Multi-Agent Collaboration for Automated Design Exploration on High Performance Computing Systems
作者: Harshitha Menon, Charles F. Jekel, Kevin Korner, Brian Gunnarson, Nathan K. Brown, Michael Stees, M. Giselle Fernandez-Godino, Walter Nissen, Meir H. Shachar, Dane M. Sterbentz, William J. Schill, Yue Hao, Robert Rieben, William Quadros, Steve Owen, Scott Mitchell, Ismael D. Boureima, Jonathan L. Belof
分类: cs.AI
发布日期: 2026-03-12
💡 一句话要点
提出MADA：基于LLM的多智能体框架，用于高性能计算系统上的自动化设计探索。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 大型语言模型 自动化设计探索 高性能计算 惯性约束聚变
📋 核心要点
- 现有科学挑战需要探索巨大的设计空间，但手动设置和执行这些探索性工作流程非常繁琐。
- MADA框架利用LLM驱动的多智能体系统，自动化设计流程，包括作业管理、几何生成和逆向设计。
- 实验表明，MADA能够自动改进设计，以抑制Richtmyer-Meshkov不稳定性，并减少人工干预。
📝 摘要（中文）
本文提出了一种名为MADA（Multi-Agent Design Assistant）的基于大型语言模型（LLM）的多智能体框架，用于协调专业智能体以完成复杂的设计工作流程，从而应对气候建模、惯性约束聚变设计和新型材料设计等科学挑战中对巨大设计空间的探索需求。MADA包含一个作业管理智能体（JMA），用于在高性能计算（HPC）系统上启动和管理集成模拟；一个几何智能体（GA），用于生成网格；以及一个逆向设计智能体（IDA），用于根据模拟结果提出新的设计。该框架以Richtmyer-Meshkov不稳定性（RMI）抑制为重点进行开发和验证，并在HPC系统上的流体动力学模拟和预训练机器学习代理的快速设计探索两个互补设置中进行了评估。结果表明，MADA系统成功执行了迭代设计改进，以最小的人工干预自动改进设计以实现最佳RMI抑制，从而减少了繁琐的手动工作流程设置，并实现了大规模的自动化设计探索。该框架展示了一种可重用的模式，用于耦合推理、模拟、专用工具和协调的工作流程，以加速科学发现。
🔬 方法详解
问题定义：论文旨在解决高性能计算系统上复杂科学问题设计空间探索的自动化问题。现有方法依赖于手动设置和管理模拟工作流程，耗时且容易出错，限制了探索的规模和效率。特别是在惯性约束聚变等领域，需要快速迭代设计以优化性能，而手动流程难以满足这一需求。
核心思路：论文的核心思路是利用大型语言模型（LLM）驱动的多智能体系统，将复杂的设计工作流程分解为多个可由专业智能体协同完成的任务。通过让智能体自动执行作业管理、几何生成和逆向设计等任务，可以显著减少人工干预，并实现大规模的自动化设计探索。这种方法旨在将人类专家从繁琐的流程中解放出来，专注于更高层次的设计决策。
技术框架：MADA框架包含以下主要模块：1) 作业管理智能体（JMA）：负责在HPC系统上启动和管理集成模拟。2) 几何智能体（GA）：负责生成模拟所需的网格。3) 逆向设计智能体（IDA）：负责根据模拟结果提出新的设计。这些智能体通过LLM进行协调，形成一个闭环的迭代设计流程。JMA负责提交和监控模拟任务，GA负责生成或修改几何模型，IDA则根据模拟结果分析性能并提出新的设计参数。
关键创新：MADA的关键创新在于将LLM与多智能体系统相结合，实现复杂科学工作流程的自动化。与传统的自动化方法相比，MADA具有更强的灵活性和适应性，能够处理更复杂的设计空间。此外，MADA框架还提供了一种可重用的模式，可以应用于不同的科学领域和设计问题。
关键设计：论文中没有详细描述关键参数设置、损失函数或网络结构的具体细节。但是，可以推断，LLM的选择和训练、智能体之间的通信协议以及逆向设计智能体的优化算法是影响系统性能的关键因素。此外，如何有效地利用模拟数据来指导设计改进也是一个重要的设计考虑。
🖼️ 关键图片
📊 实验亮点
MADA系统在Richtmyer-Meshkov不稳定性（RMI）抑制问题上进行了验证，结果表明该系统能够成功执行迭代设计改进，以最小的人工干预自动改进设计以实现最佳RMI抑制。虽然论文没有给出具体的性能数据，但强调了MADA能够减少繁琐的手动工作流程设置，并实现大规模的自动化设计探索。
🎯 应用场景
MADA框架可应用于气候建模、惯性约束聚变设计、新型材料设计等领域，加速科学发现。通过自动化设计探索，可以更快地找到最优设计方案，降低研发成本，并推动相关领域的技术进步。该框架还可用于优化工程设计、药物发现等领域。
📄 摘要（原文）
Today's scientific challenges, from climate modeling to Inertial Confinement Fusion design to novel material design, require exploring huge design spaces. In order to enable high-impact scientific discovery, we need to scale up our ability to test hypotheses, generate results, and learn from them rapidly. We present MADA (Multi-Agent Design Assistant), a Large Language Model (LLM) powered multi-agent framework that coordinates specialized agents for complex design workflows. A Job Management Agent (JMA) launches and manages ensemble simulations on HPC systems, a Geometry Agent (GA) generates meshes, and an Inverse Design Agent (IDA) proposes new designs informed by simulation outcomes. While general purpose, we focus development and validation on Richtmyer--Meshkov Instability (RMI) suppression, a critical challenge in Inertial Confinement Fusion. We evaluate on two complementary settings: running a hydrodynamics simulations on HPC systems, and using a pre-trained machine learning surrogate for rapid design exploration. Our results demonstrate that the MADA system successfully executes iterative design refinement, automatically improving designs toward optimal RMI suppression with minimal manual intervention. Our framework reduces cumbersome manual workflow setup, and enables automated design exploration at scale. More broadly, it demonstrates a reusable pattern for coupling reasoning, simulation, specialized tools, and coordinated workflows to accelerate scientific discovery.