AI CFD Scientist: Toward Open-Ended Computational Fluid Dynamics Discovery with Physics-Aware AI Agents

Der Artikel stellt den Open-Source-Rahmenwerk AI CFD Scientist vor, der Vision-Sprach-Modelle nutzt, um numerische Strömungssimulationen auf OpenFOAM autonom auszuführen, zu validieren und zu verfeinern, wobei erfolgreich eine Spalart-Allmaras-Korrektur entdeckt wurde, die den Fehler um 7,89 % reduziert und gleichzeitig stille Fehler erkennt, die von herkömmlichen Solver-Prüfungen übersehen werden.

Das Wesentliche

Stellen Sie sich ein Team hochintelligenter, unermüdlicher Forschungsassistenten vor, die zusammenarbeiten, um komplexe physikalische Rätsel zu lösen. Diese Arbeit stellt AI CFD Scientist vor, ein neues Open-Source-System, das als autonomer Wissenschaftler speziell für die Computational Fluid Dynamics (CFD) konzipiert wurde – das Fachgebiet, das Supercomputer nutzt, um zu simulieren, wie Luft und Wasser um Objekte wie Flugzeugflügel, Karosserien oder sogar Blutgefäße strömen.

So funktioniert das System, erklärt durch einfache Analogien:

Das Problem: Die Falle des „stillschweigenden Versagens"

In vielen wissenschaftlichen Bereichen geht man davon aus, dass ein Ergebnis gut ist, wenn ein Computerprogramm ohne Absturz fertig läuft. Doch in der Strömungsmechanik ist dies gefährlich.

• Die Analogie: Stellen Sie sich einen Koch vor, der ein Rezept perfekt befolgt, aber versehentlich Salz statt Zucker verwendet. Der Kuchen backt, geht auf und sieht perfekt aus. Das „Log" (die Rezeptschritte) besagt, dass alles in Ordnung ist. Aber wenn Sie ihn probieren, ist er ungenießbar.
• Die Realität: Eine CFD-Simulation kann ohne Fehler fertig laufen und dennoch ein physikalisch unmögliches Ergebnis liefern (wie Luft, die durch eine feste Wand rückwärts strömt), und zwar aufgrund eines subtilen Fehlers in der Einrichtung oder der Mathematik. Herkömmliche KI-Tools übersehen diese „stillschweigenden Versagen" oft, da sie nur die Computer-Logs prüfen, nicht aber das tatsächliche Bild der Strömung.

Die Lösung: Ein Team spezialisierter Agenten

Die Autoren entwickelten ein System, das nicht nur Code ausführt, sondern wie ein komplettes Forschungslabor agiert. Es nutzt ein „Gehirn" (ein großes Sprachmodell), um mehrere spezialisierte „Agenten" (Software-Tools) zu koordinieren, die verschiedene Teile der Aufgabe übernehmen:

1. Der Ideengenerator: Anstatt nur zu raten, liest dieser Agent wissenschaftliche Arbeiten, um Wissenslücken zu finden und neue Experimente vorzuschlagen.
2. Der Code-Bauer: Wenn Standardtools ein spezifisches Problem nicht lösen können, schreibt und kompiliert dieser Agent neuen C++-Code (den „Motor" der Simulation), um benutzerdefinierte physikalische Modelle zu erstellen.
3. Der Mesh-Inspektor: Bevor eine Simulation läuft, prüft er, ob das digitale Gitter (das „Mesh") detailliert genug ist, um kleine Details zu erfassen, und stellt sicher, dass die Ergebnisse nicht nur eine verschwommene Schätzung sind.
4. Der „Vision"-Torwächter (Das Hauptmerkmal): Dies ist die wichtigste Innovation. Nach dem Lauf einer Simulation betrachtet das System nicht nur Zahlen. Es macht ein Bild der Strömung und zeigt es einem Vision-Language-Modell (einer KI, die Bilder „sehen" kann).
   • Die Analogie: Denken Sie daran wie an einen menschlichen Kunstkritiker, der ein Gemälde betrachtet. Selbst wenn der Künstler sagt: „Ich habe die Regeln befolgt", kann der Kritiker feststellen, dass die Perspektive falsch ist oder die Farben nicht der Realität entsprechen.
   • Das Ergebnis: Wenn die KI „sieht", dass die Strömung seltsam aussieht (wie ein Wirbel an der falschen Stelle), lehnt sie das Ergebnis ab und weist das System an, es erneut zu versuchen, selbst wenn der Computer-Log „Erfolg" meldete.

