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

El artículo presenta AI CFD Scientist, un framework de código abierto que aprovecha modelos de visión y lenguaje para ejecutar, validar y refinar autónomamente simulaciones de dinámica de fluidos computacional en OpenFOAM, descubriendo con éxito una corrección de Spalart-Allmaras que reduce el error en un 7,89 % mientras detecta fallos silenciosos que los controles tradicionales del solucionador pasan por alto.

Lo esencial

Imagina un equipo de asistentes de investigación altamente inteligentes e incansables trabajando juntos para resolver acertijos complejos de física. Este artículo presenta AI CFD Scientist, un nuevo sistema de código abierto diseñado para actuar como un científico autónomo específicamente para la Dinámica de Fluidos Computacional (CFD): el campo que utiliza supercomputadoras para simular cómo fluyen el aire y el agua alrededor de objetos como las alas de un avión, los cuerpos de los automóviles o incluso los vasos sanguíneos.

Así es como funciona el sistema, explicado mediante analogías sencillas:

El Problema: La Trampa del "Fallo Silencioso"

En muchos campos científicos, si un programa informático termina de ejecutarse sin fallar, asumes que el resultado es bueno. Pero en la dinámica de fluidos, esto es peligroso.

• La Analogía: Imagina a un chef que sigue una receta perfectamente, pero que por accidente usa sal en lugar de azúcar. El pastel se hornea, sube y se ve perfecto. El "registro" (los pasos de la receta) dice que todo está bien. Pero si lo pruebas, es incomible.
• La Realidad: Una simulación CFD puede terminar de ejecutarse sin errores, y sin embargo, producir un resultado físicamente imposible (como aire fluyendo hacia atrás a través de una pared sólida) debido a un error sutil en la configuración o en las matemáticas. Las herramientas de IA tradicionales a menudo pasan por alto estos "fallos silenciosos" porque solo revisan los registros informáticos, no la imagen real del flujo.

La Solución: Un Equipo de Agentes Especializados

Los autores construyeron un sistema que no solo ejecuta código; actúa como un laboratorio de investigación completo. Utiliza un "cerebro" (un modelo de lenguaje grande) para coordinar varios "agentes" especializados (herramientas de software) que manejan diferentes partes del trabajo:

1. El Generador de Ideas: En lugar de solo adivinar, este agente lee artículos científicos para encontrar vacíos en el conocimiento y propone nuevos experimentos.
2. El Constructor de Código: Si las herramientas estándar no pueden resolver un problema específico, este agente escribe y compila nuevo código C++ (el "motor" de la simulación) para crear modelos físicos personalizados.
3. El Inspector de Malla: Antes de ejecutar una simulación, verifica si la cuadrícula digital (la "malla") es lo suficientemente detallada para capturar pequeños detalles, asegurando que los resultados no sean solo una suposición borrosa.
4. El Guardián de "Visión" (La Característica Estrella): Esta es la innovación más importante. Después de que se ejecuta una simulación, el sistema no solo mira números. Toma una imagen del flujo y se la muestra a un Modelo de Visión-Lenguaje (una IA que puede "ver" imágenes).
   • La Analogía: Piensa en esto como un crítico de arte humano mirando una pintura. Incluso si el artista dice: "Seguí las reglas", el crítico puede detectar que la perspectiva es incorrecta o que los colores no coinciden con la realidad.
   • El Resultado: Si la IA "ve" que el flujo se ve extraño (como un vórtice en el lugar equivocado), rechaza el resultado y le dice al sistema que lo intente de nuevo, incluso si el registro informático dijo "Éxito".

Lo Que Realmente Lograron

El equipo probó este sistema en cinco tareas diferentes. Estos son los puntos destacados:

• Verificaciones Rutinarias: Ejecutó con éxito pruebas estándar, como verificar cómo se comportan diferentes modelos de turbulencia alrededor de un escalón reorientado hacia atrás (un caso de prueba común en aerodinámica).
• Ingeniería Personalizada: Escribió su propio código para simular fluidos no newtonianos (fluidos que cambian de viscosidad cuando se agitan, como el ketchup o la sangre) y demostró que funcionaba.
• El Gran Descubrimiento (Descubrimiento Abierto): Esta es la parte más impresionante. Se le dio al sistema un objetivo: "Encontrar una manera de hacer que el modelo de turbulencia estándar coincida mejor con los datos del mundo real".
  • Sin ayuda humana, la IA ejecutó 44 iteraciones de experimentos.
  • Probó diferentes ajustes matemáticos, escribió nuevo código, ejecutó simulaciones y verificó los resultados.
  • El Resultado: Descubrió una nueva corrección matemática (un "ajuste en tiempo de ejecución") que redujo el error en la predicción de la fricción superficial (cuánto frota el aire contra una superficie) en un 7.89% en comparación con los mejores datos de referencia disponibles.

La Red de Seguridad: Detectar Errores

Para demostrar que el sistema funciona, los investigadores rompieron intencionalmente las simulaciones de 16 maneras diferentes (por ejemplo, eliminando el archivo de salida, haciendo que los números fueran incorrectos o deteniendo la simulación demasiado pronto).

