🔬 mesoscale physics

AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation

AutoMOOSE एक ओपन-सोर्स एजेंटिक AI फ्रेमवर्क है जो चरण-क्षेत्र (phase-field) सिमुलेशन के संपूर्ण जीवनचक्र को स्वायत्त रूप से ऑर्केस्ट्रेट करता है—इनपुट फ़ाइलें उत्पन्न करने से लेकर समानांतर रन निष्पादित करने और रनटाइम विफलताओं का निदान एवं सुधार करने तक—जिससे गैर-विशेषज्ञों के लिए उच्च सटीकता और दक्षता के साथ वैध सामग्री मॉडलिंग अभियानों को संचालित करना संभव हो जाता है।

मूल लेखक: Sukriti Manna, Henry Chan, Subramanian K. R. S. Sankaranarayanan

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sukriti Manna, Henry Chan, Subramanian K. R. S. Sankaranarayanan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जटिल, बहु-परत वाला केक बनाना चाहते हैं जो यह भविष्यवाणी करता है कि एक नए मिश्र धातु (alloy) के भीतर धातु के दाने (metal grains) कैसे बढ़ते हैं। पुराने दिनों में, आपको एक मास्टर बेकर (एक सामग्री वैज्ञानिक) होने के साथ-साथ एक अजीब, प्राचीन भाषा (MOOSE इनपुट फ़ाइलें) लिखने का ज्ञान भी होना चाहिए था ताकि आप ओवन को बता सकें कि क्या करना है। यदि आपने एक छोटी सी भी गलती की, तो आपका पूरा केक जल जाता, और आपको फिर से शुरुआत करनी पड़ती, अक्सर यह जाने बिना कि वह क्यों विफल हुआ।

AutoMOOSE ऐसा है जैसे आपने अपने लिए वह केक बनाने के लिए पाँच अत्यधिक विशिष्ट, सुपर-स्मार्ट रोबोट शेफ की एक टीम किराए पर ली है, जो केवल आपके सरल अनुरोध को सुनकर काम करते हैं।

यह यहाँ कैसे काम करता है, इसे रोज़मर्रा की अवधारणाओं में तोड़कर समझाया गया है:

1. समस्या: "वर्जित भाषा" की बाधा

वर्तमान में, उन्नत भौतिकी सिमुलेशन (physics simulations) चलाना ऐसा है जैसे किसी ऐसे रेस्टोरेंट में कस्टम मील ऑर्डर करना जहाँ मेनू एक गुप्त कोड में लिखा गया है। आपको ठीक से पता होना चाहिए कि कोड (इनपुट फ़ाइल) कैसे लिखना है, ओवन का तापमान कैसे सेट करना है, और खाना पकाने की प्रक्रिया की निगरानी कैसे करनी है। यदि ओवन क्रैश हो जाता है, तो आपको एक जासूस बनना पड़ता है यह पता लगाने के लिए कि समस्या गैस में थी, बिजली में थी, या रेसिपी में थी। यह कई प्रतिभाशाली वैज्ञानिकों को महान कार्य करने से रोकता है क्योंकि वे विज्ञान करने के बजाय महीनों तक कोड सीखने में बिता देते हैं।

2. समाधान: रोबोट शेफ की एक टीम (एजेंट्स)

लेखकों ने AutoMOOSE बनाया है, जो आर्टिफिशियल इंटेलिजेंस (विशेष रूप से "एजेंटिक AI") का उपयोग करता है ताकि आपके सरल अंग्रेजी अनुरोध और जटिल कंप्यूटर कोड के बीच एक सेतु (bridge) के रूप में कार्य किया जा सके। एक अकेला रोबोट सब कुछ करने की कोशिश करने के बजाय, उन्होंने पाँच विशिष्ट रोबोटों की एक पाइपलाइन बनाई है, जिनमें से प्रत्येक का एक विशिष्ट कार्य है:

