MOOSEnger -- a Domain-Specific AI Agent for the MOOSE Ecosystem

MOOSEnger es un agente de IA especializado que combina generación aumentada por recuperación con herramientas de análisis y ejecución deterministas para convertir instrucciones en lenguaje natural en archivos de entrada válidos y ejecutables para el entorno de simulación MOOSE, logrando una tasa de éxito del 93% frente al 8% de los modelos de lenguaje puros.

Lo esencial

Imagina que MOOSE es como un coche de carreras de Fórmula 1 extremadamente potente, diseñado para resolver los problemas físicos más complejos del mundo (como cómo se comporta un reactor nuclear o cómo fluye el agua a través de la roca). Pero hay un problema: para conducir este coche, no puedes usar un volante normal; tienes que escribir las instrucciones en un código secreto, muy estricto y lleno de reglas, como si tuvieras que ensamblar el motor pieza por pieza con un manual de instrucciones de 500 páginas. Si pones una coma en el lugar equivocado o escribes mal el nombre de una pieza, el coche no arranca y te deja tirado.

Aquí es donde entra MOOSEnger.

¿Qué es MOOSEnger?

MOOSEnger es como un mecánico experto y un copiloto de IA que se sienta a tu lado. Tú le dices en lenguaje normal: "Quiero simular cómo se calienta una barra de acero en 10 segundos", y MOOSEnger se encarga de todo el trabajo sucio.

En lugar de que tú tengas que aprender el código secreto, MOOSEnger:

1. Te escucha: Entiende lo que quieres hacer.
2. Busca en su biblioteca: Revisa millones de manuales y ejemplos anteriores para saber qué piezas necesita.
3. Escribe el código: Redacta las instrucciones técnicas por ti.
4. Revisa y repara: Antes de intentar arrancar el coche, lo revisa minuciosamente. Si ve un error de tipeo o una pieza que no existe, lo arregla automáticamente.
5. Prueba el motor: Ejecuta una prueba rápida para asegurarse de que todo funciona antes de darte el resultado final.

¿Cómo funciona? (La analogía del "Bucle de Corrección")

Imagina que le pides a un estudiante novato que escriba un código para MOOSE. Es probable que cometa errores y el programa falle. Si solo usas un modelo de inteligencia artificial normal (como un ChatGPT básico), te dará una respuesta que parece correcta, pero cuando intentas ejecutarla, fallará el 92% de las veces porque no sabe cómo "conectar" la teoría con la realidad del software.

MOOSEnger es diferente porque tiene un bucle de verificación:

• El "Pre-chequeo": Antes de lanzar la simulación, MOOSEnger actúa como un editor de texto muy estricto. Limpia espacios extraños, corrige nombres de objetos mal escritos (como cambiar "Kerel" por "Kernel") y asegura que la estructura del documento sea perfecta.
• El "Bucle de Prueba": Si algo falla, MOOSEnger no se rinde. Mira el mensaje de error del programa, entiende qué pasó, corrige el código y lo vuelve a probar. Lo hace una y otra vez hasta que el coche arranca.

Los Resultados: ¿Funciona de verdad?

Los autores probaron a MOOSEnger con 125 problemas diferentes, desde cómo se mueve el calor hasta cómo fluyen los fluidos.

• Sin ayuda (Solo IA): Un modelo de lenguaje normal solo logró que el programa funcionara en 8 de cada 100 casos. Era como intentar encender un coche de carreras con un destornillador: la mayoría de las veces fallaba.
• Con MOOSEnger: El sistema logró que el programa funcionara en 93 de cada 100 casos.

¿Por qué es importante esto?

Antes, para usar MOOSE, tenías que ser un experto en programación y física, o pasar horas buscando en manuales y corrigiendo errores. Con MOOSEnger, la barrera de entrada baja drásticamente.

• Para los novatos: Es como tener un tutor que te guía paso a paso, permitiéndote concentrarte en la física (el "qué" quieres estudiar) en lugar de en la sintaxis (el "cómo" escribirlo).
• Para los expertos: Ahorra horas de trabajo repetitivo. Ya no tienes que perder tiempo buscando por qué falló una simulación; la IA lo detecta y lo arregla sola.

