arXiv cs.AI· S{\o}ren Taverniers, Eric Darve, Hamdi A. Tchelepi·· 10 小时前AI 评分31
基于架构的可靠性:用智能体工作流从自然语言生成经验证的多物理场仿真
Reliability by Architecture: Agentic Workflows for Validated Multi-Physics Simulation from Natural Language
AI 导读
研究团队提出一种智能体工作流架构,让 LLM 负责解读用户请求与仿真器诊断、生成规则未覆盖的输入组件并提出修复方案,确定性例程则负责构建受支持组件并校验输入、编辑与结果。
正文 · AI 翻译
摘要:准备、执行并验证强耦合多物理场仿真需要专家投入时间。智能体工作流使用大语言模型(LLM)根据自然语言描述来协调这些工作,但可靠性要求对物理一致性和对问题描述的忠实度进行检查。我们的智能体框架实现了明确的任务分配:LLM 解读用户请求和模拟器诊断信息,生成预定义构建规则未覆盖的输入组件,并提出修复建议,而确定性例程则构建受支持的组件,并检查输入、编辑和结果。我们使用多物理场模拟器 GEOS 评估 CO2 封存问题,涵盖从组分流动到带摩擦断层接触的流动-孔隙力学。在两个流动问题上的 80 次尝试中,接地将结构有效输入的比例从 5/20 提升到 20/20,但只有采用完整的基于规则的输入准备,接受率才能达到 20/20。在输入相同的情况下,局部修复纠正了三个预置缺陷,同时保留了有效输入。支持性测试识别出那些通过了物理检查、但与问题描述或参考结果存在差异的仿真。
| 学科: | 计算工程、金融与科学(cs.CE);人工智能(cs.AI);计算物理(physics.comp-ph) |
| 引用为: | arXiv:2611.23473 [cs.CE] |
| (或 arXiv:2611.23473v1 [cs.CE] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.23473 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Søren Taverniers [查看电子邮件]
[v1]
2026年11月17日星期二 20:25:26 UTC(64 KB)
来源:arXiv cs.AI · arxiv.org