A Preliminary Assessment of Coding Agents for CFD Workflows

Cette étude évalue l'efficacité d'agents de codage pour automatiser les flux de travail OpenFOAM, démontrant que des configurations légères et des modèles de langage avancés améliorent significativement le taux de réussite des simulations, en particulier pour les tâches complexes de génération de maillages.

L'essentiel

🌊 Le Problème : La Cuisine de la Simulation Fluide

Imaginez que vous êtes un chef cuisinier (un ingénieur) qui veut préparer un plat complexe : une simulation de fluides (comme l'air autour d'une aile d'avion ou l'eau dans une rivière). Pour cela, vous utilisez un super-robot de cuisine open-source appelé OpenFOAM.

Le problème ? Ce robot est très puissant, mais il est aussi très capricieux.

• Pour le faire fonctionner, vous devez écrire des dizaines de petites notes (des fichiers de configuration) dans un langage très précis.
• Si vous oubliez une virgule, si vous mettez le mauvais ingrédient (une condition aux limites), ou si le robot ne trouve pas un fichier, tout s'arrête.
• Résultat : Le chef passe 80 % de son temps à chercher pourquoi ça ne marche pas et à réparer les erreurs, au lieu de cuisiner.

🤖 La Solution : Le "Chef Assistant" IA

Les auteurs de cette étude ont demandé à un agent de codage intelligent (une IA capable de lire, écrire et exécuter des commandes sur un ordinateur) de prendre le relais pour automatiser ce processus.

Mais attention, ils n'ont pas juste dit à l'IA : "Fais-moi une simulation !". Ils lui ont donné une recette secrète (un guide de prompt) pour qu'elle soit efficace.

Voici les deux règles d'or que l'IA a suivies, expliquées simplement :

1. La règle du "Copier-Coller Intelligent" (Réutilisation des Tutoriels)

Au lieu d'essayer de construire une maison de zéro (ce qui est risqué et long), l'IA est instruite pour aller dans la bibliothèque de l'usine, trouver un exemple existant qui ressemble à ce qu'on veut faire, et le copier.

• L'analogie : C'est comme si vous vouliez faire un gâteau au chocolat. Au lieu d'inventer la recette, vous prenez un gâteau au chocolat de base, vous changez juste la forme du moule et la quantité de sucre, et vous le cuisez.
• Le résultat : L'IA a réussi à faire fonctionner 100 % des simulations simples (celles basées sur des tutoriels existants) en faisant très peu d'erreurs. Elle a évité de réinventer la roue.

2. La règle du "Médecin de l'Erreur" (Réparation par les journaux)

Quand le robot de cuisine plante (ce qui arrive souvent), il laisse un journal d'erreurs (un message disant : "J'ai oublié le sucre dans le bol 3").

• L'approche : L'IA lit ce journal, identifie le problème exact, corrige la petite erreur, et relance le robot. Elle répète ce cycle jusqu'à ce que le plat soit prêt.
• Le résultat : Au lieu de paniquer et de tout recommencer, l'IA fait des micro-réparations précises, comme un mécanicien qui resserre une vis plutôt que de changer tout le moteur.

🧱 Le Défi : Construire les Murs (La Géométrie et le Maillage)

Il y a un gros hic. Parfois, la simulation demande de créer une forme bizarre (comme un obstacle en forme de diamant ou de cylindre) dans le fluide. C'est l'étape du maillage (diviser l'espace en petits blocs pour que le robot puisse calculer).

• Avec un IA "moyenne" (MiniMax-M2.1) : L'IA a eu du mal. Elle a essayé de construire les murs, mais elle a souvent oublié de mettre l'obstacle au bon endroit ou a construit des murs qui ne tenaient pas debout. C'est comme si un architecte dessinait une maison sans fondations.
• Avec une IA "super-puissante" (GPT-5.2) : Là, tout a changé ! Cette IA a réussi à dessiner des plans parfaits, à placer les obstacles avec précision et à créer des maillages complexes. Elle a même réussi à faire des simulations de fluides autour d'obstacles complexes sans se tromper.