En resumen

MOOSEnger es el puente entre la idea humana (en lenguaje natural) y la ejecución técnica compleja (código de simulación). No reemplaza al ingeniero, sino que le da superpoderes para que pueda resolver problemas difíciles sin perderse en el laberinto de la programación. Es la diferencia entre intentar construir un puente a mano con un martillo y usar una grúa automatizada que ajusta los tornillos por ti.

Resumen técnico

Resumen Técnico: MOOSEnger

1. El Problema

El entorno de simulación multipísica MOOSE (Multiphysics Object-Oriented Simulation Environment) es un marco de trabajo de alto rendimiento desarrollado en el Laboratorio Nacional de Idaho, utilizado ampliamente en física de reactores, fluidos térmicos y mecánica estructural. Sin embargo, su uso presenta barreras significativas:

• Complejidad de la Sintaxis: Las simulaciones se configuran mediante archivos de entrada en un lenguaje específico de dominio (DSL) llamado HIT (Hierarchical Input Text), con extensión .i. Estos archivos tienen una estructura jerárquica estricta y una gran cantidad de objetos y parámetros.
• Curva de Aprendizaje Empinada: Traducir la intención física del usuario a un archivo .i sintácticamente válido y semánticamente coherente es difícil. Errores menores en el formato o en los nombres de los objetos pueden impedir la ejecución o generar resultados físicos incorrectos.
• Depuración Iterativa: El proceso de depuración requiere interpretar mensajes de diagnóstico complejos del solver, lo que consume mucho tiempo y requiere experiencia especializada.
• Limitaciones de los LLM Genéricos: Los modelos de lenguaje grandes (LLM) por sí solos tienden a generar "alucinaciones" (nombres de objetos inexistentes), errores de sintaxis HIT y no pueden verificar si el código generado realmente se ejecuta o converge.

2. Metodología: Arquitectura y Flujo de Trabajo

MOOSEnger es un agente de IA de dominio específico diseñado para cerrar la brecha entre la intención del usuario en lenguaje natural y la ejecución exitosa de simulaciones MOOSE. Su arquitectura se basa en un diseño núcleo + dominio y un flujo de trabajo iterativo "verificar y corregir".

2.1. Arquitectura Núcleo + Dominio

• Núcleo (Core): Proporciona la infraestructura reutilizable del agente: gestión de configuración, registro de herramientas, servicios de recuperación (RAG), persistencia de estado y gestión de sesiones.
• Plugin de Dominio (MOOSE): Añade capacidades específicas:
  • Ingesta de Datos: Utiliza pyhit (un parser de HIT) para procesar archivos .i preservando los límites de los bloques sintácticos, evitando la fragmentación que ocurre con los divisores de texto estándar. Genera metadatos ricos basados en el árbol sintáctico.
  • Herramientas Específicas: Incluye parsers, validadores y ejecutores de MOOSE.

2.2. Flujo de Trabajo Iterativo (In-the-Loop)

A diferencia de la generación "de un solo tiro" (one-shot), MOOSEnger emplea un ciclo de retroalimentación:

1. Generación y RAG: El agente recupera contexto de una base de conocimientos curada (documentación, ejemplos) y genera un archivo de entrada inicial basado en la solicitud del usuario.
2. Pipeline de Prevalidación (Input-Precheck): Antes de ejecutar la simulación costosa, el sistema aplica un pipeline determinista:
   • Saneamiento: Elimina artefactos de formato ocultos (comillas inteligentes, caracteres de ancho cero, saltos de línea inconsistentes).
   • Reparación Gramatical: Utiliza un bucle restringido por gramática para corregir errores de estructura HIT (desbalanceo de corchetes, asignaciones malformadas) sin alterar la semántica del bloque.
   • Corrección de Tipos: Realiza una búsqueda de similitud condicional al contexto para corregir nombres de tipos de objetos inválidos o mal escritos, consultando un registro de sintaxis de la aplicación.
3. Ejecución en el Bucle (Execution-in-the-Loop):
   • El agente utiliza un backend basado en el Model Context Protocol (MCP) para ejecutar el solver MOOSE (localmente o en remoto).
   • Realiza "pruebas de humo" (smoke tests) y validaciones de configuración (--check-input).
   • Si la ejecución falla, los diagnósticos del solver se retroalimentan al agente para que realice correcciones dirigidas.

