🔬 physics

AI CFD Scientist: Toward Open-Ended Computational Fluid Dynamics Discovery with Physics-Aware AI Agents

यह शोध पत्र AI CFD Scientist को प्रस्तुत करता है, जो एक ओपन-सोर्स फ्रेमवर्क है जो विजन-लैंग्वेज मॉडल्स का लाभ उठाकर OpenFOAM पर कम्प्यूटेशनल फ्लूइड डायनेमिक्स सिमुलेशन को स्वायत्त रूप से निष्पादित, मान्य और परिष्कृत करता है, और सफलतापूर्वक एक स्पालार्ट-एलमाराम्स (Spalart-Allmaras) सुधार की खोज करता है जो त्रुटि को 7.89% तक कम करता है और उन साइलेंट विफलताओं का पता लगाता है जिन्हें पारंपरिक सॉल्वर चेक मिस कर देते हैं।

मूल लेखक: Nithin Somasekharan, Rabi Pathak, Manushri Dhanakoti, Tingwen Zhang, Ling Yue, Andy Zhu, Shaowu Pan

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nithin Somasekharan, Rabi Pathak, Manushri Dhanakoti, Tingwen Zhang, Ling Yue, Andy Zhu, Shaowu Pan

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 अत्यधिक बुद्धिमान, अथक शोध सहायकों की एक टीम जटिल भौतिकी पहेलियों को हल करने के लिए मिलकर काम कर रही है। यह शोध पत्र AI CFD Scientist को पेश करता है, जो एक नया ओपन-सोर्स सिस्टम है जिसे विशेष रूप से कंप्यूटेशनल फ्लूइड डायनेमिक्स (CFD)—जो हवाई जहाज के पंखों, कारों के शरीर, या यहाँ तक कि रक्त वाहिकाओं के चारों ओर हवा और पानी के प्रवाह का अनुकरण करने के लिए सुपर कंप्यूटरों का उपयोग करने वाला क्षेत्र है—के लिए एक स्वायत्त वैज्ञानिक के रूप में कार्य करने के लिए डिज़ाइन किया गया है।

यह सिस्टम कैसे काम करता है, इसे सरल उपमाओं के माध्यम से समझाया गया है:

समस्या: "साइलेंट फेलियर" (मौन विफलता) का जाल

कई वैज्ञानिक क्षेत्रों में, यदि कोई कंप्यूटर प्रोग्राम बिना क्रैश हुए चल जाता है, तो आप मान लेते हैं कि परिणाम अच्छा है। लेकिन फ्लूइड डायनेमिक्स में, यह खतरनाक है।

उपमा: कल्पना कीजिए कि एक शेफ रेसिपी का पूरी तरह से पालन करता है, लेकिन गलती से चीनी के बजाय नमक का उपयोग कर लेता है। केक पक जाता है, फूल जाता है और दिखने में एकदम सही होता है। "लॉग" (रेसिपी के चरण) कहता है कि सब कुछ ठीक है। लेकिन यदि आप इसे चखते हैं, तो यह खाने लायक नहीं होता।
वास्तविकता: एक CFD सिमुलेशन बिना किसी त्रुटि के चल सकता है, फिर भी एक भौतिक रूप से असंभव परिणाम (जैसे कि हवा का एक ठोस दीवार के माध्यम से पीछे की ओर बहना) दे सकता है, क्योंकि सेटअप या गणित में कोई सूक्ष्म गलती होती है। पारंपरिक AI उपकरण इन "साइलेंट फेलियर्स" को अक्सर मिस कर देते हैं क्योंकि वे केवल कंप्यूटर लॉग की जांच करते हैं, प्रवाह की वास्तविक तस्वीर की नहीं।

समाधान: विशिष्ट एजेंटों की एक टीम

लेखकों ने एक ऐसा सिस्टम बनाया है जो केवल कोड नहीं चलाता; यह एक पूर्ण अनुसंधान प्रयोगशाला की तरह कार्य करता है। यह समन्वय करने के लिए एक "मस्तिष्क" (एक लार्ज लैंग्वेज मॉडल) का उपयोग करता है जो कई विशिष्ट "एजेंटों" (सॉफ्टवेयर टूल) को संभालता है जो काम के विभिन्न हिस्सों को देखते हैं:

