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

MOOSEnger est un agent d'intelligence artificielle doté d'outils spécialisés qui combine la génération augmentée par récupération et des analyseurs déterministes pour transformer des intentions en langage naturel en fichiers d'entrée MOOSE exécutables, atteignant un taux de réussite de 93 % sur un benchmark de 125 prompts, contre seulement 8 % pour une approche basée uniquement sur un modèle de langage.

L'essentiel

🚀 MOOSEnger : Le Traducteur Magique pour les Ingénieurs

Imaginez que vous voulez construire une maison très complexe, mais au lieu de parler à un architecte, vous devez écrire des milliers de lignes de code informatique pour dire à la machine comment poser chaque brique, où mettre les fenêtres et comment gérer la plomberie. C'est un peu ce que font les ingénieurs avec MOOSE, un logiciel puissant utilisé pour simuler des phénomènes physiques complexes (comme la chaleur dans un réacteur nucléaire, la circulation de l'eau dans le sol ou la résistance d'un pont).

Le problème ? Le langage de MOOSE est très strict, comme un grimoire de sorcier. Une petite erreur de virgule ou un mot mal orthographié, et toute la simulation s'effondre.

C'est là qu'intervient MOOSEnger.

🤖 Qu'est-ce que MOOSEnger ?

MOOSEnger est un assistant intelligent (une sorte de robot très savant) qui parle votre langage.

• Vous : Vous lui dites simplement : "Je veux simuler comment la chaleur se propage dans une barre de métal chauffée à une extrémité."
• MOOSEnger : Il traduit cette phrase simple en un fichier de code complexe et parfait que le logiciel MOOSE peut comprendre et exécuter.

🛠️ Comment ça marche ? (L'analogie du Chef de Cuisine)

Pour comprendre comment MOOSEnger réussit là où les autres échouent, imaginons un chef cuisinier (l'IA) dans une cuisine très stricte (le logiciel MOOSE).

1. La Bibliothèque de Recettes (RAG) :
   Avant de cuisiner, MOOSEnger ne devine pas. Il va chercher dans une immense bibliothèque de manuels et d'exemples de recettes (la documentation MOOSE). C'est comme si le chef consultait un livre de cuisine avant de commencer, pour s'assurer qu'il utilise les bons ingrédients. Cela évite qu'il invente des choses qui n'existent pas (ce qu'on appelle les "hallucinations" des IA).

2. Le Contrôleur de Qualité (Le Pipeline de Pré-vérification) :
   C'est la partie la plus géniale. Quand un chef humain écrit une recette, il peut faire des fautes de frappe ou oublier un ingrédient. MOOSEnger ne se contente pas d'écrire la recette. Il passe le tout par un contrôleur de qualité automatique :

   • Il nettoie les "saletés" invisibles (comme des espaces bizarres copiés-collés).
   • Il vérifie la grammaire : "Attends, tu as écrit 'Four' au lieu de 'Fourneau', c'est faux ! Je corrige."
   • Il teste la recette à petite échelle avant de lancer le vrai feu.

3. Le Boucle de Correction (Le "Verdict" du Four) :
   Si la simulation échoue (par exemple, le four ne s'allume pas), MOOSEnger ne panique pas. Il lit le message d'erreur du logiciel, comprend pourquoi ça a raté, et réécrit la recette pour corriger le tir. Il fait cela encore et encore, comme un apprenti qui ajuste le feu jusqu'à ce que le gâteau soit parfait.

📊 Les Résultats : Pourquoi c'est impressionnant ?

Les auteurs ont testé leur invention avec 125 défis différents (de la chaleur, de la mécanique des solides, de la fluidique, etc.).

• Sans MOOSEnger (Juste une IA classique) : Imaginez un élève qui essaie de résoudre un problème de physique sans calculatrice ni manuel. Sur 100 tentatives, il réussit à peine 8 fois. Il fait trop d'erreurs de syntaxe.
• Avec MOOSEnger : Grâce à son contrôleur de qualité et sa capacité à se corriger tout seul, il réussit 93 fois sur 100.

