PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics

Resumen Técnico: PhyNiKCE

1. El Problema: La Brecha Semántico-Física

La implementación de agentes autónomos para Dinámica de Fluidos Computacional (CFD) se ve severamente limitada por la naturaleza probabilística de los Modelos de Lenguaje Grande (LLM). Aunque los LLMs son excelentes en coherencia sintáctica, fallan en cumplir las leyes de conservación estrictas y la estabilidad numérica requeridas por los solucionadores físicos deterministas (como OpenFOAM).

• Desconexión Semántico-Física: Los enfoques actuales basados en Retrieval Augmented Generation (RAG) estándar utilizan embeddings vectoriales que buscan similitud semántica. Esto provoca una "contaminación de contexto" (context poisoning), donde el agente recupera configuraciones lingüísticamente plausibles pero físicamente inválidas (ej. mezclar condiciones de frontera incompresibles con solucionadores compresibles).
• Limitaciones de los Agentes Actuales:
  • Los agentes puramente semánticos tienen una precisión de ~4.5% en tareas básicas.
  • Los agentes con RAG vectorial alcanzan un máximo de ~34% en tareas básicas y ~25% en tareas complejas.
  • Sistemas estructurados recientes (como ChatCFD) dependen de plantillas fijas, lo que genera rigidez: funcionan bien en casos de tutorial conocidos, pero fallan drásticamente (~30% de precisión) en escenarios prácticos no tutorial que requieren combinaciones novedosas de modelos físicos.

2. Metodología: El Marco Neurosimbólico PhyNiKCE

Para cerrar esta brecha, los autores proponen PhyNiKCE (Physical and Numerical Knowledgeable Context Engineering), un marco agente neurosimbólico que desacopla la planificación neuronal (generación de texto) de la validación simbólica (cumplimiento de reglas físicas).

La arquitectura consta de dos componentes principales:

A. Motor de Conocimiento Simbólico (Symbolic Knowledge Engine)
Actúa como un "guardián determinista" antes de que el agente ejecute la simulación.

• Base de Conocimiento Simbólica: En lugar de texto no estructurado, los casos de tutorial de OpenFOAM se transforman en una base de datos estructurada (JSON) mediante un proceso de normalización sintáctica e identificación de características físicas (Solucionador, Modelo de Turbulencia, Compresibilidad).
• Motor RAG Determinista: En lugar de búsqueda vectorial, utiliza estrategias de recuperación basadas en reglas para tratar la configuración como un Problema de Satisfacción de Restricciones (CSP). Emplea cinco recuperadores especializados:
  1. Cascading Fallback Retriever: Maneja la escasez de datos relajando restricciones de búsqueda en un orden físico lógico (ej. si no hay un caso exacto para el solucionador + turbulencia, busca solo por solucionador, priorizando la compatibilidad numérica).
  2. All-Model Retriever: Garantiza que los esquemas de discretización sean compatibles con todos los modelos físicos activos simultáneamente.
  3. Data-driven Template Retriever: Genera plantillas canónicas agregando estadísticamente los mejores parámetros de solucionadores lineales a través de la base de conocimientos.
  4. Multi-Source Retriever: Combina ejemplos de código con restricciones teóricas extraídas del código fuente de OpenFOAM para resolver la polimorfia de parámetros en condiciones de frontera.
  5. Heuristic Keyword Retriever: Utilizado en la fase de corrección de errores para extraer fragmentos de código específicos y de alta densidad de información basados en palabras clave de los logs de error.

B. Agente Autónomo de CFD

• Fase 1 (Entrada): Interpreta inputs multimodales (texto, PDF, mallas) para extraer características físicas.
• Fase 2 (Inicialización): Utiliza el Motor RAG Determinista para inyectar contexto validado físicamente antes de generar los archivos de configuración.
• Fase 3 (Reflexión de Errores): Si la simulación falla, el agente diagnostica el error y utiliza los recuperadores especializados para aplicar correcciones dirigidas, evitando la regeneración ciega de archivos.

3. Contribuciones Clave

1. Aplicación de Restricciones Neurosimbólicas: Introducción de un motor RAG determinista que elimina la contaminación de contexto al separar la generación neuronal de la validación simbólica.
2. Superioridad en Tareas Complejas: Logra una mejora relativa del 96% sobre los modelos de última generación (SOTA), aumentando la precisión de tareas complejas no tutorial del 26% al 51%.
3. Eficiencia en Inferencia: Contrario a la creencia de que los sistemas neurosimbólicos añaden sobrecarga, PhyNiKCE reduce los bucles de autocrítica (reflexión) en un 59% y disminuye el consumo de tokens del LLM en un 17%, al priorizar una inicialización basada en conocimiento en lugar de corrección por ensayo y error.
4. Auditabilidad y Confianza: Proporciona una ruta de decisión transparente y trazable para cada parámetro, esencial para la certificación en entornos industriales regulados.

4. Resultados Experimentales

El marco se validó utilizando OpenFOAM en tareas prácticas derivadas de literatura científica (no tutoriales), cubriendo flujos incompresibles (perfil NACA 0012) y compresibles (boquilla de Laval) con múltiples solucionadores y modelos de turbulencia.

• Precisión:
  • Vector RAG (Estándar): ~5% (falla por contaminación de contexto).
  • Baseline (ChatCFD SOTA): 26%.
  • PhyNiKCE Completo: 51% (casi el doble que el estado del arte).
• Eficiencia de Recursos:
  • Reducción de rondas de reflexión de 22.11 (Baseline) a 9.06 (PhyNiKCE).
  • Ahorro de tokens: De 181.2k a 151.2k por caso.
• Fidelidad Física: Las simulaciones exitosas reprodujeron con alta fidelidad fenómenos complejos como ondas de choque (Schlieren) y coeficientes de presión, validados contra datos experimentales.
• Análisis de Fallos: El 90% de los errores en agentes anteriores eran de configuración compleja. PhyNiKCE resolvió eficazmente errores en esquemas de discretización y solucionadores lineales, áreas donde los agentes puramente neuronales fallaban sistemáticamente.

5. Significado e Impacto

• Paradigma de IA Confiable: PhyNiKCE demuestra que para dominios de ingeniería de alto riesgo, la densidad de información (reglas estructuradas) es más efectiva que el volumen de datos (entrenamiento masivo).
• Escalabilidad Industrial: La arquitectura es agnóstica al dominio y puede extenderse a otras áreas de la Ingeniería Asistida por Computadora (CAE), como mecánica de sólidos o electromagnetismo, mediante la adaptación de los constructores de la base de conocimientos.
• Cambio de Enfoque: El estudio confirma que el cuello de botella para la automatización de la ingeniería ya no es la capacidad del modelo de lenguaje, sino la estructura y densidad de la base de conocimientos específica del dominio.

En conclusión, PhyNiKCE establece un nuevo estándar para la automatización de simulaciones físicas, demostrando que la integración de lógica simbólica estricta con la flexibilidad generativa de los LLMs es el camino hacia una Inteligencia Artificial Confiable en entornos industriales críticos.