आइडिया जनरेटर (विचार निर्माता): केवल अनुमान लगाने के बजाय, यह एजेंट वैज्ञानिक शोध पत्रों को पढ़कर ज्ञान की कमियों को ढूंढता है और नए प्रयोग प्रस्तावित करता है।
कोड बिल्डर (कोड निर्माता): यदि मानक उपकरण किसी विशिष्ट समस्या को हल नहीं कर पाते हैं, तो यह एजेंट नए C++ कोड (सिमुलेशन का "इंजन") को लिखता और संकलित करता है ताकि कस्टम भौतिक मॉडल बनाए जा सकें।
मेश इंस्पेक्टर (जाल निरीक्षक): सिमुलेशन चलाने से पहले, यह जांचता है कि डिजिटल ग्रिड (जिसे "मेश" कहा जाता है) छोटे विवरणों को पकड़ने के लिए पर्याप्त विस्तृत है या नहीं, जिससे यह सुनिश्चित हो सके कि परिणाम केवल एक धुंधला अनुमान नहीं हैं।
"विज़न" गेटकीपर (सबसे प्रमुख विशेषता): यह सबसे महत्वपूर्ण नवाचार है। सिमुलेशन चलने के बाद, सिस्टम केवल संख्याओं को नहीं देखता है। यह प्रवाह की एक तस्वीर लेता है और उसे एक विज़न-लैंग्वेज मॉडल (एक AI जो छवियों को "देख" सकता है) को दिखाता है।
- उपमा: इसे एक मानव कला समीक्षक के रूप में सोचें जो पेंटिंग को देख रहा है। भले ही कलाकार कहे, "मैंने नियमों का पालन किया है," समीक्षक पहचान सकता है कि परिप्रेक्ष्य (perspective) गलत है या रंग वास्तविकता से मेल नहीं खाते।
- परिणाम: यदि AI "देखता" है कि प्रवाह अजीब लग रहा है (जैसे कि गलत जगह पर एक भंवर बनना), तो वह परिणाम को खारिज कर देता है और सिस्टम को फिर से प्रयास करने के लिए कहता है, भले ही कंप्यूटर लॉग ने "सफलता" (Success) दिखाई हो।

उन्होंने वास्तव में क्या हासिल किया

टीम ने पांच अलग-अलग कार्यों पर इस सिस्टम का परीक्षण किया। यहाँ मुख्य बातें दी गई हैं:

रूटीन चेक: इसने मानक परीक्षणों को सफलतापूर्वक चलाया, जैसे कि यह जांचना कि एक बैकवर्ड-फेसिंग स्टेप (एयरोडायनामिक्स में एक सामान्य परीक्षण मामला) के आसपास विभिन्न टर्बुलेंस मॉडल कैसे व्यवहार करते हैं।
कस्टम इंजीनियरिंग: इसने गैर-न्यूटनियन तरल पदार्थों (ऐसे तरल पदार्थ जो उन्हें हिलाने पर अपनी गाढ़ापन बदलते हैं, जैसे केचप या रक्त) का अनुकरण करने के लिए अपना खुद का कोड लिखा और साबित किया कि यह काम करता है।
बड़ी खोज (ओपन-एंडेड डिस्कवरी): यह सबसे प्रभावशाली हिस्सा है। सिस्टम को एक लक्ष्य दिया गया था: "एक तरीका खोजें जिससे मानक टर्बुलेंस मॉडल वास्तविक दुनिया के डेटा से बेहतर मेल खा सके।"
- बिना मानवीय सहायता के, AI ने प्रयोगों के 44 इटरेशन (पुनरावृत्ति) चलाए।
- इसने विभिन्न गणितीय बदलावों को आजमाया, नया कोड लिखा, सिमुलेशन चलाया और परिणामों की जांच की।
- परिणाम: इसने एक नया गणितीय सुधार (एक "रनटाइम टवीक") खोजा जिसने स्किन फ्रिक्शन (हवा सतह से कितनी रगड़ खाती है) की भविष्यवाणी करने में त्रुटि को उपलब्ध सर्वोत्तम संदर्भ डेटा की तुलना में 7.89% कम कर दिया।