द आर्किटेक्ट (द प्लानर - योजनाकार): आप इसे कहते हैं, "मैं तांबे (copper) में चार अलग-अलग तापमानों पर ग्रेन ग्रोथ का सिमुलेशन करना चाहता हूँ।" आर्किटेक्ट आपकी बात सुनता है, आपके लक्ष्य को समझता है, और एक विस्तृत, चरण-दर-चरण रेसिपी (सिमुलेशन योजना) लिखता है जिसे अन्य रोबोटों द्वारा पालन किया जा सके।
द इनपुट राइटर (द स्क्राइब - लेखक): यह रोबोट उस रेसिपी को लेता है और वास्तविक "गुप्त कोड" (MOO SE इनपुट फ़ाइल) लिखता है। यह केवल कॉपी-पेस्ट नहीं करता; इसके पास छह छोटे उप-रोबोट हैं जो फ़ाइल को टुकड़ों में बनाते हैं, यह सुनिश्चित करते हुए कि गणित और भौतिकी सही है।
द रनर (द कुक - रसोइया): यह रोबोट फ़ाइल को कंप्यूटर "ओवन" में डालता है और सिमुलेशन शुरू करता है। यह घड़ी और तापमान पर नज़र रखता है, समय बचाने के लिए एक ही समय में चार अलग-अलग सिमुलेशन चलाता है।
द रिव्यूअर (द फायरफाइटर - अग्निशमन कर्मी): यही जादुई हिस्सा है। यदि ओवन से धुआं निकलने लगता है (सिमुलेशन क्रैश होता है या विफल हो जाता है), तो रनर घबराता नहीं है। वह रिव्यूअर को बुलाता है। रिव्यूअर एरर मैसेज को पढ़ता है, यह पता लगाता है कि ठीक क्या गलत हुआ (जैसे, "तापमान बहुत अधिक था" या "सामग्री में टाइपो था"), रेसिपी को ठीक करता है, और इसे फिर से प्रयास करने के लिए स्क्राइब के पास भेज देता है। आपको कुछ भी करने की आवश्यकता नहीं है।
द विज़ुअलाइज़ेशन (द फूड क्रिटिक - खाद्य समीक्षक): एक बार केक बन जाने के बाद, यह रोबोट उसका स्वाद लेता है। यह परिणामों का विश्लेषण करता है, ग्राफ बनाता है जो दिखाता है कि धातु के दाने कैसे बढ़े, और एक सरल अंग्रेजी सारांश लिखता है जो बताता है कि क्या हुआ, बिल्कुल एक डिश की समीक्षा करने वाले फूड क्रिटिक की तरह।

3. "सेल्फ-हीलिंग" (स्वयं ठीक होने वाली) सुपरपावर

सबसे प्रभावशाली विशेषता रिव्यूअर है। पारंपरिक विज्ञान में, यदि कोई सिमुलेशन विफल हो जाता है, तो इंसान को रुकना पड़ता है, एक भ्रमित करने वाला एरर लॉग पढ़ना पड़ता है, सुधार का अनुमान लगाना पड़ता है, और फिर से शुरू करना पड़ता है।
AutoMOOSE में, यदि सिमुलेशन विफल होता है, तो सिस्टम स्वचालित रूप से समस्या का निदान करता है और उसे ठीक करता है।

उपमा: कल्पना कीजिए कि आप कार चला रहे हैं और इंजन बंद हो जाता है। मैकेनिक को बुलाने और घंटों इंतजार करने के बजाय, कार का कंप्यूटर तुरंत समझ जाता है कि फ्यूल पंप जाम है, उसे साफ करता है, और इंजन को फिर से शुरू करता है जबकि आप अपनी यात्रा जारी रखते हैं। AutoMOOSE जटिल भौतिकी सिमुलेशन के लिए यही करता है।

4. परिणाम: क्या केक का स्वाद अच्छा था?

