题 目：TowardKnowledge-Guided AI for Design and Manufacturing: Physics-Informed Learning andMulti-Agent LLM Systems（面向设计与制造的知识引导型人工智能-物理信息学习与多智能体大语言模型系统）

时 间：2025年11月21日15:30-16:30

地 点：交通大楼六楼604会议室

报告人：柳昇和（Seunghwa Ryu）教授

欢迎广大师生参加！

土木与交通学院

2025年10月29日

      报告人简介：

柳昇和（SeunghwaRyu），韩国科学技术院（KAIST）机械工程系冠名教授，KAISTInnoCORE PRISM-AI人工智能研究中心主任，于2004、2011年分别在KAIST和斯坦福大学获得物理学学士和博士学位，2012-2013年在麻省理工学院担任博士后研究员，曾赴斯坦福大学（2018年）和加州大学伯克利分校（2024年）担任访问教授。其团队研究融合材料多尺度建模、基于人工智能的设计优化及人机协同系统，重点关注结合物理原理、数据高效性与可解释性的知识引导型人工智能框架。已在《Science》、《NatureMaterials》、《NatureCommunications》、《Proceedingsof the National Academy of Sciences》等国际期刊发表170余篇论文，被引10700余次。曾获亚太计算力学协会青年学者奖（2019），并于2022年当选韩国青年科学与技术学院成员。

报告摘要：

Artificial intelligence istransforming the design of materials and manufacturing processes, yet datascarcity and complex physics limit purely data-driven approaches. This talkintroduces a knowledge-guided AI framework combining physics-informed machinelearning (PIML) and multi-agent LLM systems. In the first part, PIML is appliedto hyperelastic, plastic, and thermoelectric materials, where governingequations embedded in learning enable quantitative prediction from minimaldata. In the second part, a multi-agent LLM system assists human engineers ininjection molding design, coordinating simulation, optimization, and reasoningthrough natural-language interaction. Together, these approaches illustrate howdomain knowledge, physics-based modeling, and language-driven collaboration canestablish a reliable and interpretable foundation for AI-driven manufacturing.

人工智能正在变革材料与制造工艺的设计范式，然而数据稀缺性与复杂物理规律制约了纯数据驱动方法的效能。本次报告将介绍一种知识引导型人工智能框架，该框架融合了物理信息机器学习与多智能体大语言模型系统。第一部分通过超弹性材料、塑性材料及热电材料的案例，展示如何将控制方程嵌入学习架构，实现基于少量数据的定量预测。第二部分构建了多智能体大语言模型系统，通过自然语言交互协调仿真、优化与推理，为注塑成型设计提供智能辅助。这些研究共同证明了领域知识、物理建模与语言驱动协作如何为人工智能驱动的制造业构建可靠、可解释的技术基石。