Автономный синтез, симуляция и анализ технологических схем с использованием локально развернутого LLM-агента

Адаптированный и расширенный текст статьи

Проблема традиционной автоматизации симуляторов

Традиционный подход к автоматизации инженерных симуляторов, таких как Aspen Plus, основан на написании скриптов, например, через Python и COM-интерфейс. Этот метод, несмотря на свою гибкость, крайне подвержен ошибкам. При попытке задействовать искусственный интеллект (ИИ) для генерации таких скриптов возникает серьёзное препятствие: большие языковые модели часто «галлюцинируют» — то есть выдумывают несуществующие пути к переменным симулятора, имена функций или структуры объектов. Это приводит к многочисленным сбоям, отладка которых требует значительного времени и экспертных знаний. Кроме того, использование облачных нейросетей для обработки данных промышленного предприятия недопустимо из соображений конфиденциальности: заводские данные, технологические режимы и параметры являются коммерческой тайной. Поэтому возникла необходимость в создании надёжного, безопасного и локально развёртываемого способа управления Aspen Plus V14 с помощью ИИ.

Решение: протокол MCP и локальные модели

Исследователи предложили инновационное решение, основанное на применении открытого стандарта Model Context Protocol (MCP). MCP — это протокол, который позволяет ИИ-агенту взаимодействовать с внешними системами через заранее определённый и проверенный набор операций (так называемые strongly typed tools), вместо свободной генерации кода. Такой подход полностью исключает возможность «галлюцинаций» на уровне синтаксиса и структуры вызовов: все доступные действия строго типизированы и валидированы до того, как запрос достигнет симулятора.

В рамках реализации был создан MCP-сервер, который превращает Aspen Plus в набор из 42 жёстко типизированных инструментов, распределённых по категориям:

• построение технологической схемы (добавление блоков, соединение потоков);
• проверка корректности модели;
• обеспечение сходимости;
• диагностика ошибок и анализ результатов.

Каждый инструмент принимает строго определённые параметры и возвращает структурированный ответ, что делает взаимодействие предсказуемым и безопасным.

В качестве «мозга» системы использовались локальные модели с открытым весом, что гарантирует полную конфиденциальность данных. Основной моделью стала мощная Qwen 2.5 (32B параметров), а для более лёгких сценариев — Llama 3 (14B параметров). Выбор локального развёртывания обусловлен не только соображениями безопасности, но и необходимостью работы в автономном режиме на производственных площадках.

Требования к аппаратному обеспечению

Для запуска модели Qwen 2.5 (32B) с квантованием 4-bit на локальном сервере инженеру потребуется рабочая станция или сервер, оснащённый как минимум двумя графическими ускорителями (GPU) класса NVIDIA RTX 4090 (каждый с 24 ГБ видеопамяти) или одной картой дата-центра NVIDIA A6000/A100 (с 48–80 ГБ VRAM). Это обеспечивает достаточную производительность для инференса модели в реальном времени.

Для более лёгкой модели Llama 3 (14B) достаточно одной потребительской видеокарты с 16–24 ГБ VRAM, что существенно снижает порог входа и позволяет использовать систему на стандартных рабочих станциях.

Пошаговый алгоритм внедрения

1. Установка локального сервера вывода — например, Ollama или vLLM — и загрузка модели Qwen 2.5 (32B) с необходимым квантованием.
2. Развёртывание MCP-сервера для Aspen Plus на Python. Этот сервер определяет все 42 инструмента, включая функции добавления блоков, соединения потоков, запуска расчёта и проверки сходимости.
3. Подключение LLM к MCP-серверу в качестве агента. Агент получает доступ к инструментам через протокол MCP и может вызывать их в ответ на команды пользователя.
4. Отправка промпта на естественном языке. Например: «Построй схему дистилляции метанола, подай сырьё 1000 кг/ч, обеспечь сходимость». Агент самостоятельно интерпретирует запрос, разбивает его на последовательность вызовов инструментов и выполняет их в правильном порядке.

Ключевая особенность системы — схемно-ограниченный вызов инструментов. Любые запросы ИИ, не соответствующие заранее определённой схеме ввода (например, попытка обратиться к несуществующей переменной или вызвать недопустимую операцию), отклоняются ещё до того, как они достигнут симулятора. Это гарантирует, что Aspen Plus никогда не получит некорректную команду, а все ошибки обрабатываются на уровне MCP-сервера.

Результаты и перспективы

Эксперименты показали впечатляющее повышение эффективности. При использовании локальной модели Qwen 2.5 (32B) в связке с MCP-протоколом успешность автономного выполнения задач возросла с 16% (при традиционной генерации кода) до 89%. Это означает, что агент способен корректно построить схему, настроить параметры и добиться сходимости в подавляющем большинстве случаев без вмешательства человека.

Интеграция MCP и LLM представляет собой настоящий сдвиг парадигмы в области инженерного моделирования. В ближайшие годы ожидается, что инженеры будут всё меньше работать с графическим интерфейсом симулятора, выполняя рутинные операции вручную, и всё больше выступать в роли «режиссёров» процесса. Они будут формулировать задачи на естественном языке, а автономные агенты возьмут на себя сборку схем, проверку корректности и оптимизацию. Это не только ускоряет разработку, но и снижает вероятность ошибок, связанных с человеческим фактором, а также открывает путь к полностью автоматизированным циклам проектирования и анализа технологических процессов.

Источник

Источник

Теги

• #AspenPlus
• #LLM
• #Автоматизация
• #MCP
• #GenerativeDesign

Источник: https://chemrxiv.org/doi/abs/10.26434/chemrxiv.15006587/v1

#AspenPlus #LLM #Автоматизация #MCP #GenerativeDesign