टीम ने इस प्रणाली का परीक्षण यह देखने के लिए किया कि तांबे के दाने चार अलग-अलग तापमानों पर कैसे बढ़ते हैं।

गति: इसने समानांतर (parallel) में चार सिमुलेशन चलाए, जो एक-एक करके किए जाने वाले सिमुलेशन की तुलना में 1.8 गुना तेज़ी से पूरे हुए।
सटीकता: परिणाम लगभग वैसे ही थे जैसा कि एक मानव विशेषज्ञ को प्राप्त होते। सिस्टम ने सही ढंग से भविष्यवाणी की कि दाने कितनी तेज़ी से बढ़ेंगे, और "एक्टिवेशन एनर्जी" (एक माप कि दानों को हिलने में कितनी कठिनाई होती है) की गणना उच्च सटीकता के साथ की।
सेल्फ-डॉक्यूमेंटेशन: जब भी यह सिस्टम चलता है, यह एक "डिजिटल रसीद" (सभी फ़ाइलों, सेटिंग्स और लॉग के साथ एक फोल्डर) बनाता है ताकि बाद में कोई भी इसे देख सके और कह सके, "हाँ, हमने बिल्कुल इसी तरह से यह परिणाम प्राप्त किया है।" यह विज्ञान को पारदर्शी और पुनरुत्पादनीय (reproducible) बनाता है।

5. यह क्यों महत्वपूर्ण है

AutoMOOSE से पहले, इस तरह का विज्ञान करने के लिए आपको एक "कोड विजार्ड" होने की आवश्यकता थी। अब, आपको बस एक वैज्ञानिक होने की आवश्यकता है जिसके पास एक प्रश्न है।

दूरी मिट गई है: यह पेपर दिखाता है कि हम अंततः "भौतिकी को जानने" (विज्ञान को समझने) और "भौतिकी करने" (जटिल सिमुलेशन चलाने) के बीच के अंतर को पाट सकते हैं।
भविष्य: यह "सेल्फ-ड्राइविंग लैबोरेटरीज" की ओर एक कदम है। कल्पना कीजिए कि एक भविष्य जहाँ एक वैज्ञानिक कहता है, "जेट इंजन के लिए सबसे अच्छा धातु मिश्र धातु खोजें," और AI हजारों सिमुलेशन चलाता है, अपनी गलतियों को खुद ठीक करता है, डेटा का विश्लेषण करता है, और वैज्ञानिक को उत्तर बताता है—वह भी बिना वैज्ञानिक द्वारा कोड की एक भी लाइन लिखे।

संक्षेप में: AutoMOOSE विशेषज्ञों की एक टीम है जो आपके साधारण अंग्रेजी वाक्य को एक जटिल, मान्य वैज्ञानिक प्रयोग में बदल देती है, रास्ते में अपनी गलतियों को खुद ठीक करती है, और आपको चांदी की थाली पर परिणाम सौंप देती है।

यहाँ "AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यद्यपि MOOSE (मल्टीफिजिक्स ऑब्जेक्ट-ओरिएंटेड सिमुलेशन एनवायरनमेंट) जैसे मल्टीफिजिक्स सिमुलेशन फ्रेमवर्क सूक्ष्म संरचना विकास (जैसे ग्रेन ग्रोथ, स्पिनोडल डिकम्पोजिशन) के मॉडलिंग के लिए शक्तिशाली उपकरण हैं, लेकिन उनके व्यावहारिक उपयोग में एक कठिन प्रवेश बाधा बनी हुई है।

जटिलता (Complexity): वैध MOOSE इनपुट फ़ाइलों का निर्माण करने के लिए भौतिकी, संख्यात्मक सॉल्वर (numerical solvers) और विशिष्ट सिंटैक्स में गहरी विशेषज्ञता की आवश्यकता होती है। एक एकल ग्रेन ग्रोथ सिमुलेशन में अक्सर 100 से अधिक पंक्तियाँ शामिल होती हैं जो कसकर जुड़ी हुई (tightly coupled) होती हैं।
मैनुअल प्रयास (Manual Effort): शोधकर्ताओं को पैरामीटर स्वैप (parameter sweeps) को मैन्युअल रूप से समन्वित करना पड़ता है, कन्वर्जेंस विफलताओं (convergence failures) का निदान करना पड़ता है, और मात्रात्मक परिणाम निकालना पड़ता है।
पुनरुत्पादकता (Reproducibility): मेश रिज़ॉल्यूशन, सॉल्वर टॉलरेंस या अनदस्तावेजीकृत पैरामीटर विकल्पों में छोटे बदलाव भी गैर-पुनरुत्पाद्य परिणामों की ओर ले जाते हैं, जिससे मानकीकृत प्रोसेसिंग–माइक्रोस्ट्रक्चर–प्रॉपर्टी डेटाबेस बनाने में बाधा आती है।
अंतराल (Gap): मौजूदा AI एजेंटों ने परमाणु स्तर (DFT, मॉलिक्यूलर डायनेमिक्स) को संबोधित किया है, लेकिन वे अभी तक मेसोस्केल फेज-फील्ड सिमुलेशन के पूर्ण जीवन चक्र को स्वचालित नहीं कर पाए हैं, जो ऊष्मप्रवैगिकी सिद्धांत (thermodynamic theory) और संख्यात्मक विधियों के मिलन बिंदु पर स्थित हैं।

