Research and Prototyping Study of an LLM-Based Chatbot for Electromagnetic Simulations

Este estudio presenta un chatbot basado en el modelo de lenguaje Google Gemini 2.0 Flash que automatiza la configuración, resolución y post-procesamiento de simulaciones de corrientes parásitas bidimensionales mediante Gmsh y GetDP, reduciendo significativamente el tiempo necesario para generar modelos electromagnéticos.

Lo esencial

Imagina que quieres cocinar un plato complejo, como una lasagna, pero no tienes tiempo para medir los ingredientes, cortar las verduras, precalentar el horno y escribir la receta paso a paso. Lo que harías sería llamar a un chef experto (el "Chatbot") y decirle simplemente: "Quiero una lasagna con mucha carne y queso, pero sin cebolla".

Este artículo de investigación trata sobre cómo crear un "chef experto" para un campo muy técnico: las simulaciones electromagnéticas (usadas para diseñar motores, transformadores, antenas, etc.).

Aquí tienes la explicación sencilla de lo que hicieron los autores:

1. El Problema: La Cocina es Demasiado Compleja

Normalmente, para simular cómo se comporta la electricidad en un objeto, un ingeniero tiene que:

• Dibujar el objeto en un programa de diseño.
• Escribir miles de líneas de código matemático para definir las reglas de la física.
• Configurar el "horno" (el software de simulación) para que cocine los datos.
• Esperar horas o días para ver el resultado.

Es como si, para hacer una lasagna, tuvieras que fabricar tu propio horno, cultivar tus propios tomates y escribir el libro de cocina desde cero cada vez que quieres comer.

2. La Solución: El "Chef" con Inteligencia Artificial

Los autores crearon un Chatbot (un asistente de conversación) basado en una Inteligencia Artificial avanzada (llamada Gemini).

• Tú hablas: Le dices al chatbot en lenguaje normal: "Diseña un motor con 12 cables en círculo" o "Muestra cómo se calientan los cables si los pongo en forma de cuadrado".
• El Chef piensa: El chatbot no solo entiende tus palabras, sino que escribe el código necesario automáticamente.
  • Escribe el código para dibujar los cables (como si dibujara el plano de la cocina).
  • Escribe el código para las reglas de la física (la receta).
  • Ejecuta la simulación (mete la lasagna al horno).
• El resultado: Te devuelve un gráfico visual de cómo se comporta la electricidad y un resumen en texto fácil de entender: "Ves, aquí los cables se calientan más porque están muy juntos".

3. ¿Qué descubrieron? (Las Pruebas)

Los investigadores probaron a este "chef" con diferentes niveles de dificultad:

• Nivel Básico: Pedir cables en una línea recta. El chatbot lo hizo perfecto casi siempre.
• Nivel Intermedio: Pedir cables en formas extrañas, como un trapecio o una letra "A". Aquí, a veces el chef se confundía. A veces dibujaba la forma correcta pero la receta (el código de física) tenía un error, como si pusiera sal en lugar de azúcar.
• Nivel Avanzado: Pedir formas muy complejas, como un cable especial llamado "Milliken" con cientos de piezas pequeñas. Aquí fue más difícil. El chatbot a veces alucinaba (inventaba cosas que no existían) o fallaba en la matemática.

La analogía clave:
El chatbot es como un traductor muy rápido pero a veces despistado. Si le pides algo simple, traduce perfecto. Si le pides algo muy complejo sin darle suficientes pistas (ejemplos de cómo hacerlo), a veces se inventa cosas que suenan bien pero que no funcionan en la realidad.

4. El Gran Hallazgo: La Importancia de las "Pistas"

Descubrieron que la inteligencia artificial no necesita ser "reeducada" (no hace falta darle un curso nuevo). Lo que funciona es darle instrucciones muy claras en el momento (lo que llaman "System Prompts").

• Si le dices: "Haz una lasagna" (sin más), el chef puede fallar.
• Si le dices: "Haz una lasagna, usa queso mozzarella, no cebolla, y asegúrate de que el horno esté a 180 grados" (instrucciones detalladas), el chef acierta mucho más.

