 3D Map Generation with LLM Agents: A Dual-Agent Architecture for Procedural Content Generation [8.398818816613806]
  ゼロショットPCGパラメータ設定にLLMエージェントを利用する学習自由アーキテクチャを提案する。 我々のシステムはアクターエージェントとCriticエージェントをペアリングし、ツールパラメータを自律的に理由づける反復ワークフローを可能にする。
  論文  参考訳（メタデータ） (2025-12-11T10:22:02Z)
• A Multidisciplinary Design and Optimization (MDO) Agent Driven by Large Language Models [7.509742996975501]
  大規模言語モデル(LLM)によって駆動されるマルチディシプリナ・デザイン・最適化(MDO)エージェントを提案する。 エージェントは、(i)自然言語駆動パラメトリックモデリング、(ii)知識基底概念化のための検索拡張生成(RAG)、(iii)パフォーマンス検証と最適化のためのエンジニアリングソフトウェアのインテリジェントなオーケストレーションという3つのコア機能を編成することで、エンドツーエンドのワークフローを半自動化する。
  論文  参考訳（メタデータ） (2025-10-06T01:26:55Z)
• Attention is also needed for form design [0.0]
  本研究は,眼球追跡を用いた没入型バーチャルリアリティ環境であるEURIAとエージェントAIパイプラインであるRETinaという,2つのシステムを統合した,注目を意識した新しいフレームワークを紹介する。 提案フレームワークは,創造的ディレクターの役割を向上し,エージェントAIの創造力と人間の直感を融合させ,高品質なデザインをより効率的に作成する。
  論文  参考訳（メタデータ） (2025-08-27T09:15:21Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• Vehicle Suspension Recommendation System: Multi-Fidelity Neural Network-based Mechanism Design Optimization [4.038368925548051]
  自動車のサスペンションは運転性能と乗り心地を改善するように設計されているが、環境によって異なる種類が利用できる。 従来の設計プロセスは多段階であり、設計候補の数を徐々に減らし、目標性能を満たすためにコスト分析を行う。 近年、AIモデルはFAAの計算コストの削減に利用されている。
  論文  参考訳（メタデータ） (2024-10-03T23:54:03Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。