2. कार्यप्रणाली: AutoMOOSE फ्रेमवर्क (Methodology: The AutoMOOSE Framework)

AutoMOOSE एक ओपन-सोर्स, एजेंटिक AI फ्रेमवर्क है जो एक एकल प्राकृतिक-भाषा प्रॉम्प्ट (natural-language prompt) से पूरे MOOSE सिमुलेशन जीवन चक्र का संचालन करता है। यह एक पाँच-एजेंट पाइपलाइन और एक मॉड्यूलर प्लगइन आर्किटेक्चर का उपयोग करता है।

A. पाँच-एजेंट पाइपलाइन (The Five-Agent Pipeline)

यह प्रणाली claude-sonnet-4-20250514 मॉडल के विशिष्ट इंस्टेंस का उपयोग करती है, जो क्रमिक रूप से व्यवस्थित हैं:

आर्किटेक्ट एजेंट ( $f_1$ ): उपयोगकर्ता के प्राकृतिक-भाषा के इरादे को एक संरचित JSON सिमुलेशन योजना ( $P$ ) में परिवर्तित करता है। यह भौतिकी मॉडल, स्थानिक आयाम, सीमा स्थितियाँ (boundary conditions) और स्वैप पैरामीटरों की पहचान करता है।
इनपुट राइटर एजेंट ( $f_2$ ): एक कंपाउंड एजेंट जो एक वैध MOOSE .i इनपुट फ़ाइल उत्पन्न करने के लिए छह उप-एजेंटों (Mesh, Variables, Kernels, Materials, Postprocessors, Executioner) का समन्वय करता है।
- मुख्य विशेषता: यह भौतिक मापदंडों (जैसे ग्रेन बाउंड्री ऊर्जा $\sigma$ , मोबिलिटी $M_{GB}$ ) को MOOSE गुणांकों ( $L, \mu, \kappa$ ) में विश्लेषणात्मक रूप से अनुवादित करने के लिए एक प्लगइन कॉन्ट्रैक्ट का उपयोग करता है, जिससे मैनुअल गणना त्रुटियाँ समाप्त हो जाती हैं।
रनर एजेंट ( $f_3$ ): MOOSE सिमुलेशन लॉन्च करता है (पैरामीटर स्वैप के लिए समानांतर निष्पादन का समर्थन करता है), वास्तविक समय में सॉल्वर आउटपुट स्ट्रीम करता है, और फ़ाइल I/O का प्रबंधन करता है।
रिव्यूअर एजेंट ( $f_4$ ): कन्वर्जेंस विफलताओं की निगरानी करता है। यदि कोई रन विफल होता है, तो यह एरर लॉग को पार्स करता है, विफलता को वर्गीकृत करता है (जैसे टाइमस्टेप बहुत बड़ा है, मेश रिज़ॉल्यूशन संबंधी समस्याएँ), सुधारे गए पैरामीटरों का प्रस्ताव देता है, और इनपुट राइटर के साथ एक 'रिट्राय लूप' को ट्रिगर करता है। यह स्वायत्त रूप से बिना किसी उपयोगकर्ता हस्तक्षेप के होता है।
विज़ुअलाइज़ेशन एजेंट ( $f_5$ ): मात्रात्मक गतिकी (quantitative kinetics) (जैसे ग्रेन काउंट $N(t)$ ) निकालता है, डेटा को भौतिक नियमों (जैसे ग्रेन कोर्सनिंग लॉ) में फिट करता है, अरहेनियस रिग्रेशन (Arrhenius regression) करता है, और परिणामों का प्राकृतिक-भाषा वैज्ञानिक व्याख्या उत्पन्न करता है।

