📄 声学智能体怎么做事：故障检测基准与超材料设计案例
评分：5.8/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Arne Hildenbrand：Chair of Vibroacoustics of Vehicles and Machines, Department of Engineering Physics and Computation, TUM School of Engineering and Design, Technical University of Munich, Boltzmannstrasse 15, 85748 Garching, Germany
- Philipp Diel：Chair of Thermodynamics of Mobile Energy Conversion Systems, Faculty of Mechanical Engineering, RWTH Aachen University, Forckenbeckstrasse 4, 52074 Aachen, Germany
- Zhuo Cao：IAS-8, Forschungszentrum Jülich, Wilhelm-Johnen-Straße, 52425 Jülich, Germany
- Hanno Scharr：IAS-8, Forschungszentrum Jülich, Wilhelm-Johnen-Straße, 52425 Jülich, Germany
- Stefan Pischinger：Chair of Thermodynamics of Mobile Energy Conversion Systems, Faculty of Mechanical Engineering, RWTH Aachen University, Forckenbeckstrasse 4, 52074 Aachen, Germany
- Steffen Marburg：Chair of Vibroacoustics of Vehicles and Machines, Department of Engineering Physics and Computation, TUM School of Engineering and Design, Technical University of Munich, Boltzmannstrasse 15, 85748 Garching, Germany
📌 核心摘要
本文研究声学工程师能否用语言模型加外部执行框架自动完成两类重复工作，输入是自然语言提问加录音或设计目标，输出是故障判断加时间区间或满足插入损失的单胞几何，难点在于框架中哪个部件真正决定成败以及技能与模型自主决策之间如何分工。故障检测一侧沿单个样本说明链路，立体声波形先经基元技能变成均方根值、频谱或包络等中间特征，再交给九个故障判别器对照阈值输出类型和起止时间，协调智能体负责分发任务并回收结果。超材料一侧把几何模板、网格划分和频域求解器封装成技能，智能体决定选用散射圆还是共振C形、调整晶格尺寸并在频带上反复评估插入损失。与只展示单个成功框架的已有声学智能体工作不同，本文固定其余条件逐个更换框架部件并重复运行，用对照说明部件贡献。在弱模型GPT 5.6 luna驱动的批量录音类型加定位任务008十次运行中，池化F1分数均值从无装备配置的0.14升至完整知识配置的0.80。结论只适用于本文合成录音和二维单模态模型范围，弱模型下框架优化无法弥补上限，提高推理量也不能纠正信息矛盾。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
声学工程师为什么需要能跑软件的智能体
论文面对的读者是经常跑仿真和看测量数据的声学工程师。传统做法里人工智能多是代价高的仿真或测量的替代模型和优化工具，模型本身不写代码也不执行操作。大语言模型出现后，模型能读文字任务并生成软件片段，但只靠一次问答仍需要人不断给信息，也不能自己执行生成的代码。
