LLM-driven design of physics-constrained constitutive models: two agents are better than one

ملخص تقني: التصميم الموجه بنماذج اللغات الكبيرة (LLM) للنماذج البنيوية المقيدة بالفيزياء

بيان المشكلة
يتطلب تطوير النماذج البنيوية التي تلتقط تشوه المواد تحت الحمل بدقة، تقليدياً، سنوات من الخبرة المتخصصة في ميكانيكا الاستمرار، والتعلم الآلي، والبرمجة العلمية. وبينما أظهرت نماذج اللغات الكبيرة (LLMs) مؤخراً القدرة على توليد نماذج بنيوية عند الطلب، إلا أن مسارات العمل الحالية ذات العميل الواحد تفتقر إلى آليات منهجية لضمان التزام النماذج الناتجة بالقوانين الفيزيائية الأساسية. وتحديداً، فإن النهج السابق مثل GenCANN (Tacke et al., 2025a) كان بإمكانه توليد نماذج دقيقة، لكنه لم يقدم أي ضمان بأن الشبكات المولدة تستوفي القيود المرنة الفائقة (hyperelastic) الحرجة مثل الاتساق الديناميكي الحراري، والموضوعية، وتماثل المادة، والتحدب المفرط (polyconvexity). وتحد هذه الفجوة من موثوقية النماذج المولدة بواسطة LLM وقابليتها للاستخدام العملي في التطبيقات الهندسية.

المنهجية
يقدم المؤلفون إطار عمل متعدد الوكلاء مدفوعاً بنماذج اللغات الكبيرة (LLM) مصمماً لسد الفجوة بين توليد النموذج والتحقق الفيزيائي. يستخدم النظام وكيلين متخصصين:

1. وكيل المبتكر (The Creator Agent): مكلف باقتراح نموذج بنيوي مصمم خصيصاً لبيانات تجريبية محددة. يقوم بتوليد تنفيذ بلغة بايثون لشبكة عصبية اصطناعية بنيوية (CANN)، مع التركيز على ملاءمة البيانات مع محاولة الالتزام بالقيود الفيزيائية من خلال البناء.
2. وكيل المفتش (The Inspector Agent): مكلف بمراجعة مقترح المبتكر نقدياً مقابل تسعة قيود فيزيائية محددة مطلوبة للنماذج المرنة الفائقة المقبولة:
   • الاتساق الديناميكي الحراري
   • تماثل موتر الإجهاد (Stress tensor symmetry)
   • الموضوعية (Objectivity)
   • تماثل المادة
   • التحدب المفرط (الذي يتضمن الإهليلجية/الاستقرار)
   • شرط النمو الحجمي
   • تطبيع الطاقة (Energy normalization)
   • تطبيع الإجهاد (Stress normalization)
   • عدم سلبية طاقة الانفعال

يعمل سير العمل كحلقة تحسين. يقوم المبتكر بتوليد نموذج، يخضع لفحوصات تركيبية آلية. تُمرر التنفيذات الصالحة إلى المفتش، الذي يقيمها مقابل القيود التسعة. إذا تم اكتشاف انتهاكات، يعيد المفتش النموذج مع مبررات محددة إلى المبتكر من أجل التحسين. تتكرر هذه الدورة، حيث يقوم الزوج بجولتين من التحسين بعد التوليد الأولي. يختار النظام النموذج الأكثر دقة من بين المرشحين الثلاثة الذين وافق عليهم المفتش في دورة تشغيل واحدة.

تستخدم الدراسة نموذجين أساسيين من نماذج اللغات الكبيرة: النموذج المملوك Claude Opus 4.7 والنموذج مفتوح المصدر Kimi K2.5. تم اختبار الإطار على ثلاث مجموعات بيانات مرجعية: أنسجة دماغ بشري (بيانات شحيحة وصعبة)، ومطاط تجريبي (Treloar, 1944)، ومطاط اصطناعي (يسمح بحساب الإجهاد للحقيقة الأرضية لاختبار الاستقراء).