Was sie tatsächlich erreichten

Das Team testete dieses System an fünf verschiedenen Aufgaben. Hier sind die Highlights:

• Routineprüfungen: Es führte erfolgreich Standardtests durch, wie etwa die Überprüfung, wie verschiedene Turbulenzmodelle um einen rückwärtigen Stufenübergang (ein häufiger Testfall in der Aerodynamik) verhalten.
• Maßgeschneiderte Technik: Es schrieb eigenen Code, um nicht-newtonsche Fluide zu simulieren (Fluide, die sich bei Rühren in ihrer Viskosität ändern, wie Ketchup oder Blut), und bewies, dass es funktionierte.
• Die große Entdeckung (Offene Entdeckung): Dies ist der beeindruckendste Teil. Dem System wurde ein Ziel gegeben: „Finden Sie einen Weg, damit das Standard-Turbulenzmodell besser mit realen Daten übereinstimmt."
  • Ohne menschliche Hilfe führte die KI 44 Iterationen von Experimenten durch.
  • Sie probierte verschiedene mathematische Anpassungen aus, schrieb neuen Code, führte Simulationen durch und überprüfte die Ergebnisse.
  • Das Ergebnis: Sie entdeckte eine neue mathematische Korrektur (eine „Laufzeit-Anpassung"), die den Fehler bei der Vorhersage der Oberflächenreibung (wie stark Luft an einer Oberfläche reibt) im Vergleich zu den besten verfügbaren Referenzdaten um 7,89 % reduzierte.

Das Sicherheitsnetz: Fehler erkennen

Um zu beweisen, dass das System funktioniert, brachen die Forscher die Simulationen absichtlich auf 16 verschiedene Arten (z. B. durch Löschen der Ausgabedatei, Verfälschen der Zahlen oder vorzeitiges Stoppen der Simulation).

• Das „Vision-Tor" des Systems fing 14 von 16 dieser stillschweigenden Versagen ab.
• Standard-KI-Tools (ohne den Vision-Check) hätten diese defekten Ergebnisse als gültig akzeptiert.

Vergleich mit anderen KI-Wissenschaftlern

Die Autoren verglichen ihr System mit zwei anderen allgemeinen KI-Wissenschaftler-Tools (ARIS und DeepScientist).

• Der Unterschied: Die anderen Tools konnten die Simulationen ausführen und einen Bericht schreiben, übersahen jedoch oft die physikalischen Prüfungen. Sie könnten behaupten, ein Ergebnis sei gültig, obwohl es das nicht war.
• Der Vorteil: AI CFD Scientist ist „konservativ". Wenn die Beweise nicht perfekt sind (z. B. ist das Mesh nicht fein genug oder das Bild sieht seltsam aus), gibt es zu, dass es die Antwort noch nicht kennt, anstatt eine falsche Behauptung aufzustellen.

Zusammenfassung

AI CFD Scientist ist ein neues Open-Source-Tool, das den gesamten Prozess der Strömungsmechanik-Forschung automatisiert. Es führt nicht nur Zahlen aus; es liest Arbeiten, schreibt Code, prüft, ob die Physik richtig aussieht, indem es die Strömung „sieht", und veröffentlicht nur Ergebnisse, die eine strenge visuelle und mathematische Prüfung bestehen. Es fand erfolgreich einen neuen Weg, ein Standard-Physikmodell eigenständig zu verbessern und bewies, dass KI nun die komplexe, hochriskante Welt der physikalischen Simulation bewältigen kann, nicht nur die Software-Programmierung.

Technische Zusammenfassung

Technische Zusammenfassung: AI CFD Scientist

Problemstellung

Die Erweiterung von Large Language Model (LLM)-Agenten auf die physikalischen Wissenschaften, speziell die Strömungsmechanik (Computational Fluid Dynamics, CFD), stellt einzigartige Herausforderungen dar, die bei rein softwarebasiertem maschinellem Lernen oder biologischer Forschung nicht vorkommen. Die primäre Schwierigkeit besteht darin, dass das Abschließen des Lösers keine physikalische Validität impliziert. Eine CFD-Simulation kann sauber konvergieren, ohne Fehler in den Solver-Logs, liefert dennoch physikalisch degenerierte Ergebnisse aufgrund einer fehlerhaften Geometrie, fehlender Strömungsmerkmale oder fehlerhafter Schließungsmodelle. Diese Fehlermodi sind für eine textbasierte Log-Analyse oft unsichtbar. Darüber hinaus ist in der CFD das Schließungsmodell eine Forschungsvariable, die eine Quellcode-Modifikation auf C++-Ebene erfordert und keine einfachen Konfigurationsänderungen darstellt; Validitätsgates (wie Gitterunabhängigkeit und Abgleich mit Referenzdaten) sind wissenschaftliche Objekte, die explizit bestätigt werden müssen und nicht einfach angenommen werden dürfen. Bestehende KI-Wissenschaftler-Frameworks fehlen diese domänenspezifischen Validitätsgates, während bestehende CFD-Agenten oft vor dem vollständigen Entdeckungszyklus Halt machen und die Integration von literaturgestützter Ideation, Quellcode-Modifikation und visionsbasierter Verifikation versäumen.