• La "Puerta de Visión" del sistema detectó 14 de cada 16 de estos fallos silenciosos.
• Las herramientas estándar de IA (sin la verificación visual) habrían aceptado estos resultados rotos como válidos.

Comparación con Otros Científicos de IA

Los autores compararon su sistema con dos otras herramientas de científicos de IA de propósito general (ARIS y DeepScientist).

• La Diferencia: Las otras herramientas podían ejecutar las simulaciones y escribir un informe, pero a menudo pasaban por alto las verificaciones físicas. Podrían afirmar que un resultado era válido cuando no lo era.
• La Ventaja: AI CFD Scientist es "conservador". Si la evidencia no es perfecta (por ejemplo, la malla no es lo suficientemente fina o la imagen se ve extraña), admite que aún no conoce la respuesta, en lugar de inventar una afirmación falsa.

Resumen

AI CFD Scientist es una nueva herramienta de código abierto que automatiza todo el proceso de investigación en dinámica de fluidos. No solo ejecuta números; lee artículos, escribe código, verifica si la física parece correcta al "ver" el flujo, y solo publica resultados que pasan una inspección visual y matemática estricta. Descubrió con éxito una nueva manera de mejorar un modelo físico estándar por sí mismo, demostrando que la IA ahora puede manejar el mundo complejo y de alto riesgo de la simulación física, no solo la codificación de software.

Resumen técnico

Resumen Técnico: Científico CFD con IA

Enunciado del Problema

Extender los agentes de Modelos de Lenguaje Grande (LLM) a las ciencias físicas, específicamente a la Dinámica de Fluidos Computacional (CFD), presenta desafíos únicos no encontrados en el aprendizaje automático de solo software o en la investigación biológica. La dificultad principal radica en el hecho de que la finalización del solucionador no implica validez física. Una simulación CFD puede converger limpiamente sin errores en los registros del solucionador y, sin embargo, producir resultados físicamente degenerados debido a una geometría incorrecta, características de flujo faltantes o modelos de cierre defectuosos. Estos modos de fallo suelen ser invisibles para el análisis de registros basado en texto. Además, en CFD, el modelo de cierre es una variable de investigación que requiere modificación del código fuente (nivel C++) en lugar de simples cambios de configuración, y las puertas de validez (como la independencia de la malla y la alineación con datos de referencia) son objetos científicos que deben confirmarse explícitamente y no asumirse. Los marcos existentes de científicos con IA carecen de estas puertas de validez específicas del dominio, mientras que los agentes CFD existentes a menudo se detienen antes de completar el ciclo de descubrimiento total, fallando en integrar la ideación basada en literatura, la modificación del código fuente y la verificación basada en visión.

Metodología

Los autores presentan AI CFD Scientist, un marco de código abierto diseñado para cerrar el ciclo de descubrimiento científico para CFD. El sistema opera sobre OpenFOAM a través de la interfaz Foam-Agent y es orquestado por un núcleo compartido de LLM (GPT-5.5 en los experimentos). La arquitectura se basa en cinco principios de diseño operativo extraídos de la práctica de CFD:

1. La Validez Física no es Legible en Registros: La inspección a nivel de imagen es obligatoria.
2. Modificación del Código Fuente: La edición de código fuente en C++ es un objeto de investigación, no una opción de configuración.
3. Independencia de la Malla: Una puerta de convergencia requerida.
4. No Alucinar Experimentos: Los agentes no pueden intercambiar variables ni relajar criterios para hacer que los casos fallidos se ejecuten.
5. Rastreabilidad: Cada afirmación en un manuscrito debe rastrearse hasta figuras específicas validadas y valores numéricos.

El marco ejecuta tres vías acopladas:

• Experimentación Regular: Ideación consciente de la literatura, filtrado de novedad, validación de requisitos, puerta de independencia de malla y ejecución mediante Foam-Agent.
• Modificación de Código: Generación de archivos fuente y diccionarios C++ locales al caso para nuevos modelos físicos, compilación y pruebas de humo.
• Descubrimiento Abierto: Un bucle externo de hipótesis que genera, compila y prueba autónomamente modificaciones candidatas del modelo contra un comparador de referencia sin más intervención humana.

Innovación Central: La Puerta de Verificación Física del Modelo Visión-Lenguaje (VLM)
Central para el marco es una puerta de verificación física basada en Modelo Visión-Lenguaje (VLM). Antes de que cualquier resultado sea aceptado, reejecutado o escrito en un manuscrito, el sistema renderiza campos de flujo (por ejemplo, contornos de velocidad, gráficos de fricción en la piel) y los somete a un VLM. El VLM realiza dos comprobaciones:

1. Filtro de Calidad: Asegura que las figuras sean legibles y no degeneradas.
2. Comprobación Física: Inspecciona el flujo visualizado en busca de características esperadas (por ejemplo, zonas de recirculación, puntos de separación) y juzga la coherencia con el requisito del experimento.
   Esta puerta está diseñada para detectar "fallos silenciosos" que pasan los registros del solucionador pero violan la intuición física.