论文把能自己执行软件的形态称为智能体：语言模型作为中央处理单元负责理解与决策，外围的智能体支架提供信息检索与软件执行等功能，可直接调用的现成可执行单元称为技能。研究要回答的不是智能体能否演示一次成功，而是支架的每个部件各自贡献什么、换模型会怎样、技能与智能体的分工如何决定结果。为此作者选了两个声学常见任务：从测量录音中检出故障，以及设计通风条件下达到规定插入损失的超材料单胞阵列。
已有声学智能体与本文测量式研究的区别
文中回顾了化学、材料、光学和光子学等领域的智能体，它们把领域工具或知识库接到模型上，有的直接生成控制代码，有的边设计边训练替代模型。在声学里已有工作包括用框架协调音频语言模型做问答、用带函数调用的语言模型合成异常机器声以评估检测器，以及在机翼仿真中预测翼型噪声。
这些工作多是报告一个完整框架能做到什么。本文的不同在于把智能体本身作为被测量对象，用声学标准去度量它。有限元基准用程序接口操作软件并与参考值比较的做法被借鉴过来，但本文把关注点扩大到支架各部件对性能与行为的影响，并整理领域文献中支架与智能体系统的词汇，说明每个决策点有哪些可选方案，再用基准经验给出设计建议。
两个任务的输入输出与必须保留的信息
第一个任务是故障检测。输入是车内噪声的合成录音，输出是对录音是否损坏、有哪类故障、在什么时间区间出现的判断。必须保留的信息是故障的真实类型与起止时间，因为评分要与注入时的记录逐项对照。提问从易到难覆盖只问是否损坏、问类型、问类型加时间范围，以及一次给一条录音与一次给一批录音两种形式。
第二个任务是超材料设计。输入是给定频带内每一点都要达到的插入损失目标，加上阵列最大深度与单元间最小通透间隙等几何约束，输出是满足约束的单胞几何与层数。必须保留的是声场模型与网格规则，否则无法判断设计是否在物理有效范围内。2 个任务分别对应判断数据与产生设计，也分别用来问支架各部件的贡献与技能分工的影响。
智能体整体如何运转
系统基于开源支架实现，模型在外部调用，实验主要用 GPT 5.6 terra，对比用 GPT 5.6 luna。支架提供执行工具，技能只需按领域补充。循环遵循推理加行动的思路：支架把提示、配置、知识、记忆与可用技能组装进上下文，模型推理后决定调用哪个技能，执行结果再回到上下文，直到给出结构化答案。每次运行在隔离容器里从相同初始状态开始，使不同运行可比。
在多智能体层面，系统采用集中式星形结构、合作式协作、按角色分工的策略。一个编排智能体把任务写进子智能体的上下文，每个子智能体有自己的上下文与调用，子智能体之间不通信，只有最终消息返回给编排者。故障检测与超材料设计共用同一套支架结构，但技能与知识按任务分开，子智能体各管自己的那部分。
下图先看支架与模型的关系，理解 4 个功能模块的分工，再看多智能体 3 个设计轴如何定位本系统。
大语言模型 × 智能体支架 × 技能： 大语言模型负责理解任务和决定下一步，智能体支架负责组装上下文、执行调用和隔离运行，技能是支架里可被调用的现成可执行单元如检测器与求解器；三者搭配后模型只做判断选择，支架保证判断能落地为计算，技能把声学专业操作封装成模型能用的动作。
单智能体 × 多智能体系统： 单智能体在一个上下文里完成感知推理执行循环，多智能体系统由编排循环把任务分给有各自上下文的子智能体；本工作是集中式协作按角色分工，主智能体分发任务给故障检测与设计子智能体，子智能体之间不直接通信，只把最终结果返回，分离带来分工但交接可能丢失信息。
读图任务是确认模型与支架谁负责什么，以及本系统在多智能体坐标中的位置。
看图路径： 1. 先看左侧支架框内的四个模块与右侧模型的连接关系；2. 再确认模型是中央处理单元而支架提供信息与执行
论文图 1。原论文 Figure 1:：“The LLM and the harness around it form the agent. The functions the harness provides are grouped into four modules, which Figure 2 breaks down into the elements that provide them.”。
