De automatisering van technische simulaties ondergaat een verschuiving waarbij eenvoudige AI-architecturen effectiever blijken dan complexe, gespecialiseerde systemen. Uit recent onderzoek blijkt dat generieke AI-frameworks, mits voorzien van de juiste technische documentatie, superieur presteren bij het opzetten van simulaties binnen Computer-Aided Engineering (CAE).
Het proces van CAE wordt traditioneel gezien als een vakgebied dat een hoge mate van expertise vereist. Het gaat hierbij om het gebruik van software om fysieke prototypes te vervangen of aan te vullen met digitale modellen, wat innovaties versnelt. Volgens synopsys.com wordt deze technologie breed ingezet voor uiteenlopende toepassingen, van batterijsimulaties en autonome voertuigen tot het ontwerp van gasturbines en windturbines.
Binnen dit domein maken ingenieurs gebruik van diverse gespecialiseerde analyses. Zo worden tools zoals Ansys Fluent en CFX ingezet voor vloeistofdynamica, terwijl Ansys Mechanical en LS-DYNA worden gebruikt voor structurele analyses. Voor elektromagnetisme en elektronica wordt vaak gegrepen naar Ansys HFSS. De complexiteit van deze software, waaronder pakketten als OpenFOAM, FEniCS en COMSOL, maakt de integratie van Large Language Models (LLM) interessant om natuurlijke taalopdrachten om te zetten in werkende simulaties.
In een studie gepubliceerd op 3 september 2026 hebben onderzoekers Jiasheng Shi en Tianhan Zhang geanalyseerd welke mechanismen daadwerkelijk bijdragen aan het succes van AI-agenten in deze omgeving. Voorheen was de gangbare opvatting dat complexe systemen met functies zoals multi-agent decompositie en domeinretrieval noodzakelijk waren om de beperkingen van basismodellen te compenseren. De resultaten in de publicatie arxiv.org laten echter zien dat moderne AI-frameworks deze functies inmiddels inherent ondersteunen.
De data uit het onderzoek tonen een significant verschil in prestaties. Op de FoamBench-benchmark behaalde een single-agent harness een score van 96,4%, terwijl gespecialiseerde systemen slechts op 88,2% uitkwamen. Een cruciale factor voor dit succes is het vermogen van de agent om foutmeldingen uit de software te interpreteren en de code aan te passen. Zonder deze feedbackloop daalde de score op FoamBench drastisch naar 71,8%, zoals beschreven in het onderzoek via .
Opvallend is dat technieken zoals 'gescripte reflectie', waarbij de AI zijn eigen stappen evalueert, geen meetbare verbetering opleverden. De grootste winst kwam voort uit het toevoegen van specifieke domeinkennis. Door tutorials voor de betreffende solvers toe te voegen aan het systeem, steeg de prestatie van 80,9% naar 96,4%. Dit onderstreept dat de kwaliteit van de input en technische documentatie belangrijker is dan de architecturale complexiteit van de AI.
Voor de praktijk betekent dit dat de focus bij de ontwikkeling van AI voor engineering moet verschuiven. In plaats van het bouwen van gelaagde agent-systemen, ligt de prioriteit bij het optimaliseren van de toegang tot accurate domeinkennis en het creëren van een efficiënte feedbackloop tussen de AI en de simulatiesoftware. De combinatie van een krachtig basismodel en uitgebreide solver-tutorials biedt momenteel de meest betrouwbare resultaten voor het automatiseren van CAE-processen.