AutoSAM: an Agentic Framework for Automating Input File Generation for the SAM Code with Multi-Modal Retrieval-Augmented Generation

Ce papier présente AutoSAM, un cadre agentic multimodal qui automatise la génération de fichiers d'entrée pour le code thermique-hydraulique SAM en extrayant et en interprétant des données à partir de documents d'ingénierie hétérogènes pour produire des modèles de réacteurs exécutables et auditable.

L'essentiel

🌟 Le Problème : Le "Boulot de Traducteur" Épuisant

Imaginez que vous êtes un architecte chargé de construire un réacteur nucléaire ultra-sophistiqué. Vous avez toutes les informations nécessaires : des dessins sur des plans, des tableaux de données dans des Excel, des rapports techniques en PDF et des schémas complexes.

Le problème ? Le logiciel qui va simuler le comportement du réacteur (appelé SAM) est comme un robot très strict et un peu bête. Il ne comprend pas le français, ni les dessins, ni les tableaux. Il ne parle qu'un langage de code très précis et ennuyeux.

Actuellement, un ingénieur humain doit passer des jours, voire des semaines, à :

1. Lire tous ces documents différents.
2. Chercher les chiffres exacts (température, pression, taille des tuyaux).
3. Les recopier manuellement dans le langage du robot.
4. Espérer ne pas avoir fait une faute de frappe qui pourrait fausser toute la simulation.

C'est comme essayer de construire une maison en traduisant manuellement chaque phrase d'un livre de cuisine en une liste d'ingrédients pour un robot cuisinier. C'est lent, fatiguant et sujet aux erreurs.

---

🤖 La Solution : AutoSAM, le "Super-Assistant"

Les auteurs de l'article ont créé AutoSAM. C'est un agent intelligent (une sorte de robot assistant très doué) qui fait tout le travail de traduction et d'assemblage à la place de l'ingénieur.

Voici comment il fonctionne, avec des analogies simples :

1. Le Cerveau (Le Grand Livre de Connaissances)

L'agent ne devine pas les choses au hasard. Il a deux sources de sagesse :

• Le Manuel de l'Utilisateur : Il a lu et mémorisé le "livre de règles" du logiciel SAM. Il sait exactement comment le robot parle.
• La Mémoire Externe (RAG) : Si l'agent a un doute, il peut aller chercher instantanément la réponse dans les manuels techniques, comme un étudiant qui consulte son dictionnaire pendant un examen.

2. Les Yeux et les Oreilles (La Vision Multi-modale)

C'est là que ça devient magique. L'agent ne lit pas seulement du texte.

• Il voit les images : Si vous lui donnez un schéma de tuyauterie dessiné à la main ou une photo d'un plan, il peut "comprendre" où sont les pompes et les vannes, même si ce n'est pas écrit en mots.
• Il lit les tableaux : Il peut ouvrir un fichier Excel et extraire les chiffres directement.
• Il déchiffre les PDF : Il est capable de lire des rapports techniques complexes, de trouver les équations cachées et de comprendre les graphiques.

3. La Boîte à Outils (Les 7 Outils Spéciaux)

L'agent n'est pas seul. Il a une boîte à outils avec 7 gadgets spéciaux :

• Des outils pour lire les fichiers Excel et les textes.
• Des outils pour analyser les images et les schémas.
• Des outils pour vérifier que le code qu'il écrit est correct (comme un correcteur orthographique pour les mathématiques).
• Des outils pour assembler le tout.

---

🛠️ Le Processus : Comment ça se passe ?

Imaginez que vous donnez à l'agent un dossier contenant un vieux rapport PDF, un schéma dessiné sur un coin de table et un fichier Excel.

1. L'Exploration : L'agent ouvre tous les documents. Il lit le PDF, regarde le dessin, analyse le tableau Excel. Il rassemble toutes les pièces du puzzle.
2. Le Brouillon Intermédiaire (La Sécurité) : Au lieu de donner le résultat final directement, l'agent crée d'abord un brouillon structuré (comme une liste de courses bien organisée).
   • Pourquoi ? C'est une étape cruciale. Un humain (l'ingénieur) peut vérifier ce brouillon. "Ah, l'agent a oublié la pression de la pompe ! Je vais le corriger." Cela évite les catastrophes.
3. La Traduction Finale : Une fois validé, l'agent traduit ce brouillon en langage informatique pour le logiciel SAM.
4. Le Résultat : Le logiciel SAM reçoit le fichier, le comprend parfaitement, et lance la simulation.

---

🧪 Les Résultats : Ça marche vraiment ?