该图确实显示智能体由支架与语言模型组成，支架一侧列出感知、规划、记忆与工具使用 4 个模块并与模型连接。这帮助理解后文为什么只动配置、知识与技能而不改循环本身：循环与模块划分是支架固有属性，领域专家能改的是围绕现有支架提供的部件。
读图任务是把集中合作按角色分工与去中心化、竞争等备选项区分开。
看图路径： 1. 对照三行分别看通信结构、协作类型与协作策略；2. 找到集中式星形、合作、按角色分工在本系统的位置
论文图 3。原论文 Figure 3:：“The three axes along which an agentic system is designed.”。
该图确实按通信结构、协作类型与协作策略三行列出星形与网状、分层、合作竞争与竞合、按规则按角色与按模型等示意。本系统对应星形中的中心节点加合作与按角色，与后文一个编排者带子智能体的实现一致。
支架里上下文配置知识记忆各管什么
上下文是模型单次调用能看到的全部内容，包括输入提示、配置、装载的知识、工作区记忆与可用技能，超出上下文窗口的信息模型用不到。配置是一组操作说明文件，最关键的是可用技能清单与使用方法，只把技能放在工作区而不说明，模型不一定会用。知识是与模型自身经验相区分的领域信息来源，可经微调写入权重、可经检索模块自动插入上下文，也可作为普通文件放在工作区由智能体自行决定是否读取，本文采用第三种。记忆分会话内短期记忆与跨会话长期记忆，本文只用会话内记忆，跨会话存储检索不在范围。
推理是模型在上下文齐备后生成答案前的内部处理，推理努力即测试时计算可调，调高会增加中间步骤、延迟与费用。执行是调用技能的行动阶段，结果回流进上下文。隔离容器把智能体限制在边界内并保证每次复位。论文强调对领域专家而言，上下文组成与循环改造属于支架工程，领域知识、配置与技能才是无需改支架即可设计的部分。
上下文 × 配置 × 知识： 上下文是模型一次能看到的全部信息，配置是说明有哪些技能和如何协作的操作文件，知识是放在工作区供模型自行读取的领域文档如阈值表；上下文决定模型能用什么，配置决定模型该按什么流程用，知识决定判断时依据什么数值，三者共同进入每次推理前的组装。
故障检测的基元与检测器如何分工
故障检测子智能体配有十三项技能，形式是经执行工具调用的函数，组成两段流水线。前段 4 个基元把录音变成特征产物：一是逐帧的均方根、方差与过零率，二是短时谱与其平坦度与主导频率，三是给定分辨率下的振幅包络，四是满幅采样与平坦段计数。后段 9 个检测器各对应一种故障类型，在基元产物上与阈值比较，给出该类型是否出现及时间区间。阈值来自知识文件，若无阈值检测器不回退到默认值而是失败，留给智能体自己设值。
这种划分把测量与判定分开，基元决定感知，检测器决定结论，智能体负责在中间做衔接：跑哪个基元、调哪个检测器、如何连接两者。技能划分越固定，可复现性越高而智能体决策越少；留得越开，不确定性越大但越能看出智能体如何使用技能。本文故意用较开的划分，以便比较不同配置调用哪些技能与调用是否可靠。
基元技能 × 检测器： 基元技能把录音变成均方根、谱平坦度、振幅包络等特征产物，检测器在特征产物上用阈值比较做出某类故障有无与起止时间的判定；前者决定智能体能感知到什么，后者决定它得出什么结论，两段分离后智能体必须自己完成从选基元到选检测器的衔接。
超材料声场模型与网格约束
超材料任务在 2 维频域计算声压，控制方程为亥姆霍兹方程，波数由频率与空气声速决定。管道壁与散射体表面为刚性，入口与出口用 1 阶吸收条件处理，入口以单位幅值平面波正入射，右侧吸收同时保证反射波不重新进入。仿真域只算一条管道，利用对称单胞在正入射下侧壁等效为对称面的条件代表无限周期阵列，但该假设只在管道只支持单传播模时成立，对称激励下第二个模先出现，截止频率由横向周期与声速决定，求解器拒绝高于截止频率 80% 以上的频率。
网格用二次拉格朗日单元非结构三角网直接求解每个频率，单元尺寸取波长分辨率规则与最小特征尺寸规则两者之小者。在本文单胞中后者起决定作用，千赫附近波长规则允许约几十毫米，而缝宽壁厚把单元压到一到几毫米。设计用接收线后方二十一点平均声压平方定义插入损失，空通道声压幅值为一时该式直接给出衰减分贝数。
下图先建立几何与边界的空间关系，再看 4 种模板的参数化方式。