B. आर्किटेक्चर और इंटरऑपरेबिलिटी (Architecture & Interoperability)

प्लगइन आर्किटेक्चर: भौतिकी-विशिष्ट तर्क को एक दो-कार्यात्मक अनुबंध (generate_input और parse_results) के माध्यम से ऑर्केस्ट्रेशन लेयर से अलग किया गया है। यह बिना कोर एजेंटों को बदले नई भौतिकी मॉडल (जैसे फेरोइलेक्ट्रिक स्विचिंग) को जोड़ने की अनुमति देता है।
मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP): संपूर्ण वर्कफ़्लो को 10 संरचित टूल्स के साथ एक MCP सर्वर के रूप में प्रदर्शित किया गया है। यह सक्षम बनाता है:
- हेडलेस ऑपरेशन: CI/CD पाइपलाइनों, कस्टम स्क्रिप्ट्स, या बाहरी ऑप्टिमाइज़ेशन लूप्स के साथ एकीकरण।
- कंपोजेबिलिटी: AutoMOOSE टूल्स को अन्य AI एजेंटों (जैसे थर्मोडायनामिक डेटाबेस को क्वेरी करना) के साथ जोड़ा जा सकता है।
प्रोवेनेंस और FAIR डेटा: प्रत्येक रन एक स्व-दस्तावेजीकृत निर्देशिका (directory) उत्पन्न करता है जिसमें इनपुट फ़ाइल, रॉ लॉग्स, पार्स किए गए मेट्रिक्स और एक metadata.json फ़ाइल होती है जो सभी निष्पादन मापदंडों को एनकोड करती है, जिससे पूर्ण पुनरुत्पादकता सुनिश्चित होती है।

3. मुख्य योगदान (Key Contributions)

पूर्ण स्वायत्त जीवन चक्र: फेज-फील्ड सिमुलेशन के लिए प्राकृतिक-भाषा इरादे से लेकर मात्रात्मक, प्रकाशन-योग्य विश्लेषण तक के पूर्ण लूप को बिना किसी मानवीय हस्तक्षेप के बंद करने वाला पहला फ्रेमवर्क।
स्वायत्त विफलता रिकवरी: रिव्यूअर एजेंट सफलतापूर्वक रनटाइम कन्वर्जेंस विफलताओं (जैसे टाइमस्टेप को समायोजित करना, डुप्लिकेट घोषणाओं को ठीक करना) का निदान करता है और उन्हें एक ही सुधार चक्र में ठीक करता है।
मात्रात्मक स्व-सत्यापन: सिस्टम सिमुलेशन डेटा से अरहेनियस एक्टिवेशन ऊर्जा को पुनः प्राप्त करके और उसकी तुलना उपयोगकर्ता द्वारा निर्दिष्ट इनपुट मान से करके एंड-टू-एंड निरंतरता जांच (consistency check) करता है।
MCP एकीकरण: व्यापक AI-संचालित सामग्री खोज पाइपलाइनों में जटिल सिमुलेशन वर्कफ़्लो को एकीकृत करने के लिए एक मानकीकृत इंटरफ़ेस प्रदान करता है।

4. परिणाम (Results)

सिस्टम को एक चार-तापमान तांबे के पॉलीक्रिस्टलाइन ग्रेन ग्रोथ बेंचमार्क ( $T = 300, 450, 600, 750$ K) पर मान्य किया गया।