C'est une différence énorme ! C'est comme passer d'un élève qui trébuche à chaque marche à un coureur olympique qui connaît le parcours par cœur.

💡 En Résumé

MOOSEnger est un pont entre la pensée humaine (simple, naturelle) et la rigueur de la science (complexe, stricte).

• Avant : Il fallait être un expert en informatique pour utiliser MOOSE.
• Avec MOOSEnger : N'importe qui peut décrire un problème physique, et l'assistant s'occupe de la partie technique, des erreurs de frappe et des corrections, jusqu'à ce que le résultat fonctionne.

C'est un peu comme avoir un traducteur universel qui ne se contente pas de traduire les mots, mais qui vérifie aussi que la phrase a du sens, qu'elle est grammaticalement correcte, et qu'elle fonctionne dans la réalité, avant de vous la rendre.

Cela rend la science des réacteurs nucléaires, de la météo ou de la mécanique beaucoup plus accessible, permettant aux ingénieurs de se concentrer sur l'idée plutôt que sur la syntaxe.

Résumé technique

Voici un résumé technique détaillé du papier de recherche présentant MOOSEnger, un agent d'intelligence artificielle spécialisé pour l'écosystème de simulation multiphysique MOOSE.

1. Problématique et Contexte

Le Multiphysics Object-Oriented Simulation Environment (MOOSE) est un cadre de calcul haute performance développé au Laboratoire National d'Idaho (INL) pour les simulations multiphysiques complexes (réacteurs nucléaires, mécanique des structures, écoulements poreux, etc.). Bien que puissant, MOOSE repose sur un langage spécifique (DSL) écrit dans des fichiers d'entrée .i utilisant une syntaxe textuelle hiérarchique appelée HIT (Hierarchical Input Text).

Les défis majeurs identifiés sont :

• Courbe d'apprentissage abrupte : La vaste gamme d'objets disponibles et la rigueur stricte de la syntaxe rendent la configuration initiale et le débogage chronophages, surtout pour les nouveaux utilisateurs.
• Fragilité des erreurs : De minuscules erreurs de formatage, des noms d'objets incorrects ou des incohérences sémantiques peuvent empêcher l'exécution ou produire des résultats physiques erronés.
• Limites des LLM standards : Les modèles de langage (LLM) génériques sont souvent incapables de produire des fichiers d'entrée MOOSE valides du premier coup en raison de la complexité de la syntaxe HIT et de la nécessité d'une cohérence avec les objets physiques réels.

2. Méthodologie : Architecture de MOOSEnger

MOOSEnger est un agent d'IA orienté domaine et outillé (tool-enabled) qui transforme les requêtes en langage naturel en fichiers d'entrée MOOSE exécutables. Son architecture repose sur une séparation Cœur + Domaine :

A. Architecture Hybride (Cœur + Plugin Domaine)

• Cœur réutilisable : Gère l'infrastructure de l'agent (gestion de la configuration, des registres, de l'appel d'outils, du RAG, et de la persistance).
• Plugin MOOSE : Fournit les capacités spécifiques au domaine, y compris les analyseurs de syntaxe HIT, les outils de validation et les profils d'agents.

B. Pipeline de Traitement des Données (Ingestion)

Pour améliorer la précision de la récupération d'information (RAG), MOOSEnger ne découpe pas simplement les documents en texte brut.

• Analyse syntaxique (pyhit) : Les fichiers .i sont analysés par un parseur conscient de la syntaxe HIT pour préserver les limites des blocs (ex: [Mesh], [Kernels]).
• Chunking parent-enfant : Chaque bloc syntaxique devient un "enfant" récupérable, tandis que le fichier complet est le "parent".
• Métadonnées enrichies : Extraction automatique des types d'objets MOOSE et génération de résumés naturels pour chaque fichier d'entrée.

