Generatives Design erzeugt nur dann fertigungsgerechte Konstruktionen, wenn Konstruktions- und Fertigungswissen in den Generierungsprozess einfließt. Dieses Wissen liegt jedoch überwiegend unstrukturiert vor, etwa in Konstruktionsmethoden, Gestaltungsrichtlinien und Fertigungsrichtlinien. Die manuelle Formalisierung in ausführbare Regeln ist aufwendig und skaliert schlecht.

Am Institut wurde ein regelbasierter generativer Design-Algorithmus für Blechbiegeteile entwickelt, der konstruktions- und fertigungstechnisches Wissen systematisch in den Generierungsprozess integriert. Die zugrunde liegende Regelbasis wurde bisher manuell aus Fachliteratur und Erfahrungswissen abgeleitet und implementiert.

Large Language Models (LLMs) können große Mengen technischer Dokumente erschließen, Fachwissen interpretieren und Programmcode erzeugen. Damit lässt sich dokumentiertes Konstruktionswissen potenziell automatisiert in ausführbare Generierungsstrategien überführen und die Wissensbasis generativer Algorithmen kontinuierlich erweitern.

Aufgabe

Ziel der Arbeit ist die Entwicklung eines KI-gestützten Ansatzes, der Wissensquellen automatisiert erschließt und daraus ausführbare Strategien für den bestehenden generativen Design-Algorithmus ableitet.

Mögliche Aufgaben umfassen:

• Auswahl und Aufbereitung geeigneter Wissensquellen (z. B. Konstruktionsmethoden, Gestaltungs- und Fertigungsrichtlinien) für die automatisierte Verarbeitung
• Konzeption und Implementierung einer LLM-basierten Pipeline zur Extraktion und Interpretation von Konstruktionswissen (z. B. mit Retrieval-Augmented Generation)
• Ableitung von Generierungsstrategien und deren Übersetzung in ausführbaren Code für den bestehenden Algorithmus
• Integration und Test der erzeugten Strategien in der Python-Umgebung des Algorithmus
• Evaluation der Strategien hinsichtlich Korrektheit, Ausführbarkeit und Einfluss auf die Generierungsqualität
• Analyse der Potenziale und Grenzen LLM-basierter Wissensintegration im generativen Design

Die konkrete Ausrichtung der Arbeit kann je nach Interessen und Studienrichtung angepasst werden.

Profil

• Studium im Bereich Maschinenbau, Mechatronik, Informatik oder vergleichbar
• Interesse an Large Language Models, Wissensverarbeitung oder generativem Design
• Programmierkenntnisse in Python

Bei Interesse melde dich gerne bei mir: christoph.wittig∂kit.edu