Methodik

Die Autoren stellen AI CFD Scientist vor, ein Open-Source-Framework, das darauf ausgelegt ist, den wissenschaftlichen Entdeckungszyklus für die CFD zu schließen. Das System arbeitet über die Foam-Agent-Schnittstelle mit OpenFOAM und wird von einem gemeinsamen LLM-Rückgrat orchestriert (GPT-5.5 in den Experimenten). Die Architektur basiert auf fünf operativen Designprinzipien, die aus der CFD-Praxis abgeleitet wurden:

1. Physikalische Validität ist nicht log-lesbar: Eine Inspektion auf Bildebene ist zwingend erforderlich.
2. Quellcode-Modifikation: Das Bearbeiten von C++-Quellcode ist ein Forschungsobjekt, keine Konfigurationsoption.
3. Gitterunabhängigkeit: Ein erforderliches Konvergenz-Gate.
4. Keine Halluzination von Experimenten: Agenten können Variablen nicht austauschen oder Kriterien lockern, um fehlerhafte Fälle zum Laufen zu bringen.
5. Nachvollziehbarkeit: Jede Behauptung in einem Manuskript muss auf spezifische, validierte Abbildungen und numerische Werte zurückführbar sein.

Das Framework führt drei gekoppelte Pfade aus:

• Reguläre Experimentation: Literaturbewusste Ideation, Neuheitsfilterung, Anforderungsvalidierung, Gitterunabhängigkeits-Gating und Ausführung über Foam-Agent.
• Code-Modifikation: Generierung von falllokalen C++-Quelldateien und Wörterbüchern für neue physikalische Modelle, Kompilierung und Smoke-Tests.
• Offene Entdeckung: Eine äußere Hypothesenschleife, die autonom Kandidaten für Modellmodifikationen generiert, kompiliert und gegen einen Referenzvergleich testet, ohne weitere menschliche Eingabe.

Kerninnovation: Das VLM-Physik-Verifikations-Gate
Zentral für das Framework ist ein Vision-Language Model (VLM) Physik-Verifikations-Gate. Bevor ein Ergebnis akzeptiert, erneut ausgeführt oder in ein Manuskript übernommen wird, rendert das System Strömungsfelder (z. B. Geschwindigkeitskonturen, Reibungsbeiwert-Plots) und reicht sie bei einem VLM ein. Das VLM führt zwei Prüfungen durch:

1. Qualitätsfilter: Stellt sicher, dass Abbildungen lesbar und nicht degeneriert sind.
2. Physik-Check: Untersucht die visualisierte Strömung auf erwartete Merkmale (z. B. Rezirkulationszonen, Ablösepunkte) und beurteilt die Konsistenz mit der Experimentanforderung.
   Dieses Gate soll „stille Fehler" auffangen, die Solver-Logs bestehen, aber physikalischer Intuition widersprechen.

Der Workflow umfasst zudem ein Gitterunabhängigkeits-Gate (Vergleich von Basis- und verfeinerten Gittern) und eine Neu-Ausführungs/Schreiberschleife, die bei Fehlern Anforderungen revidiert und LaTeX-Manuskripte entwirft, die auf validierten Artefakten basieren.

Hauptbeiträge

1. Erster End-to-End Open-Source CFD-Wissenschaftler: Nach Kenntnis der Autoren ist dies das erste System, das literaturgestützte Ideation, validierte Ausführung, visionsbasierte Physik-Verifikation, Quellcode-Modifikation und abbildungsgegründetes Schreiben in einem einzigen überprüfbaren Workflow umfasst.
2. VLM-basiertes Physik-Gate: Die Einführung eines visions-sprachlichen Subsystems, das physikalische Inkonsistenzen erkennt, die für Solver-Logs unsichtbar sind, und damit eine kritische Lücke in aktuellen KI-Wissenschaftler-Frameworks schließt.
3. Entdeckung auf Quellcode-Ebene: Die Fähigkeit, autonom C++-Quellcode zu bearbeiten, um Turbulenzmodelle (z. B. Spalart–Allmaras) zu modifizieren und sie als falllokale Bibliotheken zu kompilieren, wobei die Code-Modifikation als Teil des Hypothesenraums behandelt wird.
4. Rigorose Evaluation: Eine kontrollierte Ablationsstudie, die die Wirksamkeit des VLM-Gates demonstriert, sowie ein direkter Vergleich mit starken allgemeinen KI-Wissenschaftler-Baselines (ARIS, DeepScientist).