इनपुट फ़ाइल फिडेलिटी (Fidelity):
- जनरेट की गई इनपुट फ़ाइलों ने विशेषज्ञ-लिखित संदर्भ के विरुद्ध 6/12 सटीक संरचनात्मक मिलान और 4/12 कार्यात्मक समानताएं प्राप्त कीं।
- जनरेट की गई फ़ाइलें प्लगइन सत्यापन के बाद पहले प्रयास में ही सफलतापूर्वक निष्पादित हुईं।
काइनेटिक्स और फिजिक्स रिकवरी:
- ग्रेन कोर्सनिंग: सिस्टम ने $T \ge 600$ K के लिए $R^2 = 0.90–0.95$ के साथ ग्रेन कोर्सनिंग काइनेटिक्स को रिकवर किया।
- अरहेनियस निरंतरता: सिस्टम ने सिमुलेशन डेटा से $Q_{fit} = 0.29 \text{ eV}$ की एक्टिवेशन ऊर्जा निकाली, जिसकी तुलना उपयोगकर्ता द्वारा निर्दिष्ट इनपुट $Q = 0.23 \text{ eV}$ से की गई। विसंगति (28.7%) को 15-ग्रेन सिस्टम में 'फाइनाइट-साइज़ इफेक्ट्स' के कारण बताया गया, जो मानव-लिखित संदर्भ रन ( $Q_{fit} = 0.267 \text{ eV}$ ) के अनुरूप है।
स्वायत्त विफलता सुधार:
- विकास के दौरान, तीन अलग-अलग प्रकार की रनटाइम विफलताओं (डुप्लिकेट ऑब्जेक्ट घोषणाएं, डुप्लिकेट सॉल्वर कुंजियाँ, अप्रयुक्त पैरामीटर) का सामना किया गया।
- रिव्यूअर एजेंट ने एक ही रिट्राय चक्र के भीतर 100% इन विफलताओं का निदान और समाधान किया।
प्रदर्शन:
- समानांतर निष्पादन (Parallel execution) ने सीरियल निष्पादन की तुलना में 1.8 $\times$ वॉल-क्लॉक स्पीडअप प्राप्त किया।
- प्रॉम्प्ट से विश्लेषण तक कुल एंड-टू-एंड समय $\approx$ 380 मिनट था, जो मुख्य रूप से कंप्यूट समय द्वारा संचालित था, जिसमें शून्य मैनुअल फ़ाइल संपादन हुआ।

5. महत्व (Significance)

अंतराल को पाटना: AutoMOOSE "भौतिकी जानने" और "सिमुलेशन निष्पादित करने" के बीच के अंतर को पाटता है, जिससे गैर-विशेषज्ञों के लिए कठोर मेसोस्केल मॉडलिंग करना आसान हो जाता है।
सेल्फ-ड्राइविंग लैबोरेटरीज: एरर रिकवरी और मात्रात्मक विश्लेषण को स्वचालित करके, यह सेल्फ-ड्राइविंग कम्प्यूटेशनल प्रयोगशालाओं की ओर एक मार्ग प्रदान करता है जहाँ AI एजेंट स्वायत्त रूप से पैरामीटर स्पेस का अन्वेषण और सामग्री गुणों को अनुकूलित कर सकते हैं।
पुनरुत्पादकता: फ्रेमवर्क निर्माण द्वारा FAIR (Findable, Accessible, Interoperable, Reusable) डेटा सिद्धांतों को लागू करता है, यह सुनिश्चित करता है कि प्रत्येक सिमुलेशन परिणाम अपने मेटाडेटा से पूरी तरह से पुनरुत्पादक है।
स्केलेबिलिटी: मॉड्यूलर प्लगइन डिज़ाइन और MCP इंटरफ़ेस फ्रेमवर्क को नई भौतिकी मॉडलों तक स्केल करने और उच्च-थ्रूपुट स्क्रीनिंग और बेयसियन ऑप्टिमाइज़ेशन वर्कफ़्लो के साथ निर्बाध रूप से एकीकृत होने की अनुमति देता है।

निष्कर्षतः, AutoMOOSE यह प्रदर्शित करता है कि हल्का मल्टी-एजेंट ऑर्केस्ट्रेशन मल्टीफिजिक्स सिमुलेशन की जटिलता को प्रभावी ढंग से प्रबंधित कर सकता है, जिससे वे मैनुअल, विशेषज्ञ-मात्र कार्यों से स्वचालित, सत्यापन योग्य वैज्ञानिक वर्कफ़्लो में बदल जाते हैं।