Foam-Agent: Towards Automated Intelligent CFD Workflows

Das Paper stellt Foam-Agent vor, ein auf Large Language Models basierendes Multi-Agenten-System, das komplexe CFD-Arbeitsabläufe von der Netzgenerierung bis zur Visualisierung vollständig automatisiert und dabei eine Erfolgsrate von 88,2 % ohne menschliches Eingreifen erreicht.

Das Wesentliche

Stellen Sie sich vor, Computational Fluid Dynamics (CFD) – also die Simulation von Strömungen wie Luft um ein Flugzeug oder Blut in einer Arterie – ist wie der Bau eines riesigen, hochkomplexen Hauses.

Normalerweise ist dieser Prozess ein Albtraum für Laien. Man muss erst die Baupläne zeichnen (Geometrie), dann das Fundament und die Wände aus Millionen kleiner Ziegelsteinen legen (Vernetzung/Meshing), die Elektrik und Heizung planen (Physik-Einstellungen), den Bauantrag beim Bürgermeister einreichen (Job-Scripte für Supercomputer) und am Ende das fertige Haus fotografieren (Visualisierung). Ein einziger Fehler in einem dieser Schritte lässt das ganze Haus einstürzen. Es braucht Jahre an Erfahrung, um das zu lernen.

Foam-Agent ist wie ein super-intelligenter, selbstständiger Bauleiter, der all diese Aufgaben für Sie erledigt – und das alles nur auf Basis eines einzigen Satzes, den Sie ihm in normaler Sprache geben.

Hier ist die einfache Erklärung, wie dieser "Bauleiter" funktioniert:

1. Das Team aus Spezialisten (Multi-Agenten-System)

Statt dass eine einzige KI versucht, alles auf einmal zu tun (was oft zu Chaos führt), hat Foam-Agent ein Team von spezialisierten Robotern, die zusammenarbeiten:

• Der Architekt (Architect Agent): Sie sagen ihm: "Ich möchte den Wind um ein Flugzeug simulieren." Der Architekt denkt nach, schlägt einen Plan vor und sagt: "Okay, wir brauchen erst einen Bauplan, dann die Ziegel, dann die Elektrik." Er organisiert den gesamten Ablauf.
• Der Maurer (Meshing Agent): Dieser Roboter baut das "Gitter" (das Mesh), das die Strömung simuliert. Er kann das Gitter selbst bauen oder, wenn Sie schon ein fertiges Modell haben, es einfach übernehmen und anpassen.
• Der Schreiber (Input Writer Agent): Er schreibt die tausenden von technischen Dateien, die OpenFOAM (die Software, die die Simulation rechnet) braucht. Wichtig: Er achtet darauf, dass die Dateien logisch aufeinander aufbauen. Wenn die Wand noch nicht steht, schreibt er nicht über das Dach.
• Der Bauleiter vor Ort (Runner Agent): Er schickt den Auftrag los. Das kann auf Ihrem Laptop sein oder auf einem riesigen Supercomputer (HPC), falls die Aufgabe zu schwer ist.
• Der Qualitätskontrolleur (Reviewer Agent): Das ist der wichtigste Teil! Wenn die Simulation abstürzt (was oft passiert), liest dieser Roboter die Fehlermeldung, versteht, was schiefgelaufen ist, und korrigiert die Dateien automatisch. Er versucht es immer wieder, bis es klappt.
• Der Fotograf (Visualization Agent): Wenn alles fertig ist, macht er schöne Bilder und Videos von den Strömungen, damit Sie sehen können, was passiert ist.

2. Der "Kochbuch"-Effekt (Retrieval-Augmented Generation)

Ein großes Problem bei KI ist, dass sie manchmal Dinge erfindet, die nicht existieren (Halluzinationen). Foam-Agent verhindert das, indem es wie ein Koch, der ein riesiges Kochbuch konsultiert, arbeitet.

Bevor der Architekt einen Plan macht, schaut er in eine riesige Datenbank mit tausenden von erfolgreichen Simulationen. Er sucht nach ähnlichen Fällen (z. B. "Flugzeug" oder "Wasserströmung") und kopiert die bewährten Rezepte. So weiß er genau, welche Einstellungen funktionieren, anstatt zu raten.

3. Der "Lego"-Ansatz (Modularität)

Frühere Systeme waren wie ein riesiger, unflexibler Block. Wenn man nur einen kleinen Teil ändern wollte, musste man das ganze System neu starten.
Foam-Agent ist wie ein Lego-Set. Jeder Roboter (Architekt, Maurer, Fotograf) ist ein eigenes Bauteil. Man kann sie einzeln nutzen oder zusammenstecken. Das macht das System extrem flexibel und erlaubt es, es in andere Programme zu integrieren.

4. Das Ergebnis: Von "Unmöglich" zu "Einfach"

In Tests hat Foam-Agent 110 verschiedene Simulationen durchgeführt.

• Das Ergebnis: Es hat in 88,2 % der Fälle ohne menschliche Hilfe eine funktionierende Simulation geliefert.
• Der Vergleich: Bisherige Systeme schafften nur etwa 55 %.

Warum ist das so wichtig?

Stellen Sie sich vor, Sie sind ein Arzt, der wissen will, wie Blut durch eine verengte Arterie fließt. Früher musste er einen teuren CFD-Experten beauftragen, der Wochen an der Simulation arbeitete. Mit Foam-Agent kann der Arzt einfach sagen: "Simuliere den Blutfluss bei dieser Verengung mit diesen Parametern." Der Roboter erledigt den Rest, korrigiert Fehler automatisch und liefert das Ergebnis.

Zusammenfassend: Foam-Agent nimmt die Hürde der extremen Komplexität weg. Es verwandelt die "Geheimsprache" der Strömungsmechanik in ein einfaches Gespräch, sodass Forscher und Ingenieure sich auf das Ergebnis konzentrieren können, statt auf das Schreiben von Code. Es ist der Unterschied zwischen dem Versuch, ein Haus selbst zu bauen, und dem Anrufen eines Teams, das es für Sie plant, baut und fertigstellt.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Foam-Agent: Towards Automated Intelligent CFD Workflows" auf Deutsch:

1. Problemstellung

Die numerische Strömungsmechanik (CFD), insbesondere mit der weit verbreiteten OpenFOAM-Software, ist ein Eckpfeiler moderner Ingenieurwissenschaften. Dennoch stellt die praktische Anwendung erhebliche Hürden dar:

• Hohe Lernkurve: Die Bedienung erfordert tiefes Domänenwissen über Jahre.
• Fragmentierter Workflow: Der Prozess ist in viele getrennte Stufen unterteilt (Geometrieerstellung, Vernetzung/Meshing, Solver-Konfiguration, Berechnung, Nachverarbeitung/Visualisierung), die oft manuell und fehleranfällig verknüpft werden müssen.
• Limitationen bestehender KI-Lösungen: Frühere Ansätze wie MetaOpenFOAM oder OpenFOAMGPT konzentrierten sich oft nur auf die Solver-Konfiguration und ignorierten kritische Vor- und Nachverarbeitungsschritte. Zudem waren sie oft als monolithische Systeme aufgebaut, was eine flexible Integration in größere Forschungsworkflows erschwerte, und wiesen bei komplexen Aufgaben eine geringe Erfolgsquote auf.

2. Methodik: Foam-Agent

Foam-Agent ist ein Multi-Agenten-Framework, das Large Language Models (LLMs) nutzt, um den gesamten CFD-Workflow von einem einzigen natürlichen Sprachprompt aus zu automatisieren. Das System besteht aus folgenden Kernkomponenten und Architekturelementen:

A. Multi-Agenten-Architektur

Das System koordiniert spezialisierte Agenten, die jeweils eine spezifische Aufgabe übernehmen:

1. Architect Agent: Zerlegt die Benutzeranfrage in einen strukturierten Simulationsplan. Er nutzt ein RAG-System (Retrieval-Augmented Generation) mit hierarchischen Indizes, um relevante Fallbeispiele aus einer Wissensdatenbank (basierend auf OpenFOAM-Tutorials) zu extrahieren. Er definiert die Abhängigkeiten zwischen Dateien und die Generierungsreihenfolge.
2. Meshing Agent: Unterstützt drei Strategien zur Netzgenerierung:
   • Native OpenFOAM-Tools (blockMesh, snappyHexMesh).
   • Integration von Gmsh über Python-Skripte für komplexe Geometrien.
   • Verarbeitung externer Mesh-Dateien (z. B. .msh), die vom Benutzer bereitgestellt werden.
3. Input Writer Agent: Generiert die OpenFOAM-Konfigurationsdateien (z. B. 0/, constant/, system/) in einer strikten, abhänigkeitsbewussten Reihenfolge. Er injiziert den Kontext vorheriger Dateien, um Konsistenz bei physikalischen Parametern sicherzustellen und Halluzinationen zu vermeiden.
4. Runner Agent: Führt die Simulation lokal oder auf HPC-Clustern (High Performance Computing) aus. Er generiert automatisch Slurm-Skripte, überwacht den Job-Status und analysiert die Log-Dateien auf Fehler.
5. Reviewer Agent: Implementiert eine iterative Korrekturschleife. Bei Fehlern analysiert er die Logs, vergleicht sie mit dem Verlauf früherer Versuche (Trajektorien-Analyse), um Zyklen zu vermeiden, und schlägt spezifische Änderungen an den Konfigurationsdateien vor.
6. Visualization Agent: Generiert nach erfolgreicher Simulation Visualisierungen (z. B. Geschwindigkeitsfelder) mittels Python-Bibliotheken wie PyVista oder ParaView.

B. Schlüsseltechnologien

• Hierarchisches Multi-Index-Retrieval: Statt eines einzigen Vektor-Index nutzt das System vier spezialisierte FAISS-Indizes (Struktur, Details, Skripte, Dokumentation). Dies verbessert die Präzision der Kontextwiedergewinnung erheblich und überbrückt die semantische Lücke zwischen natürlicher Sprache und technischer Terminologie.
• Dependency-Aware Generation: Die Generierung von Dateien erfolgt topologisch sortiert basierend auf einem Abhängigkeitsgraphen, um sicherzustellen, dass abhängige Parameter (z. B. Randbedingungen) korrekt auf physikalische Eigenschaften verweisen.
• Model Context Protocol (MCP): Um das System modular und integrierbar zu machen, werden die Funktionen des Agents als diskrete, aufrufbare Tools über das MCP exponiert. Dies ermöglicht die Einbindung in andere Agentensysteme oder Workflow-Engines (z. B. via LangGraph).

3. Hauptbeiträge

• End-to-End-Automatisierung: Foam-Agent ist das erste Framework, das den gesamten CFD-Prozess (von der Mesh-Generierung bis zur Visualisierung) autonom abdeckt.
• Robustheit durch Iteration: Durch den Reviewer-Agenten und die Fehlerkorrekturschleife wird die Zuverlässigkeit bei komplexen Aufgaben massiv erhöht.
• Modularität: Die Nutzung von MCP löst das Problem monolithischer Designs und erlaubt eine flexible Komposition von CFD-Werkzeugen.
• Benchmarking: Das System wurde auf dem neuen CFDLLMBench (110 verschiedene Simulationsaufgaben) evaluiert.

4. Ergebnisse

Die Evaluation ergab folgende Ergebnisse:

• Erfolgsrate: Foam-Agent erreichte eine Erfolgsrate von 88,2 % bei der Ausführung von 110 Simulationsaufgaben ohne menschliches Eingreifen.
• Vergleich: Dies ist ein signifikanter Fortschritt gegenüber bestehenden Frameworks wie MetaOpenFOAM, das unter denselben Bedingungen nur 55,5 % erreichte (mit dem LLM Claude 3.5 Sonnet). Mit GPT-4o lag Foam-Agent bei 59,1 % gegenüber 17,3 % beim Baseline-Modell.
• Qualität: Visuelle Vergleiche der Ergebnisse (z. B. Temperaturfelder, Geschwindigkeitskonturen) mit Ground-Truth-Lösungen von menschlichen Experten zeigten, dass Foam-Agent physikalisch korrekte Ergebnisse liefert, während Baseline-Modelle oft geometrische Fehler oder falsche Gradienten aufwiesen.
• Ablationsstudien: Die Studie zeigte, dass der Reviewer-Agent den größten Einfluss auf den Erfolg hat (Steigerung von ~50 % auf >80 %). Die hierarchische Retrieval-Strategie und die Abhängigkeitsanalyse trugen ebenfalls signifikant zur Reduzierung von Fehlern und Token-Verbrauch bei.

5. Bedeutung und Ausblick

Foam-Agent demonstriert, wie spezialisierte Multi-Agenten-Systeme die Eintrittsbarriere für komplexe wissenschaftliche Berechnungen senken können. Es macht leistungsstarke CFD-Tools für ein breiteres Publikum von Forschern und Ingenieuren zugänglich, ohne die physikalische Strenge zu opfern.

Zukünftige Arbeiten zielen darauf ab, die Validierung von der reinen Ausführungskorrektheit auf die Ergebnisübereinstimmung zu erweitern. Dies könnte durch die Integration von Vision-Language-Modellen geschehen, die generierte Visualisierungen interpretieren und mit erwarteten physikalischen Mustern abgleichen, um einen geschlossenen Optimierungsloop zu schaffen.

Zusammenfassend stellt Foam-Agent einen bedeutenden Schritt in Richtung autonomer, intelligenter wissenschaftlicher Entdeckungssysteme dar, die repetitive und komplexe Ingenieursaufgaben automatisieren.