Ergebnisse

Das System wurde an fünf Aufgaben unter Verwendung eines GPT-5.5-Rückgrats evaluiert:

• T1 (BFS-Turbulenzempfindlichkeit): Erfolgreiche Ausführung von vier RANS-Schließungsmodellen. Das VLM-Gate markierte einen Vorzeichenkonventionsfehler in einem Wiederanlege-Längen-Extraktor und triagisierte eine $k$-$\varepsilon$-Ausgabe als inkonsistent mit der Physik abgetrennter Strömungen, wodurch verhindert wurde, dass das System eine fehlerhafte Rangliste ausgab.
• T2 (Jet/Plume-Nachuntersuchung): Ausführung eines 7-Fall-Reynolds-Zahl-Sweeps mit Wiederherstellung der erwarteten Geschwindigkeitsskalierung. Das System markierte einen anomalen Fall, bei dem der Mittelwert der Mittellinie kollabierte.
• T3 (Benutzerdefinierte Viskosität): Autonomes Schreiben, Kompilieren und Validieren einer benutzerdefinierten Potenzgesetz-Viskositätsbibliothek mit Reproduktion des newtonschen Limits ($n=1$) innerhalb eines Fehlers von 0,5 %.
• T4 (Benutzerdefinierter SA-Modifikator): Kompilierung einer Spalart–Allmaras-Variante mit einer Korrektur für adversen Druckgradienten (APG). Validierung des benutzerdefinierten Codepfads gegen einen Kontrollfall ($APG=0$) und Generierung von DNS-abgestimmten $C_f$-Überlagerungen.
• T5 (Offene Entdeckung): In einer 44-Iterationen umfassenden autonomen Schleife entdeckte das System eine quadrupolare Laufzeitkorrektur für das Spalart–Allmaras-Modell am periodischen Hügel ($Re_h=5600$). Diese Modifikation reduzierte den RMSE des Wandreibungskoeffizienten ($C_f$) an der unteren Wand gegenüber DNS um 7,89 % (von 0,004297 auf 0,003958).

Ablationsstudie:
In einer Ablationsstudie mit eingepflanzten Fehlern, bei der 16 injizierte Fehler über vier Strömungstypen verteilt waren, erkannte das VLM-Gate 14 von 16 Fehlern (87,5 % Recall). Es erreichte 100 % Recall bei fehlenden Liefergegenständen, falschen Größenordnungen und defekter Nachverarbeitung, aber nur 50 % Recall bei abgebrochenen Konvergenzläufen (bei denen die Simulationszeit so editiert wurde, dass sie dem abgebrochenen Zustand entsprach, was es visuell vollständig erscheinen ließ).

Vergleich:
Im Vergleich zu ARIS und DeepScientist unter angepassten LLM-Kosten führten die Baselines teilweise Workflows aus, fehlten jedoch domänenspezifische Validitätsgates. Sie gaben häufig Schließungs-Rangfolgen oder Korrelationen ohne Gitterunabhängigkeit oder DNS-Validierung aus. AI CFD Scientist war konservativer, hielt Behauptungen zurück, wenn die Beweise unvollständig waren, und stellte sicher, dass alle Behauptungen durch validierte Abbildungen untermauert waren.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass AI CFD Scientist einen bedeutenden Schritt hin zur offenen Entdeckung in der numerischen Strömungsmechanik darstellt. Seine Bedeutung liegt in:

• Schließen des Zyklus: Über die einfache Fallkonfiguration hinaus zu einem vollständigen Zyklus aus Ideation, Ausführung, Verifikation und Schreiben.
• Physikalische Verankerung: Demonstration, dass die Integration eines visions-sprachlichen Gates notwendig ist, um ausführbare Simulationen in verteidigbare wissenschaftliche Behauptungen umzuwandeln, da Solver-Logs allein für die physikalische Validität nicht ausreichen.
• Autonome Entdeckung: Zeigen, dass ein KI-Agent autonom Quellcode modifizieren kann, um neuartige Korrekturen für Turbulenzmodelle zu entdecken, die die Übereinstimmung mit hochauflösenden DNS-Daten verbessern.
• Community-Baseline: Bereitstellung eines Open-Source-, überprüfbaren Frameworks für die CFD-spezifische wissenschaftliche Automatisierung im Gegensatz zu Closed-Source-Alternativen oder solchen mit unvollständiger Abdeckung.

Die Autoren bleiben bescheiden und stellen fest, dass das System derzeit ein Werkzeug zur „überwachten wissenschaftlichen Assistenz" und keine unbeaufsichtigte Publikationsmaschine ist, und dass die Evaluation aufgrund des Fehlens automatisierter Rubriken für CFD-Papiere auf manueller Expertenanalyse von Artefakten beruht. Die Ergebnisse sind durch das verwendete einzelne Rückgrat (GPT-5.5) und die getesteten spezifischen Aufgaben begrenzt.