AI驱动的高科技系统设计合成：自动化创新

# 面向高科技系统设计的AI驱动综合：实现创新自动化
来源：https://arxiv.org/html/2606.28126
Luuk Oerlemans, Steven Westerhof, and Theo Hofman  
Luuk Oerlemans（硕士生）、Steven Westerhof（硕士生）和 Theo Hofman（教授）均隶属于埃因霍温理工大学机械工程系控制系统技术部门的工程系统设计实验室（荷兰埃因霍温）。通讯作者：[email protected], www.tue.nl/cst

###### 摘要

本文通过提出"设计自动化"（Automation-in-Design，AiD）这一变革性范式，解决了现代高科技系统设计中固有的组合复杂性。我们提出计算设计综合（Computational Design Synthesis，CDS）框架，利用深度学习和生成式AI自动创建新型系统。两个案例研究（电驱动系统设计和空间尺寸规划问题）作为该方法的验证点。案例研究中使用的AI驱动方法代表了工程领域的根本性转变，从基于仿真的优化向极少人工监督的自主设计迈进。

## I 现代工程挑战：组合爆炸

下一代高科技系统的设计从根本上受到潜在配置"组合爆炸"的制约。组件、材料和互连的数量庞大，使得设计空间的规模巨大，手动或穷举探索不可行。本文提出，通过一种称为"设计自动化"（AiD）的概念，人工智能（AI）提供了一种强大而系统的方法来应对这种复杂性，使工程师能够以前所未有的效率生成和优化新颖解决方案。

设计复杂动态系统的工程师必须解决一系列相互关联的基础设计问题。如图1 (https://arxiv.org/html/2606.28126#S1.F1) 所示，这些挑战高度耦合，需要整体集成的解决方案，而非顺序处理。三个主要问题域包括[1]：

- •**离散拓扑设计问题**：涉及从技术库中选择组件或子系统，并定义其互连以建立功能系统架构。例如，拓扑可表示为图，其中顶点（节点）为组件，边为物理连接。
- •**参数化设计问题**：在选定拓扑及相关技术后，此阶段涉及指定每个组件的精确连续参数，如尺寸、质量、材料属性。
- •**控制设计问题**：对于主动动态系统，涉及设计系统的控制策略，该策略与选定拓扑及组件物理尺寸相互依赖。

参见图注图1：复杂动态系统的耦合设计问题域 [1]。按顺序处理这些耦合挑战必然导致次优结果。因此，需要更智能的集成方法，以解锁创新架构并实现显著性能提升。

## II 新范式：通过计算综合实现设计自动化

从传统的顺序设计方法向集成自动化范式的战略转变，对于推进高科技系统工程至关重要。通过采用协同设计（物理系统与控制系统的同时优化）并利用计算设计综合（CDS），工程师可以发现新型系统架构，从而获得显著的性能提升和成本降低 [2]。该范式利用AI自动化设计空间探索，系统地为工程师生成大量可行的高性能解决方案。

### 功能与结构基础

以电驱动系统为例（另见下文案例研究1以获取更多细节），系统拓扑综合中浮现出两个主要挑战：首先，如何从可用组件库中系统性地生成有效拓扑；其次，如何管理由此产生的庞大设计空间。该过程从将功能（F）映射到实现这些功能的组件（C）并定义组件之间的连接性开始 [3]。

如图2 (https://arxiv.org/html/2606.28126#S2.F2) 所示，这种映射促进了多层次分析。通过将功能映射到组件，自上而下地推导设计规则，从而约束有效的连接性。随后，通过将组件映射回功能，自下而上地生成新的系统拓扑，从而实现对新颖有效互连的结构化搜索。这种结构信息可以表示为图模型，其中组件为节点，其连接为边，设计约束规定了允许的连接 [2]。