Les chercheurs ont testé AutoSAM avec 4 défis de plus en plus difficiles :

1. Un simple tuyau : L'agent a réussi à traduire un fichier Excel simple en simulation parfaite.
2. Un réacteur avec retour de chaleur : Il a compris comment la chaleur influence la réactivité (un peu comme un thermostat qui s'ajuste tout seul).
3. Le cœur d'un réacteur complexe (ABTR) : Il a réussi à lire un schéma technique et un PDF pour reconstruire un système à 5 canaux parallèles.
4. La boucle complète d'un réacteur à sels fondus (MSRE) : C'était le niveau "Expert". L'agent a dû reconstituer tout le circuit (pompe, cœur, échangeur de chaleur) à partir de documents hétérogènes.

Le verdict ?

• Il a utilisé 100% des données structurées (Excel).
• Il a extrait 88% des informations dans les textes PDF.
• Il a compris 100% des informations géométriques dans les images et les dessins.

---

💡 En Résumé

AutoSAM, c'est comme avoir un traducteur universel et un assistant d'ingénierie qui travaille 24h/24.

• Avant : L'ingénieur passait 90% de son temps à copier-coller des chiffres et 10% à penser à la physique.
• Avec AutoSAM : L'agent fait le copier-coller et l'assemblage. L'ingénieur passe son temps à vérifier le travail de l'agent et à se concentrer sur la conception et la sécurité.

C'est une révolution pour l'avenir des réacteurs nucléaires : on passe d'une époque où l'on "construit" manuellement les modèles à une époque où l'on donne des instructions (prompt) et des documents, et l'IA construit le modèle pour nous, tout en restant sous contrôle humain pour garantir la sécurité.

Résumé technique

1. Problématique

Dans la conception et l'analyse de sécurité des réacteurs nucléaires avancés, la création de fichiers d'entrée pour les codes thermohydrauliques de niveau système, tels que le SAM (System Analysis Module), constitue un goulot d'étranglement laborieux et sujet aux erreurs.

• Complexité des données : Les ingénieurs doivent extraire manuellement des paramètres de conception à partir de documents hétérogènes (schémas P&ID, rapports de conception, bases de données de propriétés matérielles, tableaux Excel, images).
• Transcription manuelle : Ces données doivent être retranscrites dans une syntaxe spécifique au solveur, ce qui est un processus itératif, long (de plusieurs jours à plusieurs semaines) et risqué.
• Limites des approches actuelles : Les méthodes d'automatisation existantes (templates standardisés, OCR, extraction de clés-valeurs par règles) échouent souvent face à la fragmentation des informations dans des documents non structurés ou lorsque les données critiques sont encodées visuellement dans des figures et des diagrammes. De plus, les modèles de langage (LLM) généraux manquent de connaissances spécifiques aux codes fermés comme le SAM, ce qui entraîne des erreurs ou des hallucinations.

2. Méthodologie : Le cadre AutoSAM

L'article présente AutoSAM, un cadre agentic basé sur un LLM (Large Language Model) conçu pour automatiser la génération de fichiers d'entrée SAM à partir de documentation d'ingénierie hétérogène. L'approche repose sur une architecture ReAct (Reason + Act) combinant trois stratégies de spécialisation complémentaires :

A. Connaissance de domaine spécialisée

• Instructions système (System Instructions) : Des instructions persistantes, dérivées du guide utilisateur et du manuel théorique du SAM, définissent le rôle de l'agent, la structure des fichiers d'entrée et les conventions de modélisation.
• Génération Augmentée par Récupération (RAG) : Les manuels du SAM sont vectorisés. L'agent peut récupérer des informations contextuelles pertinentes via une recherche de similarité pour compléter ses connaissances internes, réduisant ainsi les hallucinations.

B. Traitement de documents multi-modaux

Le cadre intègre un pipeline capable d'ingérer et d'interpréter divers formats :

• Documents structurés : Lecture directe de fichiers Excel, JSON, YAML et texte brut.
• Documents non structurés (PDF) : Utilisation du modèle Nougat (Neural Optical Understanding for Academic Text) pour extraire le texte, les équations et les tableaux avec une mise en page préservée.
• Images et schémas : Utilisation de modèles Vision-Language (VLM) pour décrire les figures, les diagrammes de flux et les schémas de tuyauterie, transformant les informations visuelles en descriptions textuelles sémantiques.