C. Boucle de Génération et de Validation (Le "Loop")

Au lieu d'une génération unique (one-shot), MOOSEnger utilise une boucle itérative de vérification et de correction :

1. Sanitisation déterministe : Nettoyage des artefacts de formatage invisibles (guillemets intelligents, caractères de contrôle) qui brisent le parseur.
2. Réparation contrainte par la grammaire : Un boucle de réparation restreinte par la grammaire HIT corrige les erreurs de structure (balises manquantes, assignations mal formées) sans altérer la sémantique du bloc.
3. Correction de types par similarité : Si un nom d'objet est invalide, le système effectue une recherche de similarité (lexicale et sémantique) dans le registre des objets MOOSE valides pour proposer une correction contextuelle.
4. Exécution "In-the-Loop" : L'agent utilise le runtime MOOSE (via un backend local ou via le protocole MCP - Model Context Protocol) pour lancer des tests de fumée ("smoke tests") et des vérifications syntaxiques (--check-input). Les erreurs de l'exécution sont renvoyées à l'agent pour itérer vers une solution correcte.

D. Évaluation Intégrée

Le système inclut un module d'évaluation utilisant le framework Ragas pour mesurer la qualité du RAG (fidélité, pertinence) et une évaluation de bout en bout basée sur le succès d'exécution du fichier généré.

3. Contributions Clés

• Agent Spécifique au Domaine : Première intégration profonde d'un agent IA avec MOOSE, combinant RAG, analyse syntaxique déterministe et exécution de solveurs.
• Pipeline de Pré-vérification Input : Une chaîne de traitement déterministe (sanitisation, réparation grammaticale, correction de types) qui élimine les erreurs de syntaxe avant l'exécution coûteuse.
• Boucle de Vérification par Exécution : L'utilisation du solveur MOOSE réel comme "vérité terrain" pour guider les itérations de correction, transformant le processus de génération en un cycle de "vérifier-et-corriger".
• Architecture Extensible : Une conception modulaire permettant d'ajouter facilement de nouveaux domaines ou applications MOOSE sans modifier le cœur du système.

4. Résultats Expérimentaux

L'évaluation a été menée sur un benchmark de 125 prompts répartis sur cinq familles de problèmes physiques : Diffusion, Conduction thermique transitoire, Mécanique des solides, Écoulement poreux et Navier-Stokes incompressible.

• Taux de réussite d'exécution :
  • MOOSEnger : 93 % (116/125 cas réussis).
  • Baseline LLM seule (ChatGPT 5.2) : 8 % (10/125 cas réussis).
• Amélioration relative : Une amélioration de 9,5 fois du taux de réussite.
• Performance par domaine :
  • Pour les problèmes complexes (Mécanique des solides, Navier-Stokes, Conduction transitoire), le LLM seul a un taux de réussite de 0 %, tandis que MOOSEnger maintient des taux entre 84 % et 96 %.
  • Pour la diffusion simple, le taux passe de 36 % à 100 %.

Ces résultats démontrent que la combinaison de la récupération de contexte, de la réparation syntaxique contrainte et de la validation par exécution est essentielle pour la fiabilité des agents IA dans le calcul scientifique.

5. Signification et Impact

• Réduction de la barrière à l'entrée : MOOSEnger permet aux nouveaux utilisateurs de décrire leurs objectifs physiques en langage naturel et d'obtenir des configurations exécutables, réduisant considérablement le temps de mise en place.
• Fiabilité accrue pour les experts : Même pour les utilisateurs expérimentés, l'outil accélère le débogage et la configuration de cas complexes en automatisant les tâches répétitives et en corrigeant les erreurs subtiles.
• Modèle pour le Calcul Scientifique : Le papier prouve que les agents IA ne peuvent pas se contenter de générer du texte pour les logiciels scientifiques complexes ; ils doivent être couplés à des outils déterministes et à des boucles de validation exécutables pour être fiables.
• Vision "Vibe-Authoring" : L'objectif à long terme est de permettre aux ingénieurs de se concentrer sur l'intention physique et l'analyse des résultats, plutôt que sur la syntaxe technique, tout en maintenant une traçabilité et une auditabilité complètes des processus générés.

En conclusion, MOOSEnger représente une avancée significative vers l'automatisation fiable des flux de travail de simulation multiphysique, en transformant l'IA d'un simple générateur de texte en un assistant d'ingénierie capable d'interagir concrètement avec des solveurs scientifiques.