المساهمات الرئيسية

1. أول بنية متعددة الوكلاء للنمذجة البنيوية: تقدم الورقة أول نظام حيث يتعاون "المبتكر" و"المفتش" لتوليد نماذج بنيوية مقيدة بالفيزياء. هذا يفصل مهمة التوليد عن مهمة التحقق، وهو مبدأ تصميم أثبت كفاءته في تحسين الصحة الواقعية والاستدلال في مجالات أخرى لنماذج اللغات الكبيرة.
2. تحسن ملموس في الالتزام الفيزيائي: تثبت الدراسة أن إضافة "المفتش" تزيد بشكل كبير من موثوقية المخرجات. بالنسبة لـ Claude Opus 4.7، ارتفرحصة النماذج المصدرة التي تستوفي جميع القيود الفيزيائية من 91% (المبتكر وحده) إلى 100%. وبالنسبة لـ Kimi K2.5، ارتفعت من 37% إلى 56%.
3. نموذج مستقل عن التقنية: بينما تم استخدامه باستخدام CANNs، يصيغ المؤلفون حلقة (المبتكر-المفتش) كقالب عام قابل للتطبيق على الشبكات العصبية المعززة بالفيزياء (PANNs)، أو الشبكات العصبية الكينوماتيكية البنيوية (CKANs)، أو القوانين الرمزية، مما يتوسع تلقائياً مع القدرات المستقبلية لنماذج اللغات الكبيرة.

النتائج

• الصلاحية الفيزيائية: حقق النهج متعدد الوكلاء التزاماً فيزيائياً كاملاً (100%) لنموذج Opus وتحسناً جوهرياً لـ Kimi. أثبت المفتش فعالية عالية في اكتشاف الانتهاكات، خاصة فيما يتعلق بتماثل المادة والإهليلجية.
• الدقة والتعميم: حافظت النماذج المولدة على دقة قريبة من النماذج المرجعية (baseline) مقارنة بـ CANNs المصممة بشرياً. وفي مجموعات بيانات المطاط، حققت تنبؤات شبه مثالية على بيانات التدريب. والأهم من ذلك، أظهرت قدرة ملحوظة على التعميم والاستقراء في مسارات تحميل غير مرئية (مثل مستوي الثوابت لـ Treloar)، حيث كان أداؤها مقارباً أو أفضل من النماذج المرجعية في سيناريوهات الاستقراء.
• ديناميكيات التعاون: أظهر زوج (المبتكر-المفتش) تعاوناً فعالاً. بالنسبة لـ Opus، تم حل 93% من الانتهاكات الجديدة التي رصدها المفتش في التكرار التالي. أظهر Kimi معدل حل أقل (69%) وميلاً للوقوع في حلقات مفرغة من الانتهاكات المتكررة، رغم أنه حسن الموثوقية الإجمالية.
• استخدام الأدوات: عندما مُنح المفتش إمكانية الوصول إلى أدوات التحقق الرقمي، استخدمها Opus بشكل محدود وانتقائي، بينما أظهر Kimi سلوكاً ثنائي النمط (إما استدعاء جميع الأدوات أو لا شيء منها). أدى الوصول إلى الأدوات إلى تحسين التزام Kimi إلى 73% ولكنه قلل قليلاً من أداء Opus بسبب الثقة المفرطة في قيود معينة.

الأهمية والادعاءات
تدعي الورقة أن فصل التوليد عن التفتيش يحول النمذجة البنيوية المدفوعة بنماذج اللغات الكبيرة إلى "عملية موثوقة حقاً". تكمن الأهمية الأساسية في إنتاج نماذج هي في آن واحد صالحة فيزيائياً، وعالية الدقة، وقادرة على الاستقراء الموثوق—وهو مزيج كان من الصعب تحقيقه سابقاً بالطرق المؤتمتة.

يضع المؤلفون هذا العمل كخطوة نحو اكتشاف النماذج الآلية الواعية بالفيزياء. ويؤكدون أن هذا النموذج مصمم ليكون مستقلاً عن التقنية وقابلاً للتوسع مع تقدم قدرات نماذج اللغات الكبيرة. ومن خلال تحقيق التزام فيزيائي بنسبة 100% لنموذج رائد في المواد المرنة الفائقة، المتجانسة، وغير القابلة للانضغاط، تضع هذه الدراسة علامة فارقة في الاستخدام الموثوق لنماذج اللغات الكبيرة في النمذجة البنيوية، متجاوزة "التوليد كصندوق أسود" إلى "التصميم المقيد بالفيزياء". ويشير المؤلفون إلى أنه بينما يتضمن الإعداد الحالي قيوداً محددة مسبقاً وأدوات مبرمجة، فإن الإطار مهيأ ليصبح أكثر استقلالية مع تحسن قدرات الاستدلال وتوليد الأكواد في نماذج اللغات الكبيرة.