5. ¿Por qué es importante esto?

Antes, un ingeniero tardaba horas en configurar una simulación. Con esta herramienta, el proceso se reduce a segundos o minutos.

• Para los ingenieros: Significa que pueden probar 100 diseños diferentes en el tiempo que antes tardaban en probar uno solo. Es como tener un superpoder para experimentar.
• El reto futuro: El mayor problema es que, como la IA es un poco "adivina", a veces genera resultados que parecen correctos pero que están mal. Los autores proponen crear sistemas para que la IA se revise a sí misma o para que un humano verifique rápidamente si la "lasagna" está bien hecha antes de servirla.

En resumen

Este paper presenta un asistente mágico que convierte tus ideas en palabras en simulaciones de ingeniería reales. No reemplaza al ingeniero, pero le quita el trabajo pesado de escribir código y configurar herramientas, permitiéndole enfocarse en lo importante: diseñar mejores motores y dispositivos eléctricos mucho más rápido.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo de investigación en español, estructurado según los componentes solicitados.

Título: Estudio de Investigación y Prototipado de un Chatbot Basado en LLM para Simulaciones Electromagnéticas

1. Problema Abordado

El campo de la computación electromagnética enfrenta un desafío significativo en la configuración de modelos de simulación. Tradicionalmente, la creación de mallas, la definición de condiciones de frontera, la escritura de scripts de solución (en lenguajes específicos de dominio como GetDP) y el post-procesamiento requieren un conocimiento experto y manual, lo que consume mucho tiempo.

La investigación actual en Inteligencia Artificial (IA) se centra principalmente en resolver problemas de valores de frontera electromagnéticos utilizando redes neuronales (como las redes neuronales informadas por física o PINNs). Sin embargo, existe una brecha de investigación en cómo utilizar la IA para reducir el tiempo de configuración de estos modelos, automatizando la generación del código necesario para ejecutar simulaciones numéricas tradicionales (como el Método de Elementos Finitos - MEF) sin alterar el esquema numérico subyacente.

2. Metodología

Los autores proponen un flujo de trabajo impulsado por un chatbot que utiliza un Modelo de Lenguaje Grande (LLM) multimodal, específicamente Google Gemini-2.0-Flash, para automatizar la generación y resolución de modelos de corrientes parásitas (eddy currents) bidimensionales.

• Arquitectura del Sistema:

  • Interfaz: Una aplicación web interactiva construida con Streamlit.
  • Orquestación: Python actúa como la capa de coordinación, gestionando la interacción entre el LLM, el generador de mallas y el solver.
  • Herramientas de Simulación:
    • Gmsh: Para la generación de mallas (interfazada vía API de Python).
    • GetDP: Para la resolución de las ecuaciones de elementos finitos (interfazado mediante archivos .pro generados dinámicamente y ejecutados vía línea de comandos).
  • Problema Físico: Se modelan conductores masivos con sección transversal circular en un dominio 2D, resolviendo las ecuaciones de Maxwell en el límite magneto-cuasiestático utilizando la formulación de potencial vector magnético ($A$) y potencial escalar eléctrico ($v$).

• Estrategia de Prompting:

  • No se realiza fine-tuning (entrenamiento fino) del modelo; en su lugar, se utiliza ingeniería de prompts (system prompts) para contextualizar al LLM.
  • El flujo de trabajo evoluciona a través de varios niveles de complejidad:
    1. Generación de código Python: Inferir listas de coordenadas de conductores basadas en descripciones naturales (ej. "12 conductores en un círculo").
    2. Inferencia de DSL (Lenguaje de Dominio Específico): Generar código para GetDP (archivos .pro) para post-procesamiento personalizado (ej. densidad de pérdida óhmica), utilizando ejemplos en el prompt.
    3. Inferencia sin ejemplos explícitos: Generar código DSL complejo (ej. densidad de energía magnética) basándose únicamente en la descripción física en el prompt del usuario, sin ejemplos de código en el sistema.
    4. Resumen Textual: Generar un resumen en lenguaje natural de los resultados físicos (efectos piel, proximidad) a partir del código y los datos de la simulación.