散射体 × 共振腔： 散射体如刚性圆柱靠阻挡散射减弱透射，共振腔如带窄缝的 C 形靠缝宽壁厚决定的共振吸收；前者容易达到较低插入损失门限，后者才能达到中高门限，智能体在设计中要在两者之间选择并调参，模板的有无决定它是调已知形状还是自己画形状。
\[\nabla^{2}p+k^{2}p=0,\]\[\mathrm{IL}(f)=-10\log_{10}\big\langle|p|^{2}\big\rangle_{\mathrm{receiver}},\]读图任务是沿波传播方向确认入口出口对称面与接收线，并核对厚度与间隙约束，观察虚线标出的阵列前后与接收线位置。
看图路径： 1. 沿入口到出口看平面波传播方向与吸收端口位置；2. 看阵列厚度限制、单元间隙与接收线量测位置
论文图 7。原论文 Figure 7:：“The simulated setup with scatterers or resonators in air, where the domain is governed by the Helmholtz equation.”。
该图确实显示波从左侧入口进入经阵列到右侧出口，上下为对称边界，阵列前后有虚线标出深度，接收线在阵列后方，散射体表面与对称面分别标注。这说明插入损失是在固定距离后方评价的，厚度与间隙是硬约束，仿真有效性依赖单模条件。
读图任务是区分散射圆与共振 C 形的参数，并看双元在周期内 1/4 与四分之三处的两种尺寸成员如何摆放。
看图路径： 1. 比较单圆、单 C 形与双元变体的几何参数标注；2. 注意双元在四分之一与四分之三周期处的放置
论文图 8。原论文 Figure 8:：“The four unit-cell templates. A rigid circle (a) scatters the incident wave, and a c-shape (b), a cavity behind a narrow slit, resonates.”。
该图确实给出刚性圆半径、C 形外半径壁厚缝宽，以及双元在 1/4 与四分之三周期处各放不同尺寸成员的布置。这对应后文智能体要设的晶格间距、列数与形状参数，也解释为何中高门限必须选共振体。
没有模型训练时实际执行了什么计算
本研究没有训练语言模型，模型权重冻结，所谓学习发生在支架运行中。故障检测侧的计算是运行基元生成特征、读知识阈值或自设阈值再调检测器，最后输出结构化文本由脚本对照真值评分。超材料侧的计算是按模板或自画网格生成单胞、检查几何约束、划分网格求解声场、计算插入损失，再由智能体决定改哪个参数或换哪种搜索策略。
因此可复现的不是训练流程，而是技能、阈值文件、配置说明、提示词原文、隔离环境与评分脚本。同一配置跑十次会有分布，因为模型采样与循环分支使路径分叉，单次运行只是分布中的一个样本。理解这一点才能正确解读后文均值加标准差与分辨率的报告方式。
故障基准的数据故障类型与提问形式
合成数据是双声道波形文件，每条 10 秒，采样率 40000 多赫兹，由车辆动力总成轮胎等声源模型经座舱传递函数合成。干净与损坏各占一半，使全判干净只能得一半左右，分数高于此才说明能区分。9 种故障模拟真实测量链可能出现的失效，覆盖脉冲、丢失、削波、电平跳变、平台、趋势与长趋势、噪声突发与频率毛刺等，波形与语谱图示例展示了起止标记。
提问共 8 条，前 5 条一次给一条录音，从是否损坏到类型再到类型加时间区间逐级变难，其中一条还加入同事坚持已损坏的诱导；后 3 条一次给一批 50 条录音，分别对应二分类、类型与定位。每条提示要求结构化文本回答以便自动提取，措辞固定且用非技术语言，模拟先验知识有限的用户。每次运行定义为一次会话，独立工作区，记忆只限会话内。
以下表格先说明基准的数据规模与录音形式，这是理解后续分数分母与聚合方式的前提。
| 项目 | 数量与形式 |
|---|---|
| 干净录音 | 25 条 |
| 损坏录音 | 25 条 |
该表说明基准是平衡的两类各半设计，单条时长与采样率固定，评分时干净与损坏同等重要。限制是合成数据只保证真值精确与类型覆盖，不能代表真实测量活动的故障比例与复杂背景。