C. Outils spécialisés (7 outils)

L'agent dispose d'une boîte à outils pour exécuter des tâches complexes :

1. Analyse de contenu : Lecteurs de fichiers Excel et texte pour extraire les données brutes.
2. Récupération : Outils d'analyse PDF et d'analyse d'images pour indexer et récupérer des connaissances sémantiques.
3. Passage d'instructions :
   • Créateur de fichiers d'entrée : Transforme les données structurées intermédiaires en syntaxe SAM valide.
   • Validateur de fichiers d'entrée : Vérifie la syntaxe, la cohérence physique (unités, connectivité) et signale les manques.
4. Exécution Python : Pour des calculs déterministes et des vérifications supplémentaires.

D. Représentation intermédiaire (Boucle humaine)

Un élément crucial du design est la génération d'un fichier intermédiaire structuré (format YAML) avant la création du fichier final. Ce fichier sert de point de contrôle « humain-dans-la-boucle » (human-in-the-loop), permettant aux experts de vérifier, corriger et compléter les données extraites avant la génération finale, assurant ainsi la traçabilité et la sécurité.

3. Contributions Clés

• Premier cadre agentic multi-modal pour le SAM : AutoSAM est la première solution capable de traiter simultanément du texte, des tableaux, des équations et des schémas visuels pour alimenter un code thermohydraulique nucléaire avancé.
• Pipeline de récupération multi-modale : Intégration réussie de l'extraction de texte scientifique (Nougat), de l'interprétation de figures par VLM et de l'embedding sémantique pour une compréhension conjointe du contenu textuel et visuel.
• Approche « Prompt-Driven Modeling » : Transformation du processus de modélisation où l'ingénieur fournit la description du système et la documentation, et l'agent traduit cette intention en un modèle exécutable, transparent et reproductible.
• Gestion explicite des incertitudes : Le système identifie et étiquette explicitement les valeurs manquantes comme des hypothèses, garantissant la transparence des données d'entrée.

4. Résultats et Évaluation

Le cadre a été évalué sur quatre études de cas de complexité croissante :

1. Modèle de tuyau unique (Données structurées) : Validation de la capacité de base à générer un modèle d'écoulement 1D. Résultats : 100 % d'utilisation des paramètres structurés fournis.
2. Canal de combustible solide avec rétroaction de température (Données structurées) : Test de la capacité à intégrer des couplages multi-physiques (conduction thermique, réactivité). L'agent a correctement simulé la rétroaction négative.
3. Cœur du réacteur ABTR (Données multi-modales) : Extraction de la topologie à partir d'un schéma (image) et des paramètres d'un rapport PDF. L'agent a reconstruit un modèle à 5 canaux parallèles avec transfert de chaleur conjugué.
   • Performance : 100 % de complétude pour l'extraction géométrique basée sur la vision ; ~88 % d'extraction de texte depuis les PDF.
4. Boucle primaire du MSRE (Données multi-modales complexes) : Reconstruction d'une boucle complète (cœur, pompes, échangeurs) à partir de sources hétérogènes. L'agent a réussi à reconstruire la connectivité et à produire des profils de température cohérents (pied chaud/pied froid).

Analyse quantitative :

• Utilisation des données structurées : 100 %.
• Extraction de texte PDF : ~88 % (45/51 éléments attendus).
• Extraction visuelle (schémas) : 100 % (37/37 attributs géométriques récupérés, y compris les déductions de position et de longueur).

5. Signification et Impact

• Réduction du goulot d'étranglement : AutoSAM démontre qu'il est possible d'automatiser la phase la plus laborieuse de la modélisation nucléaire, passant de jours/semaines à une génération quasi immédiate de modèles validés.
• Sécurité et Conformité : L'architecture intègre des mécanismes de sécurité (validation déterministe, boucle humaine, traçabilité des sources) essentiels pour les applications de licence nucléaire. Elle ne remplace pas l'expert mais agit comme un assistant de productivité qui préserve le contrôle humain.
• Évolutivité : Bien que démontré sur le SAM, l'architecture est conçue pour être adaptable à d'autres codes de simulation (RELAP5, TRACE) en modifiant les instructions système et les outils spécifiques au solveur.
• Avenir de la modélisation : Ce travail ouvre la voie à une nouvelle paradigme où les modèles deviennent des produits régénérables basés sur la documentation, facilitant la mise à jour des modèles lorsque les données de conception évoluent.

En conclusion, AutoSAM représente une avancée significative vers l'intégration de l'IA dans les workflows d'ingénierie nucléaire, combinant la puissance des LLM avec des outils spécialisés et une supervision humaine rigoureuse pour garantir la fiabilité des simulations de réacteurs avancés.