参见图注图2：功能与结构系统分析。示例：电驱动系统的拓扑设计问题 [2]。
### CDS框架与AI的角色

计算设计综合的概念通过建模与评估，将功能/结构工程问题与性能工程设计空间联系起来（图3 (https://arxiv.org/html/2606.28126#S2.F3)）[2]。每一个综合出的、功能可行的拓扑，被视为可行拓扑集合 Tnew 的一个元素，都必须评估其性能 J，而性能评估本身涉及对最优设计变量 x* 的搜索。

参见图注图3：计算设计综合框架，连接功能与结构工程问题与性能工程设计空间 [2]（示例应用：机电系统、机器人或动力总成系统）。该框架的基础依赖于稳健的知识提取方法（图4 (https://arxiv.org/html/2606.28126#S2.F4)），这些方法将功能、组件与设计规则之间的关系编码化。这些知识可以通过专家输入、基于物理的工程分析或自动数据挖掘获得，是生成有效新拓扑的必要前提。知识提取可分为间接学习和自动学习 [4]。

参见图注图4：三种知识获取方式 [4]。利用新综合的拓扑，我们了解每个新设计中使用了多少组件、哪些组件及其连接度，表示为一组离散变量 z。每组可行拓扑是 z 的函数。需要自动建模来高效地将（可行的）拓扑图模型 Tnew(z) 映射到相关决策变量 x，使用 x = h(Tnew(z)) [5]。对于每个新拓扑，需要通过分析和优化搜索最优设计决策变量 x* 来最大化性能。这最终在性能工程设计空间中针对整个可行拓扑集完成。

### AI驱动优化：离散动态系统拓扑设计

可以训练代理使用强化学习（RL）[6]，基于这些数据预测新综合的设计，表示为 Tnew = g(z)。此外，大语言模型（LLM）可以通过从现有系统的（数字）文档中学习 [7]，自动提取系统信息——如组件模块、功能和物理约束——从而支持自动学习。

直接学习的概念，即设计者与计算机生成的设计进行交互，在 [8] 中讨论。这种方法通过迭代更新设计规则实现新可行设计的共同创建——这与间接学习形成对比，间接学习中设计规则首先通过知识专家（系统架构师）与知识工程师之间的讨论，以经典方式系统性地提取。

遵循 [9] 中的解释，我们强调与复杂离散动态系统拓扑设计分析与生成相关的独特深度学习预测概念 [2]，区别于基于连续体（材料布局）的拓扑设计 [10]。

AI 模型是该框架的组成部分，支持两种主要设计方案（图5 (https://arxiv.org/html/2606.28126#S2.F5)）[9]：

**迭代 AI 优化：** 该方案侧重于通过基于物理的分析和优化，为生成的可行拓扑 Tnew 找到最优变量 x*。然后通过迭代嵌套过程确定最优拓扑。案例研究1（见下文）有力地展示了该方案，使用强化学习-非线性规划（RL-NLP）框架智能地迭代遍历拓扑并优化其连续参数。

**生成式 AI 优化：** 该高级方案利用来自迭代优化的数据训练预测模型，例如深度 Q 网络 [11][12]。经过训练的模型可以直接从设计约束中快速预测最优拓扑 Tnew*，几乎即时地向系统工程师提供高质量解决方案。从案例研究1的迭代方法中获得的知识将是训练此类生成模型的基础。

这意味着，对于方案1，在性能空间中寻找最优变量 x* = arg min_{x∈F} J(x, Tnew)，约束集 F = {x∈R^n | y(x, Tnew) ≤ y_target} 针对每个生成的可行拓扑 Tnew，使用自动建模；并相应地，以迭代（嵌套）方式在自动评估步骤中寻找最优拓扑 Tnew* 作为 z 的函数；或者，对于方案2，使用这些数据训练深度 Q 网络，以便根据设计约束 z 和提供的设计约束集 y_target，非常快速地为设计者预测最优拓扑集。在这两种方案中，预测性或生成式 AI 代理都可以成为创建新优化设计过程的组成部分。