平衡准确率 × F1 分数： 平衡准确率是损坏类与干净类各自准确率的平均，用于整批二分类时避免多数类主导，F1 分数是查准率与查全率的调和平均，用于类型与定位回答时同时惩罚漏报与虚报；前者回答分得清与否，后者回答找得全且准否，分工对应不同提问形式。
\[\text{balanced acc.}=\frac{1}{2}\left(\frac{TP}{TP+FN}+\frac{TN}{TN+FP}\right),\]\[F_{1}=\frac{2\,P\,R}{P+R},\]评分规则与不确定度如何表示
单条二分类答对记一分答错记 0 分，报告十次中对几次。批量二分类用平衡准确率，即损坏类准确率与干净类准确率的平均，常规准确率在类别不平衡时会被多数类主导，平衡后全判一类只能得机会水平。类型与定位用查准率查全率及其调和平均 F1 分数，定位还要求类型相同且起止端点落在容差内，容差与参考事件时长、固定秒数下限与基元窗长跳长决定的下限有关，长持续故障另设上限防止容差过松。真阴性只在二分类有明确定义，因此类型定位沿用声音事件检测惯例报 F1。
批量可先按条评分再平均，也可全批汇总计数一次归约，本文用后者，使每条故障权重相等而非每条录音权重相等，干净判对不计分，误报计假阳性，未回答的录音其全部故障计漏报。离散度用十次的标准差与分辨率表示，分辨率约 2 倍标准差除以根号十，两均值差需超过分辨率约根号 2 倍才可称可区分。单条二分类只报对几次，不报离散度。
支架部件从无到全配时分数如何变化
第 1 阶段比较 4 种配置：无技能、无文档有技能、有文档加技能、全配加阈值知识。全配在几乎每次运行接近满分，仅批量二分类与批量类型各有一次因丢失记录与残留工作区干扰而略低。无技能在多数任务垫底，但在批量二分类因在批内相对排序而非阈值判定反而超过有文档配置，说明提问形式会改变策略。无文档与有文档都需自设阈值，分数中等，日志显示智能体跑基元看量级再调阈值，出现无故障就降低阈值重跑直到出现看似合理的结果，并无代价函数约束。
有文档几乎每次都调检测器，无文档多只跑基元后自己判定，调用数相差两个量级但总耗时与 token 代价相近，差异未超分辨率。文档的作用是改变路径使运行可预测，而非直接提高精度。干净样本上无文档偶然选到更好阈值而偏高，属十次内的运气而非文档有害。
以下表格汇总设计任务三档门限的原文整组写法，这是判断后文达标余量正负的前提，单位保留在整组末尾不逐值拆分。
| 适用范围 | 要求的插入损失整组写法 |
|---|---|
| broadband tasks | 6, 18, and 40 decibels in the broadband tasks |
| 101 | 8, 20, and 45 decibels in 101 |
该表说明窄带与宽带共用同一中心频率附近但带宽与门限不同，中高档超出散射体能力必须用共振。限制是门限为人设的三档，不能推广到任意频带，且单次运行的达标不能当作方法在该档的通过率。
超材料十二次设计各发生了什么
四任务各三档共 12 次运行，全部满足几何约束，八次达标。窄带与无搜索宽带的中高档全部以 C 形共振达标，简单档在有模板时多选 C 形，在有搜索与无模板时出现圆散射体与实心块。无模板时智能体自己画出实心块、双腔与单腔，形态上从实心到空腔随门限升高，与有模板的选择逻辑一致。
搜索策略的作用体现在共振峰位置：无搜索时 6 个共振峰都落在目标带下方几十到二百多赫兹，靠峰侧翼越过门限；有搜索时两个共振峰落在带内，衰减被放到目标要求的位置。代价是搜索任务用掉更多求解次数，但所有运行都远未用满六十次预算，简单档无模板以差 0.5 分贝提交时还剩五十多次机会，说明智能体提前停止。网格上智能体偏保守，用比两条规则要求细得多的网格。
压力场图显示三共振在千赫达 30 到 39 分贝，单散射体约 11 分贝，双元模板的两成员半径仅差百分之几，近乎相同。无模板中档迎波双腔声压大、后方双腔安静，功能上正是共振器，说明无示例时也能画出可用形状。
知识冲突与换弱模型时什么还在什么掉了