🎯 Les Conclusions en Bref

1. Pour les tâches simples : Si vous demandez à l'IA de faire quelque chose de proche d'un exemple existant, c'est magique. Elle est rapide, fiable et économise du temps.
2. Pour les tâches complexes : Si vous demandez de créer une forme géométrique nouvelle et complexe, la qualité de l'IA est cruciale. Les modèles les plus avancés (comme GPT-5.2) sont capables de le faire, mais les modèles plus petits échouent souvent.
3. Le rôle humain : L'IA est un excellent assistant, mais elle a encore besoin d'un chef humain pour surveiller les erreurs subtiles (comme "est-ce que le courant d'air a un sens physique ?"). Elle ne peut pas encore tout faire seule dans des situations très complexes.

💡 En résumé

Cette étude montre que nous pouvons désormais utiliser des assistants IA pour automatiser une grande partie du travail ennuyeux et technique de la simulation de fluides. En leur apprenant à copier les bons exemples et à lire les messages d'erreur, on transforme un processus qui prenait des jours en une tâche qui prend quelques heures. C'est un grand pas vers un futur où les ingénieurs passent plus de temps à concevoir des solutions et moins de temps à réparer des fichiers cassés.

Résumé technique

1. Problématique

Les flux de travail de la dynamique des fluides numérique (CFD), en particulier avec le package open-source OpenFOAM, restent laborieux et sujets aux erreurs. La configuration d'un cas nécessite des modifications coordonnées de plusieurs dictionnaires interdépendants, ainsi qu'une séquence ordonnée d'utilitaires de maillage et de solveurs lancés en ligne de commande.

• Défis principaux : De petites erreurs de configuration (fichiers manquants, mots-clés invalides, définitions de frontières incohérentes) entraînent souvent des échecs d'exécution et des cycles de débogage répétés.
• Limites des approches actuelles : Les systèmes existants basés sur des agents LLM (Large Language Models) utilisent souvent des pipelines multi-agents complexes avec une surcharge d'ingénierie importante. De plus, l'automatisation en un seul passage ne correspond pas à la pratique des ingénieurs, qui inspectent les artefacts intermédiaires (maillage, comportement précoce de la solution) avant de valider une exécution complète.

2. Méthodologie

Les auteurs proposent une approche légère utilisant des agents de codage capables d'utiliser des outils (tool-using coding agents), spécifiquement adaptés aux workflows OpenFOAM.

• Architecture de l'agent : L'étude s'appuie sur OpenCode, un agent généraliste capable de planifier, exécuter et itérer dans des dépôts de code réels. L'agent interagit avec OpenFOAM via des appels de fonctions (édition de fichiers, commandes shell, exécution de scripts).
• Stratégie de Prompting (Guide CFD) : Au lieu d'entraîner de nouveaux modèles, les auteurs introduisent un prompt système spécifique qui impose une stratégie en trois étapes :
  1. Réutilisation prioritaire des tutoriels : L'agent doit d'abord rechercher un tutoriel OpenFOAM existant similaire à la tâche demandée et l'utiliser comme base (baseline).
  2. Éditions minimales : L'agent ne doit apporter que les modifications nécessaires (changement de conditions aux limites, de modèle de turbulence, etc.) tout en conservant la structure validée du tutoriel.
  3. Réparation pilotée par les journaux (Log-driven repair) : En cas d'échec, l'agent doit analyser les logs d'erreur d'OpenFOAM pour identifier la première cause de l'échec, appliquer une correction minimale et relancer le pipeline à l'étape appropriée jusqu'à atteindre le temps final (endTime).
• Évaluation : L'approche est testée sur la benchmark FoamBench-Advanced (issue de CFDLLMBench), comprenant :
  • 9 tâches dérivées de tutoriels (variantes de configurations existantes).
  • 7 tâches d'écoulement autour d'obstacles 2D plans (nécessitant la génération de géométrie et de maillage complexe).
• Modèles comparés : MiniMax-M2.1 et GPT-5.2.