3. Contribuciones Clave

1. Automatización Declarativa: Se demuestra que es posible pasar de una descripción natural de un problema electromagnético a un modelo de simulación completo y ejecutable, desplazando el enfoque de "cómo resolver" a "qué resolver".
2. Inferencia de Código Híbrido: El sistema logra inferir exitosamente tanto código de propósito general (Python) como código de dominio específico (GetDP), incluso para tareas de post-procesamiento complejas.
3. Marco de Validación Semántica y Sintáctica: Los autores proponen una estructura conceptual (una "pila" de sintaxis y semántica) para clasificar los fallos del flujo de trabajo. Esto distingue entre:
   • Errores de sintaxis (código no compilable).
   • Errores semánticos (código compilable pero físicamente incorrecto, ej. factores numéricos erróneos en fórmulas).
   • Errores geométricos (mallas válidas pero que no corresponden a la intención del usuario).
4. Evaluación Comparativa: Se realiza un benchmarking de varios modelos de IA (Gemma-3, Gemini-2.5, Gemini-3.1) frente a problemas de dificultad variable (básico, intermedio, avanzado), cuantificando tanto el éxito sintáctico como la validez física de los resultados.

4. Resultados

• Desempeño de los Modelos:
  • Los modelos pequeños (Gemma-3-1b) fallaron completamente en generar ejecuciones sintácticamente correctas.
  • Gemini-2.5-Flash demostró ser el modelo más robusto, logrando configuraciones geométricas válidas y post-procesamiento correcto en la mayoría de los casos, incluso para problemas avanzados (ej. conductores tipo Milliken).
  • Gemini-3.1-Flash-Lite mostró un buen desempeño en casos básicos e intermedios, pero con una tasa de éxito menor en configuraciones geométricas complejas.
• Calidad de la Generación:
  • La inclusión de ejemplos de código en el system prompt redujo significativamente los errores de sintaxis en el lenguaje GetDP.
  • Sin ejemplos, el LLM a menudo generaba código sintácticamente correcto pero semánticamente erróneo (ej. usar el campo eléctrico en lugar del potencial vector para calcular energía magnética, o factores de escala incorrectos).
  • La generación de resúmenes textuales fue capaz de identificar correctamente fenómenos físicos como el efecto piel y el efecto de proximidad.
• Eficiencia: El tiempo de experimentación se redujo drásticamente. Mientras un ingeniero humano podría tardar horas (de 2 a 8 horas dependiendo del nivel de experiencia) en configurar un modelo básico, el flujo de trabajo con IA lo hace en segundos, una vez configurado el entorno.

5. Significado e Impacto

Este trabajo es pionero en la aplicación de IA generativa no para resolver las ecuaciones diferenciales parciales, sino para automatizar la ingeniería de software necesaria para ejecutar simulaciones numéricas tradicionales.

• Reducción de Barreras de Entrada: Permite a investigadores y estudiantes con menos experiencia en programación de MEF o en lenguajes específicos de solvers (como GetDP) realizar simulaciones complejas mediante lenguaje natural.
• Nueva Dirección de Investigación: Abre la puerta al desarrollo de "Agentes de IA" en electromagnetismo, donde el sistema no solo genera código estático, sino que planifica flujos de trabajo complejos.
• Retos Futuros: El estudio destaca la necesidad crítica de desarrollar métodos de evaluación (semi)automatizados para verificar la validez física de los resultados generados por IA, ya que la validación humana actual es subjetiva y difícil de escalar. También sugiere la integración de técnicas de Generación Aumentada por Recuperación (RAG) para proporcionar al LLM acceso a manuales y documentación técnica actualizada de las herramientas de simulación.

En conclusión, el prototipo demuestra que los LLMs, cuando se contextualizan adecuadamente mediante prompts de ingeniería, pueden actuar como asistentes efectivos para la generación de modelos de simulación electromagnética, acelerando significativamente el ciclo de diseño y experimentación.