第二阶段在记忆中加入与知识阈值表矛盾的损坏表。公平指令下三十次中 25 次只用正确表，四次只用损坏表，一次混用；指明优先知识后三十次全部只用正确表；公平指令加高推理努力后双源同查从一次升到 11 次，但公平条件分数不随推理努力移动，指明正确来源则恢复到无冲突水平。这说明决定因素是指令把哪个来源广告在前，而非多思考能解决结构性矛盾。
第三阶段把模型换为较弱的同系列模型。批量二分类各配置差异在噪声内；单条定位在有文档与全配下显著下降；批量定位在所有配置下都下降，全配从满分掉到约 0.8 且标准差约 0.3，回答变不可靠。但全配在两种模型下都是同任务最高，配置阶梯未被推翻，即支架决定接近上限的程度，模型决定上限本身。
以下表格整理知识冲突下智能体选用哪张表的计数，这是理解指令作用与推理努力无效的关键证据。
| 指令条件 | 只用正确表 | 只用损坏表 | 两表都查 |
|---|---|---|---|
| 公平提及两源 | 25 / 30 | 4 / 30 | 1 / 30 |
| 明确优先知识 | 30 / 30 | 0 / 30 | 0 / 30 |
| 公平加高推理努力 | 17 / 30 | 2 / 30 | 11 / 30 |
该表显示公平时已偏向正确表，点名知识可消除损坏选择，加推理努力只增加双查不提高质量。限制是反方向未测试，且三十次中每次十次的三任务合并计数，不能拆为单任务的稳定选择率。
以下表格整理超材料 12 次运行的总体成败与自报误差，这是判断智能体是否可靠的前提。
| 总运行数 | 达标数 | 自报与独立重算最大差 |
|---|---|---|
| 12 次 | 8 次达标 | 1.4 decibels |
该表说明多数设计达标且智能体对是否达标的自我判断与评分一致，最大偏差较小。限制是每格单次运行，属模式而非测量，且模型无损耗使峰高无物理意义。
结论在什么条件下才成立
故障检测的接近满分依赖配齐的阈值知识与隔离可比环境，且每配置每提示只跑十次，分辨率有限，细小差异不可区分。批量二分类的反例表明提示形式与批内相对比较会改变策略，不能把单条结论直接搬到批量。无技能运行曾在文件系统找到残留技能文件并执行而日志未记调用，说明隔离失效会污染分数，复现时需先做受限环境与日志溯源。
超材料结论基于 2 维无损耗模型、标准模板与单次运行，不代表超材料设计进步，峰高无物理意义，高频单模条件截断也限制了评价范围。提前停止与保守网格是行为记录，不是效率证明，没有测量延迟成本就不能承诺更快更省。换弱模型后阶梯保留但绝对值下降，说明支架改进不能突破模型上限，模型也不能弥补支架结构错误。
复现第一步做什么与需要补哪些验证
复现故障部分先准备合成录音与真值、十三项技能函数、阈值知识文件与 8 条原文提示，再在隔离容器里按 4 种配置各跑十次，用脚本按二分类、平衡准确率与 F1 汇总，附标准差与分辨率。复现超材料部分先实现亥姆霍兹求解器、几何检查、网格规则与接收线插入损失计算，再按四任务三档门限各跑设计，最后用半倍单元独立重算验证余量。
作者未公开代码模型与数据下载，补充材料称数据在附件中，技能实现需向通信作者索取，因此第三方只能按描述重写。还需补的验证包括更大重复次数以缩小分辨率、反方向知识冲突、真实测量录音上的泛化、有损耗 3 维模型的检验，以及记录 token 与秒数的完整成本统计。关键信息条件是阈值表是否在上下文、指令是否点名正确来源、模板与搜索策略是否提供，这些在复现时必须与原文一致。
什么时候值得尝试这种智能体
当工作流已固定且能封装成技能时值得尝试，例如把检测器执行、几何检查与求解器调用固定在技能里，智能体负责选参、选模板与跨频带调度，运行会更可预测且易于追错。当好设计的形态未知时可留开放探索，例如不给模板让智能体自己画面，但要接受单次结果不稳定，需多次运行与独立重算。
不值得的是指望调高推理努力解决信息矛盾或超出能力范围的任务，结构性问题应在支架层面修，超出范围的回答很可能是幻觉。总体上技能与阈值知识决定能达到什么，流程说明决定走哪条路，模型决定上限，加推理努力只改变查哪份来源而不改变答题质量。按此分工设计技能流水线，才能在可靠与探索之间取得适合声学任务的平衡。
📎 论文与评分元数据
排名：前50% | 文档类型：应用研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses