AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation

Das Paper stellt AutoMOOSE vor, ein Open-Source-Framework für autonome Multi-Agenten-Simulationen, das die gesamte Lebenszyklus von Phasenfeld-Simulationen mit MOOSE von der Eingabe bis zur Fehlerkorrektur und Validierung automatisiert und dabei menschliche Expertise überflüssig macht.

Das Wesentliche

Stellen Sie sich vor, Sie möchten ein komplexes wissenschaftliches Experiment durchführen – sagen wir, Sie wollen beobachten, wie sich die Körner in einem Metall unter Hitze verändern, ähnlich wie Schmelzkäse, der sich in der Pfanne zusammenzieht.

Früher war das wie der Versuch, ein hochmodernes Raumschiff zu steuern, ohne dass ein Fluglehrer an Bord ist. Sie mussten nicht nur die Physik verstehen, sondern auch eine extrem komplizierte, fehleranfällige Sprache lernen (die „MOOSE"-Software), um den Computer zu befehlen, was er tun soll. Ein kleiner Tippfehler in einem Code-Block konnte das ganze Experiment zum Absturz bringen.

AutoMOOSE ist wie ein intelligenter, selbstfahrender Assistent, der diese ganze Hürde beseitigt. Hier ist die Erklärung, wie das funktioniert, mit ein paar einfachen Vergleichen:

1. Der Chef-Planer (Der „Architect")

Stellen Sie sich vor, Sie sagen zu Ihrem Assistenten: „Hey, lass uns das Metall bei vier verschiedenen Temperaturen (300, 450, 600 und 750 Grad) beobachten."
Der Architect-Agent ist wie ein erfahrener Bauleiter. Er hört Ihren einfachen Satz, versteht, was Sie wollen, und erstellt sofort einen detaillierten Bauplan. Er weiß genau, welche Werkzeuge (Software-Module) Sie brauchen, ohne dass Sie wissen müssen, wie diese Werkzeuge heißen.

2. Die Baufirma (Der „Input Writer")

Jetzt kommt die eigentliche Arbeit. Früher mussten Sie den Code selbst schreiben. Der Input Writer ist wie eine hochspezialisierte Baufirma mit sechs verschiedenen Handwerkern im Team.

• Einer baut das Fundament (das Gitter).
• Einer stellt die Materialien zusammen.
• Einer programmiert die Physik-Regeln.
• Das Tolle: Sie müssen nicht wissen, wie man einen Hammer hält. Sie sagen nur „Bau das", und das Team erledigt die komplizierte Sprache für Sie. Wenn sie fertig sind, haben sie einen perfekten Bauplan (die Eingabedatei), der sofort einsatzbereit ist.

3. Der Fahrer und der Mechaniker (Der „Runner" und der „Reviewer")

Der Runner startet das Experiment. Er fährt das Raumschiff los. Aber was passiert, wenn etwas schiefgeht?

• Früher: Der Computer stürzt ab, Sie bekommen eine unverständliche Fehlermeldung, und Sie müssen stundenlang raten, was los ist.
• Mit AutoMOOSE: Der Reviewer (der Prüfer) ist wie ein mechanischer Genie, der sofort neben dem Fahrer sitzt. Wenn das Schiff einen Fehler meldet (z. B. „Zu viel Geschwindigkeit!" oder „Ein Bauteil fehlt"), analysiert der Reviewer sofort das Problem. Er sagt dem Baufirma-Team: „Ändert das hier!" und startet das Experiment neu.
• Das Ergebnis: Das System repariert sich selbst. Sie müssen nicht eingreifen. Es ist, als würde ein Auto, das eine Reifenpanne hat, automatisch einen neuen Reifen wechseln und weiterfahren, während Sie nur Kaffee trinken.

4. Der Reporter (Der „Visualization")

Am Ende, wenn das Experiment erfolgreich war, kommt der Visualization-Agent. Er ist wie ein Wissenschaftsjournalist. Er schaut sich die Daten an und sagt Ihnen nicht nur: „Es hat funktioniert", sondern erklärt auch: „Schauen Sie mal, bei 750 Grad haben sich die Körner viel schneller vergrößert als bei 300 Grad. Das passt genau zu unserer physikalischen Theorie." Er schreibt sogar die Zusammenfassung für Sie auf.

Warum ist das so revolutionär?

• Keine Programmierkenntnisse nötig: Sie können ein Physiker sein, der die Theorie versteht, aber keinen Code schreiben kann. Sie sprechen einfach mit dem System.
• Selbstkorrektur: Das System macht Fehler, lernt daraus und korrigiert sie sofort, ohne dass Sie die Hände vom Tisch nehmen müssen.
• Alles ist dokumentiert: Jedes Experiment wird in einem „selbsterklärenden Ordner" gespeichert. Wenn Sie in fünf Jahren wiederherstellen wollen, wie das Experiment lief, reicht ein Klick. Es ist wie ein perfektes Tagebuch, das automatisch geführt wird.

Das große Bild

AutoMOOSE schließt die Lücke zwischen „Ich habe eine Idee" und „Hier ist das Ergebnis". Es verwandelt einen komplizierten, mühsamen Prozess in ein Gespräch. Es ist der erste Schritt hin zu einem „selbstfahrenden Labor", in dem Computer nicht nur rechnen, sondern auch denken, planen, Fehler finden und Ergebnisse erklären können.

Kurz gesagt: AutoMOOSE ist der Dolmetscher und Butler für die Welt der Materialwissenschaft, der es jedem ermöglicht, die Geheimnisse der Materie zu entschlüsseln, ohne ein Experte für Computercodes zu sein.

Technische Zusammenfassung

Problemstellung

Die Simulation von Mikrostrukturen mittels Phasenfeld-Methoden (z. B. für Kornwachstum, Spinodale Entmischung) ist ein zentrales Werkzeug in der Materialwissenschaft. Frameworks wie MOOSE (Multiphysics Object-Oriented Simulation Environment) bieten leistungsstarke, skalierbare Engines für diese Aufgaben. Dennoch ist die praktische Anwendung stark eingeschränkt, da sie tiefes Fachwissen und manuelle Arbeit erfordert:

• Hohe Einstiegshürde: Die Erstellung gültiger Eingabedateien (.i-Dateien) erfordert die Beherrschung komplexer Syntax, numerischer Solver-Einstellungen und physikalischer Modelle.
• Manuelle Fehlerbehebung: Das Koordinieren von Parametersweeps, das Diagnosen von Konvergenzfehlern und das Extrahieren quantitativer Ergebnisse erfordern oft stundenlange manuelle Eingriffe.
• Reproduzierbarkeitsprobleme: Kleine Unterschiede in Mesh-Auflösung oder Solver-Toleranzen können zu quantitativ unterschiedlichen Ergebnissen führen, was den Aufbau systematischer Datenbanken erschwert.

Bisherige KI-Ansätze adressierten diese Probleme meist nur in atomistischen Skalen (z. B. DFT) oder bei der reinen Code-Generierung, ohne den gesamten Simulationszyklus (von der Eingabe bis zur Analyse) autonom zu steuern.

Methodik: Das AutoMOOSE-Framework

AutoMOOSE ist ein Open-Source-Framework, das eine agente KI-Architektur nutzt, um den gesamten Simulationslebenszyklus von einer einzigen natürlichen Sprachanfrage aus zu orchestrieren.

1. Die fünf-Agenten-Pipeline:
Das System verwendet fünf spezialisierte Agenten (basierend auf dem Modell claude-sonnet-4-20250514), die in einer sequenziellen Datenfluss-Architektur arbeiten:

• Architect (f1): Interpretiert die natürliche Sprache des Nutzers und erstellt einen strukturierten Simulationsplan ($P$), der Physik, Geometrie, Solver-Einstellungen und Sweep-Parameter kodiert.
• Input Writer (f2): Ein zusammengesetzter Agent, der sechs Unter-Agenten koordiniert, um eine syntaktisch und physikalisch validierte MOOSE-Eingabedatei zu generieren. Er übersetzt physikalische Parameter (z. B. Korngrenzenenergie $\sigma$, Mobilität $M_{GB}$) analytisch in Phasenfeld-Koeffizienten ($L, \mu, \kappa$).
• Runner (f3): Startet die MOOSE-Simulationen parallel (z. B. über MPI), überwacht den Fortschritt in Echtzeit und leitet bei Fehlern die Protokolldaten weiter.
• Reviewer (f4): Der autonome Korrektur-Agent. Er analysiert Fehlerprotokolle bei Konvergenzfehlern, klassifiziert diese (z. B. „Zeitschritt zu groß", „Mesh-Auflösung unzureichend") und schlägt korrigierte Parameter vor, um den Input Writer zur Neubearbeitung zu veranlassen – ohne menschliches Eingreifen.
• Visualization (f5): Extrahiert quantitative Daten (z. B. Kornzahl $N(t)$), passt kinetische Modelle an und liefert eine natur-sprachliche Interpretation der Ergebnisse.

2. Modulare Plugin-Architektur:
Die Physik-spezifische Logik ist strikt von der Orchestrierungsebene getrennt. Ein Plugin-Vertrag (zwei Funktionen: generate_input und parse_results) ermöglicht die Integration neuer Phasenfeld-Formulierungen (z. B. Spinodale Entmischung, Ferroelektrika), ohne den Kern des Frameworks zu ändern.

3. Model Context Protocol (MCP) Schnittstelle:
AutoMOOSE stellt den gesamten Workflow als MCP-Server bereit. Dies ermöglicht die Interoperabilität mit beliebigen MCP-kompatiblen KI-Clients (z. B. Claude Desktop, CI/CD-Pipelines) und erlaubt die Komposition mit externen Optimierungsloops (z. B. Bayesian Optimization).

4. FAIR-Daten-Prinzipien:
Jeder Simulationslauf erzeugt ein selbst-dokumentierendes Verzeichnis mit allen Metadaten (Eingabedatei, Log, Metadaten-JSON), was eine exakte Reproduzierbarkeit ohne externe Abhängigkeiten garantiert.

Wichtige Beiträge

1. Vollständige Automatisierung: AutoMOOSE schließt die Lücke zwischen physikalischem Verständnis und validierter Simulation. Es führt den gesamten Zyklus von der Eingabe bis zur quantitativen Analyse ohne manuelle Zwischenstufe durch.
2. Autonome Fehlerkorrektur: Das Reviewer-System diagnostiziert und behebt Laufzeitfehler (z. B. Konvergenzprobleme, Syntaxfehler) autonom in einem geschlossenen Regelkreis.
3. Physikalische Selbstverifikation: Das System validiert seine eigenen Ergebnisse durch einen konsistenten Abgleich: Die aus der Simulation extrahierte Aktivierungsenergie ($Q_{fit}$) wird mit dem vom Nutzer spezifizierten Eingabewert ($Q$) verglichen.
4. Skalierbarkeit und Parallelisierung: Das Framework führt Parametersweeps parallel aus, was zu einer signifikanten Beschleunigung der Gesamtlaufzeit führt.

Ergebnisse (Validierung am Beispiel Kornwachstum)

Das Framework wurde an einem Benchmark für das polykristalline Kornwachstum von Kupfer bei vier Temperaturen ($300, 450, 600, 750$ K) validiert.

• Eingabedatei-Genauigkeit: Die generierten MOOSE-Eingabedateien wiesen eine hohe Übereinstimmung mit menschlichen Expertenreferenzen auf (6 von 12 Blöcken exakt identisch, 4 funktional äquivalent).
• Leistung: Die parallele Ausführung der vier Temperatur-Läufe erzielte einen 1,8-fachen Speedup gegenüber einer seriellen Ausführung.
• Physikalische Konsistenz:
  • Das System rekonstruierte die Kornvergröberungskinetik mit hohen Bestimmtheitsmaßen ($R^2 = 0,90–0,95$ für $T \ge 600$ K).
  • Die extrahierte Arrhenius-Aktivierungsenergie betrug $Q_{fit} = 0,296$ eV im Vergleich zum spezifizierten Wert von $Q = 0,23$ eV. Die Abweichung ist auf Finite-Size-Effekte zurückzuführen und liegt im Bereich menschlicher Referenzläufe ($Q_{fit} = 0,267$ eV).
• Fehlerbehandlung: Drei verschiedene Klassen von Konvergenzfehlern (z. B. doppelte Objektdeklarationen, ungenutzte Parameter) wurden vom Reviewer-Agenten autonom in einem Korrekturzyklus behoben.
• Interpretation: Der Visualization-Agent lieferte korrekte natur-sprachliche Interpretationen der Ergebnisse, die physikalische Phänomene (wie die Unterdrückung der Kinetik bei niedrigen Temperaturen) korrekt identifizierten.

Bedeutung und Ausblick

AutoMOOSE demonstriert, dass die Kluft zwischen dem Wissen über die Physik und der Durchführung einer validierten Simulationskampagne durch eine leichte Multi-Agenten-Orchestrierung überbrückt werden kann.

• Demokratisierung: Es senkt die Einstiegshürde für Phasenfeld-Simulationen erheblich, indem es Expertenwissen nicht mehr zwingend für die Syntax erfordert.
• Selbstfahrende Labore: Das System ist ein fundamentaler Baustein für „Self-Driving Laboratories" und autonome Materialentdeckung, da es nahtlos in Optimierungsloops integriert werden kann.
• Reproduzierbarkeit: Durch die automatische Generierung von FAIR-konformen Metadaten löst es ein langjähriges Problem der Reproduzierbarkeit in der computergestützten Materialwissenschaft.

Zukünftige Arbeiten werden die Integration von Retrieval-Augmented Generation (RAG) zur Erweiterung des physikalischen Wissensstands über MOOSE-Dokumentationen und die Aktivierung weiterer Plugin-Stubs (z. B. für Ferroelektrika) umfassen.