Resumen:Diseñar microestructuras que satisfagan objetivos acoplados de física cruzada es un desafío fundamental en la ciencia de materiales. Este problema de diseño inverso implica un espacio de búsqueda vasto y discontinuo donde la optimización de la topología tradicional es computacionalmente prohibitiva y los modelos generativos profundos a menudo sufren de “alucinaciones físicas”, careciendo de la capacidad de garantizar una validez rigurosa. Para abordar esta limitación, presentamos AutoMS, un marco neurosimbólico de múltiples agentes que reformula el diseño inverso como una búsqueda evolutiva impulsada por un LLM. A diferencia de los métodos que tratan los LLM simplemente como interfaces, AutoMS los integra como “navegadores semánticos” para inicializar espacios de búsqueda y romper los óptimos locales, mientras que nuestra novedosa Búsqueda evolutiva consciente de la simulación (SAES) aborda la “ceguera” de las estrategias evolutivas tradicionales. Específicamente, SAES utiliza retroalimentación de simulación para realizar una aproximación de gradiente local y actualizaciones de parámetros dirigidas, guiando efectivamente la búsqueda hacia fronteras de Pareto físicamente válidas. Al orquestar agentes especializados (Manager, Parser, Generator y Simulator), AutoMS logra una tasa de éxito de última generación del 83,8% en 17 tareas diversas de física cruzada, casi duplicando el rendimiento del NSGA-II tradicional (43,7%) y superando significativamente las líneas base de LLM basadas en ReAct (53,3%). Además, nuestra arquitectura jerárquica reduce el tiempo total de ejecución en un 23,3%. AutoMS demuestra que los sistemas de agentes autónomos pueden navegar eficazmente en paisajes físicos complejos, cerrando la brecha entre la intención del diseño semántico y la validez física rigurosa.
Publicado originalmente en export.arxiv.org el 30 de marzo de 2026.
Ver fuente original