3. Contributions Clés

• Recette légère pour l'automatisation CFD : Démonstration qu'un agent de codage généraliste, guidé par une stratégie de réutilisation de tutoriels et de réparation itérative, peut automatiser des workflows CFD complexes sans nécessiter de fine-tuning de modèle ni d'architecture multi-agent lourde.
• Validation de l'approche "Agentic RAG" locale : L'étude montre que les agents peuvent utiliser des commandes traditionnelles (grep, ls, find) pour rechercher et récupérer des fichiers de configuration pertinents dans le système de fichiers local, agissant comme une forme de RAG (Retrieval-Augmented Generation) basée sur des fichiers plutôt que sur des vecteurs.
• Analyse de l'impact du modèle sur la génération de maillage : Identification claire que la capacité de l'agent à gérer la géométrie et le maillage dépend fortement des capacités intrinsèques du modèle de langage sous-jacent.

4. Résultats

A. Tâches dérivées de tutoriels (9 cas)

• Performance : Avec le prompt OpenFOAM spécifique, le taux de réussite atteint 100 % (tous les cas exécutés jusqu'au temps final), contre seulement 44 % (4/9) avec le prompt par défaut.
• Efficacité : L'approche guidée réduit considérablement l'utilisation de tokens et le nombre d'appels d'outils. L'agent évite d'écrire des fichiers à partir de zéro, se concentrant sur des modifications ciblées.
• Qualité : Les résultats numériques (NMSE) sont très proches des cas de référence (7 cas sur 9 avec NMSE < 0.1).
• Mécanisme : L'agent réussit à identifier les erreurs de configuration (ex: type de mélange thermodynamique non supporté) via les logs et à corriger les dictionnaires avec des modifications minimales.

B. Écoulements autour d'obstacles 2D (7 cas)

• Limites du modèle MiniMax-M2.1 : Ce modèle a échoué à générer des maillages corrects pour des géométries complexes. Il a souvent réutilisé des maillages de tutoriels sans ajuster la géométrie (ex: décalage de cylindre non appliqué) ou a échoué à construire des maillages multi-blocs hexaédriques (blockMesh).
• Supériorité de GPT-5.2 : Le modèle GPT-5.2 a démontré une capacité nettement supérieure à générer des maillages précis et à compléter les simulations.
  • Il a réussi à créer des maillages multi-blocs hexaédriques conformes.
  • Il a également pu générer des maillages hybrides via l'API Python de Gmsh (combinaison de blocs structurés et de cœur non structuré).
• Impact du Prompt : Même avec GPT-5.2, le prompt spécifique a réduit l'utilisation de tokens et a conduit à une recherche de tutoriels plus approfondie, générant un maillage initial plus raisonnable dès la première tentative.

5. Signification et Conclusion

• Potentiel pratique : Les agents de codage sont viables pour automatiser des portions significatives des workflows CFD, en particulier pour les tâches 2D et les variantes de tutoriels, réduisant le temps de configuration et de débogage.
• Rôle de l'humain : Bien que les agents puissent corriger les erreurs de configuration et de syntaxe via les logs, ils peinent encore à détecter les erreurs physiques subtiles (ex: maillage ne représentant pas correctement un obstacle) ou les instabilités numériques complexes. Une supervision humaine reste essentielle pour valider la physique sous-jacente.
• Dépendance au modèle : La réussite des tâches complexes (génération de géométrie et de maillage) est fortement corrélée à la puissance du modèle LLM sous-jacent. Les modèles plus avancés (comme GPT-5.2) sont nécessaires pour les workflows industriels réalistes.
• Perspective : Cette étude ouvre la voie à l'intégration d'agents IA dans les flux de travail d'ingénierie, suggérant que l'avenir réside dans des agents capables d'itérer sur des simulations réelles, guidés par des tutoriels validés et des logs d'erreur, tout en nécessitant une validation humaine pour les cas critiques.