2.3. Evaluación Integrada

El sistema incluye módulos de evaluación automática que miden:

• Calidad del RAG: Fidelidad, relevancia de la respuesta y precisión/recuperación del contexto.
• Éxito del Agente: Se define como la capacidad de generar un archivo que se ejecute con éxito (exit_code=0) en el solver MOOSE real.

3. Contribuciones Clave

1. Agente Consciente de MOOSE: Un asistente que no solo genera texto, sino que entiende la estructura jerárquica de los archivos .i y la semántica de los objetos MOOSE.
2. Pipeline de Validación Determinista: Una combinación de saneamiento de texto, reparación restringida por gramática y búsqueda de similitud de tipos que mitiga errores comunes antes de la ejecución.
3. Cierre del Bucle con el Solver: La integración de la ejecución real del solver como una herramienta de retroalimentación para iterar sobre el código, transformando la generación de código en un proceso de depuración automatizada.
4. Arquitectura Extensible: Un diseño modular que permite crear agentes para otras aplicaciones basadas en MOOSE o dominios científicos similares sin reescribir el núcleo.

4. Resultados

El sistema se evaluó mediante un conjunto de 125 prompts (25 por familia de problemas) que cubren cinco áreas físicas: difusión, conducción de calor transitoria, mecánica de sólidos, flujo poroso y Navier-Stokes incompresible.

• Tasa de Éxito de Ejecución:
  • MOOSEnger: Logró una tasa de éxito del 93% (116/125 casos), donde el archivo generado se ejecutó correctamente.
  • Línea Base (LLM solo): Un modelo LLM sin herramientas (ChatGPT 5.2 API) logró solo un 8% de éxito (10/125 casos).
• Mejora Relativa: Se observó una mejora de 9.5 veces en la ejecutabilidad.
• Rendimiento por Dominio:
  • En problemas complejos como mecánica de sólidos y Navier-Stokes, la línea base falló en el 100% de los casos, mientras que MOOSEnger mantuvo tasas de éxito entre el 84% y el 96%.
  • En difusión (el caso más simple), MOOSEnger alcanzó el 100% de éxito frente al 36% de la línea base.

5. Significado e Impacto

El trabajo demuestra que la IA generativa puede ser aplicada de manera robusta en la computación científica de alto nivel cuando se combina con:

1. Contexto de Dominio: Una base de conocimientos curada y recuperable (RAG).
2. Herramientas Deterministas: Validación sintáctica y semántica estricta.
3. Ejecución Real: El uso del solver como "verdad fundamental" para corregir errores.

Implicaciones:

• Reducción de Barreras de Entrada: Permite a nuevos usuarios configurar simulaciones complejas sin memorizar la sintaxis exacta de MOOSE.
• Aceleración de Expertos: Reduce el tiempo dedicado a tareas repetitivas de configuración y depuración, permitiendo a los ingenieros centrarse en el análisis físico.
• Fiabilidad: El enfoque de "verificar y corregir" mitiga el riesgo de generar configuraciones que parecen correctas pero fallan en la ejecución, un problema crítico en simulaciones científicas.
• Futuro: El marco sienta las bases para una "autoría por sensación" (vibe-authoring), donde los usuarios describen la física y el agente se encarga de la implementación técnica, validación y depuración.

En conclusión, MOOSEnger representa un avance significativo hacia la automatización confiable de flujos de trabajo de simulación multipísica, superando las limitaciones de los agentes de IA puramente generativos mediante la integración profunda con herramientas de dominio y ejecución real.