LLM-driven design of physics-constrained constitutive models: two agents are better than one

Resumen Técnico: Diseño de Modelos Constitutivos Restringidos por Física Impulsado por LLM

Enunciado del Problema
Desarrollar modelos constitutivos que capturen con precisión la deformación de materiales bajo carga requiere tradicionalmente años de experiencia especializada en mecánica de medios continuos, aprendizaje automático y programación científica. Aunque los Modelos de Lenguaje Grandes (LLM) han demostrado recientemente la capacidad de generar modelos constitutivos bajo demanda, las pipelines de agente único existentes carecen de mecanismos sistemáticos para garantizar que los modelos resultantes se adhieran a las leyes físicas fundamentales. Específicamente, enfoques anteriores como GenCANN (Tacke et al., 2025a) podían generar modelos precisos, pero no ofrecían garantía de que las redes generadas satisficieran restricciones hiperelásticas críticas como la consistencia termodinámica, la objetividad, la simetría del material y la policonvexidad. Esta brecha limita la fiabilidad y la utilidad práctica de los modelos generados por LLM en aplicaciones de ingeniería.

Metodología
Los autores introducen un marco impulsado por LLM de múltiples agentes diseñado para cerrar la brecha entre la generación de modelos y la validación física. El sistema emplea dos agentes especializados:

1. El Agente Creador: Encargado de proponer un modelo constitutivo adaptado a datos experimentales específicos. Genera una implementación en Python de una Red Neuronal Artificial Constitutiva (CANN), centrándose en ajustar los datos mientras intenta adherirse a las restricciones físicas por construcción.
2. El Agente Inspector: Encargado de auditar críticamente la propuesta del Creador frente a nueve restricciones físicas específicas requeridas para modelos hiperelásticos admisibles:
   • Consistencia termodinámica
   • Simetría del tensor de tensiones
   • Objetividad
   • Simetría del material
   • Policonvexidad (implicando elipticidad/estabilidad)
   • Condición de crecimiento volumétrico
   • Normalización de la energía
   • Normalización de las tensiones
   • No negatividad de la energía de deformación

El flujo de trabajo opera como un bucle de refinamiento. El Creador genera un modelo, que pasa por verificaciones sintéticas automatizadas. Las implementaciones válidas se pasan al Inspector, que las evalúa frente a las nueve restricciones. Si se detectan violaciones, el Inspector devuelve el modelo con justificaciones específicas al Creador para su refinamiento. Este ciclo se repite, con el par realizando dos rondas de refinamiento después de la generación inicial. El sistema selecciona el modelo más preciso de los tres candidatos aprobados por el Inspector producidos en una sola ejecución.

El estudio utiliza dos arquitecturas de LLM: la propietaria Claude Opus 4.7 y la de código abierto Kimi K2.5. El marco se prueba en tres conjuntos de datos de referencia: tejido cerebral humano (datos desafiantes y dispersos), caucho experimental (Treloar, 1944) y caucho sintético (que permite el cálculo de tensiones de verdad fundamental para pruebas de extrapolación).

Contribuciones Clave

1. Primera Arquitectura de Múltiples Agentes para Modelado Constitutivo: El artículo presenta el primer sistema donde un Creador y un Inspector colaboran para generar modelos constitutivos restringidos por física. Esto separa la tarea generativa de la tarea de verificación, un principio de diseño que ha demostrado mejorar la corrección factual y el razonamiento en otros dominios de LLM.
2. Mejora Cuantificable en la Adherencia Física: El estudio demuestra que añadir al Inspector aumenta significativamente la fiabilidad de la salida. Para Claude Opus 4.7, la proporción de modelos exportados que satisfacen todas las restricciones físicas aumentó del 91% (Creador solo) al 100%. Para Kimi K2.5, aumentó del 37% al 56%.
3. Paradigma Agnóstico a la Técnica: Aunque se demuestra utilizando CANNs, los autores formulan el bucle Creador-Inspector como una plantilla general aplicable a Redes Neuronales Aumentadas por Física (PANNs), KANs Constitutivos (CKANs) o leyes simbólicas, escalando automáticamente con las futuras capacidades de los LLM.

Resultados

• Validez Física: El enfoque de múltiples agentes logró una adherencia física perfecta (100%) para la arquitectura Opus y una mejora sustancial para Kimi. El Inspector demostró ser altamente efectivo detectando violaciones, particularmente en lo que respecta a la simetría del material y la elipticidad.
• Precisión y Generalización: Los modelos generados mantuvieron una precisión cercana a la línea base en comparación con CANNs diseñados por humanos. En conjuntos de datos de caucho, lograron predicciones casi perfectas en datos de entrenamiento. Crucialmente, demostraron capacidades notables de generalización y extrapolación en caminos de carga no vistos (por ejemplo, el plano invariante de Treloar), desempeñándose de manera comparable o mejor que las líneas base en escenarios de extrapolación.
• Dinámicas de Colaboración: El par Creador-Inspector mostró una colaboración efectiva. Para Opus, el 93% de las nuevas violaciones señaladas por el Inspector se resolvieron en la siguiente iteración. Kimi mostró una tasa de resolución más baja (69%) y una tendencia a quedar atrapado en ciclos de violaciones repetidas, aunque aún mejoró la fiabilidad general.
• Uso de Herramientas: Cuando se otorgó al Inspector acceso a herramientas de validación numérica, Opus las utilizó de manera escasa y selectiva, mientras que Kimi exhibió un comportamiento bimodal (llamando a todas las herramientas o a ninguna). El acceso a herramientas mejoró la adherencia de Kimi al 73%, pero redujo ligeramente el rendimiento de Opus debido a una sobreconfianza en restricciones específicas.

Significado y Afirmaciones
El artículo afirma que separar la generación de la inspección transforma el modelado constitutivo impulsado por LLM en un "proceso genuinamente confiable". El significado principal radica en producir modelos que sean simultáneamente físicamente válidos, altamente precisos y capaces de una extrapolación fiable—una combinación previamente difícil de lograr con métodos automatizados.

Los autores posicionan este trabajo como un paso hacia el descubrimiento automatizado de modelos conscientes de la física. Enfatizan que el paradigma es deliberadamente agnóstico a la técnica y está diseñado para escalar con los avances en la capacidad de los LLM. Al lograr una adherencia física del 100% para un modelo de vanguardia en materiales hiperelásticos, isotrópicos e incompresibles, el estudio establece un hito para el uso confiable de LLM en el modelado constitutivo, avanzando más allá de la generación de "caja negra" hacia el diseño "restringido por física". Los autores señalan que, aunque la configuración actual implica restricciones predefinidas y herramientas codificadas, el marco está listo para volverse más autónomo a medida que los LLM mejoren en razonamiento y generación de código.