El flujo de trabajo también incluye una Puerta de Independencia de Malla (comparando mallas base y refinadas) y un Bucle de Reejecución/Escritor que revisa los requisitos ante un fallo y redacta manuscritos LaTeX fundamentados en los artefactos validados.

Contribuciones Clave

1. Primer Científico CFD de Código Abierto de Extremo a Extremo: Según el conocimiento de los autores, este es el primer sistema que abarca ideación basada en literatura, ejecución validada, verificación física basada en visión, modificación de código fuente y escritura fundamentada en figuras en un único flujo de trabajo inspeccionable.
2. Puerta Física Basada en VLM: La introducción de un subsistema visión-lenguaje que detecta inconsistencias físicas invisibles para los registros del solucionador, abordando una brecha crítica en los marcos actuales de científicos con IA.
3. Descubrimiento a Nivel de Código: La capacidad de editar autónomamente el código fuente en C++ para modificar modelos de turbulencia (por ejemplo, Spalart–Allmaras) y compilarlos como bibliotecas locales al caso, tratando la modificación del código como parte del espacio de hipótesis.
4. Evaluación Rigurosa: Un estudio de ablación controlado que demuestra la eficacia de la puerta VLM y una comparación directa contra bases fuertes de científicos generales con IA (ARIS, DeepScientist).

Resultados

El sistema fue evaluado en cinco tareas utilizando un núcleo GPT-5.5:

• T1 (Sensibilidad a la Turbulencia BFS): Ejecutó con éxito cuatro cierres RANS. La puerta VLM detectó un error de convención de signos en un extractor de longitud de reasentamiento y clasificó una salida $k$-$\varepsilon$ como inconsistente con la física del flujo separado, evitando que el sistema emitiera una clasificación defectuosa.
• T2 (Rebarrido de Chorro/Chorreado): Ejecutó un barrido de 7 casos de número de Reynolds, recuperando la escala de velocidad esperada. El sistema detectó un caso anómalo donde la media de la línea central colapsó.
• T3 (Viscosidad Personalizada): Escribió, compiló y validó autónomamente una biblioteca de viscosidad de ley de potencia personalizada, reproduciendo el límite newtoniano ($n=1$) con un error del 0.5%.
• T4 (Modificador SA Personalizado): Compiló una variante de Spalart–Allmaras con una corrección de gradiente de presión adverso (APG). Validó la ruta de código personalizada contra un caso de control ($APG=0$) y generó superposiciones $C_f$ alineadas con DNS.
• T5 (Descubrimiento Abierto): En un bucle autónomo de 44 iteraciones, el sistema descubrió una corrección de tiempo de ejecución cuadrupolar para el modelo Spalart–Allmaras en la colina periódica ($Re_h=5600$). Esta modificación redujo el RMSE de la fricción en la pared inferior ($C_f$) contra DNS en un 7.89% (de 0.004297 a 0.003958).

Estudio de Ablación:
En una ablación con fallos plantados que involucró 16 errores inyectados en cuatro tipos de flujo, la puerta VLM detectó 14 de 16 fallos (87.5% de recuperación). Logró un 100% de recuperación en entregas faltantes, magnitudes incorrectas y postprocesamiento roto, pero solo un 50% de recuperación en ejecuciones de convergencia truncadas (donde el tiempo de simulación se editó para coincidir con el estado truncado, haciéndolo visualmente completo).

Comparación:
Comparado con ARIS y DeepScientist bajo costos de LLM equivalentes, las bases ejecutaron flujos de trabajo parciales pero carecieron de puertas de validez específicas del dominio. A menudo emitieron clasificaciones de cierre o correlaciones sin independencia de malla ni validación DNS. AI CFD Scientist fue más conservador, reteniendo afirmaciones cuando la evidencia era incompleta y asegurando que todas las afirmaciones estuvieran respaldadas por figuras validadas.

Significado y Afirmaciones

El artículo afirma que AI CFD Scientist representa un paso significativo hacia el descubrimiento abierto de dinámica de fluidos computacional. Su importancia radica en:

• Cerrar el Ciclo: Ir más allá de la configuración simple de casos hacia un ciclo completo de ideación, ejecución, verificación y escritura.
• Fundamentación Física: Demostrar que integrar una puerta visión-lenguaje es necesario para convertir simulaciones ejecutables en afirmaciones científicas defendibles, ya que los registros del solucionador por sí solos son insuficientes para la validez física.
• Descubrimiento Autónomo: Mostrar que un agente de IA puede modificar autónomamente el código fuente para descubrir correcciones novedosas de modelos de turbulencia que mejoran el acuerdo con datos DNS de alta fidelidad.
• Línea Base Comunitaria: Proporcionar un marco de código abierto e inspeccionable para la automatización científica específica de CFD, en contraste con alternativas de código cerrado o de cobertura parcial.

Los autores permanecen modestos, señalando que el sistema es actualmente una herramienta de "asistencia científica supervisada" en lugar de un motor de publicación no supervisado, y que la evaluación depende de la lectura manual de artefactos por expertos debido a la falta de rúbricas automatizadas para artículos de CFD. Los resultados están limitados por el único núcleo utilizado (GPT-5.5) y las tareas específicas probadas.