参见图注图5：生成式、预测性 AI 模型可以支持基于 AI 的工程设计方案：迭代 AI 优化和生成式 AI 优化。如图6 (https://arxiv.org/html/2606.28126#S2.F6) 所示，这些 AI 驱动的方法正在推动工程领域的演进，从经典的基于仿真的设计走向完全自主的 AI 驱动设计 [13]。以下案例研究提供了这些强大方法的实践演示。案例研究1展示了通过使用功能工程空间中的生成式 AI 模型的迭代 AI 优化框架所实现的增强，而案例研究2为组件布置、布线及物理优化的相互依赖挑战（参数化设计的关键方面）引入了新颖解决方案。

利用性能空间中的预测性 AI 模型，复杂的空间封装成为一个可解的优化问题，消除了繁琐的 CAD 迭代。两个案例研究的解决方案将为涵盖功能、结构和性能工程（包括组件和子系统的空间优化）的整体集成方法铺平道路。

参见图注图6：向 AI 驱动的系统设计转型 [13]。

## III 案例研究1

### 电驱动系统的迭代 AI 优化

机电一体化和机器人技术中的一个关键挑战是，对由离散架构选择和连续尺寸变量共同定义的系统进行高效优化。例如，如图7 (https://arxiv.org/html/2606.28126#S3.F7) 所示的驱动单元设计，包括仔细选择不同组件（如齿轮、轴、电机）以及这些组件的缩放和参数尺寸化，以满足功能要求（如电动驱动、制动）和性能要求（如最高速度、加速能力、爬坡能力）。

本案例研究为 AiD 的原则提供了有力证明，展示了一个 AI 驱动框架，该系统性地导航这些复杂的混合整数设计空间，为复杂系统（如这些电驱动单元）找到物理可行的、高性能的解决方案。

参见图注图7：奥迪 Q6 e-tron quattro 前驱动单元的分解视图，一个包含多个组件的集成电驱动系统。电机与差速器平行轴向连接。综合电耗：19.6–17.0 kWh/100 km；综合二氧化碳排放：0 g/km；二氧化碳等级：A。（来源：Audi MediaCenter）
### 混合 RL-NLP 方法

传统优化方法不适合集成离散-连续问题，原因在于设计空间探索效率低下，以及耗时长、计算量大的仿真。强化学习（RL）因其有效探索广泛动作空间的能力，成为传统优化方法的有前途替代方案。

然而，纯 RL 代理往往无法强制执行工程精度所需的严格物理约束。在工程环境中使用 RL 的另一个限制是，工程设计任务通常需要评估完整配置，这意味着没有有意义的中期奖励来指导多步学习过程。为应对这些限制，我们开发了一个迭代 AI 优化框架，如图8 (https://arxiv.org/html/2606.28126#S3.F8) 所示，该框架将 RL 的探索能力（用于解决功能工程部分）与基于物理的非线性规划（NLP）求解器的严谨性（用于解决性能工程部分）相结合。

每个组件的角色清晰界定：

**外循环（RL 代理）：** 通过从预定义动作空间或设计向量 z（见图9 (https://arxiv.org/html/2606.28126#S3.F9)）中选择系统拓扑（例如，平行或同轴设计构造等），处理高层级、离散的决策。

**内循环（NLP 求解器）：** 对于 RL 代理提出的每个拓扑，NLP 求解器执行受约束的连续优化，确保设计物理上可行（例如，传动比、齿面宽度）并针对其连续参数 x 进行优化。

参见图注图8：AI 驱动的框架。外部 RL 循环接收输入状态，通过其策略网络选择一个动作，并将其传递给由 NLP 求解器表示的内部环境。在内部循环中，选定的动作和状态被映射到一个依赖拓扑的 NLP 问题，由 NLP 求解器求解。得到的标量化目标定义了一个奖励，该奖励返回到外部循环，并与相应的状态-动作对一起用于更新代理的策略网络。参见图注图9：变速箱优化问题的设计空间。变速箱配置通过层级离散设计选择来定义：布局（同轴或平行）、级数（单级、两级或多级）以及齿轮组类型（直齿轮、斜齿轮或行星齿轮组），这些必须