सुरक्षा जाल: गलतियों को पकड़ना

यह सिद्ध करने के लिए कि सिस्टम काम करता है, शोधकर्ताओं ने जानबूझकर 16 अलग-अलग तरीकों से सिमुलेशन को खराब किया (जैसे, आउटपुट फ़ाइल को हटाना, संख्याओं को गलत करना, या सिमुलेशन को बहुत जल्दी रोक देना)।

सिस्टम के "विज़न गेट" ने इन 16 में से 14 साइलेंट फेलियर्स को पकड़ लिया।
मानक AI उपकरण (बिना विज़न चेक के) इन खराब परिणामों को वैध मान लेते।

अन्य AI वैज्ञानिकों के साथ तुलना

लेखकों ने अपने सिस्टम की तुलना दो अन्य सामान्य-उद्देश्य वाले AI वैज्ञानिक उपकरणों (ARIS और DeepScientist) से की।

अंतर: अन्य उपकरण सिमुलेशन चला सकते थे और रिपोर्ट लिख सकते थे, लेकिन वे अक्सर भौतिकी की जांच करने में चूक जाते थे। वे यह दावा कर सकते थे कि एक परिणाम वैध था जब वास्तव में वह नहीं था।
लाभ: AI CFD Scientist "रूढ़िवादी" (conservative) है। यदि प्रमाण पूर्ण नहीं है (उदाहरण के लिए, मेश पर्याप्त बारीक नहीं है या तस्वीर अजीब दिख रही है), तो यह झूठा दावा करने के बजाय यह स्वीकार करता है कि वह अभी उत्तर नहीं जानता।

सारांश

AI CFD Scientist एक नया, ओपन-सोर्स टूल है जो फ्लूइड डायनेमिक्स अनुसंधान की पूरी प्रक्रिया को स्वचालित करता है। यह केवल संख्याएं नहीं चलाता; यह शोध पत्रों को पढ़ता है, कोड लिखता है, यह जांचता है कि भौतिकी सही दिख रही है या नहीं, और केवल उन्हीं परिणामों को प्रकाशित करता है जो सख्त दृश्य और गणितीय निरीक्षण से गुजरते हैं। इसने स्वतंत्र रूप से एक मानक भौतिक मॉडल को बेहतर बनाने का एक नया तरीका खोजा, जिससे यह सिद्ध हुआ कि AI अब केवल सॉफ्टवेयर कोडिंग ही नहीं, बल्कि जटिल, उच्च-दांव वाले भौतिक सिमुलेशन की दुनिया को भी संभाल सकता है।

तकनीकी सारांश: AI CFD वैज्ञानिक

समस्या विवरण

लार्ज लैंग्वेज मॉडल (LLM) एजेंटों को भौतिक विज्ञान, विशेष रूप से कम्प्यूटेशनल फ्लूइड डायनेमिक्स (CFD) तक विस्तारित करना, उन चुनौतियों को प्रस्तुत करता है जो सॉफ्टवेयर-आधारित मशीन लर्निंग या जैविक अनुसंधान में नहीं पाई जाती हैं। प्राथमिक कठिनाई इस तथ्य में निहित है कि सॉल्वर पूर्णता का अर्थ भौतिक वैधता नहीं है। एक CFD सिमुलेशन सॉल्वर लॉग में त्रुटियों के बिना स्पष्ट रूप से कन्वर्ज (converge) हो सकता है, फिर भी गलत ज्यामिति, लुप्त प्रवाह विशेषताओं (flow features), या दोषपूर्ण क्लोजर मॉडल के कारण भौतिक रूप से विकृत परिणाम दे सकता है। ये विफलता मोड टेक्स्ट-आधारित लॉग विश्लेषण में अदृश्य होते हैं। इसके अलावा, CFD में, क्लोजर मॉडल एक शोध चर है जिसके लिए स्रोत-कोड संशोधन (C++ स्तर पर) की आवश्यकता होती है, न कि केवल कॉन्फ़िगरेशन परिवर्तन की। साथ ही, वैधता द्वार (जैसे कि मेश स्वतंत्रता और संदर्भ-डेटा संरेखण) वैज्ञानिक वस्तुएं हैं जिन्हें स्पष्ट रूप से पुष्टि की जानी चाहिए, न कि केवल माना जाना चाहिए। मौजूदा AI-वैज्ञानिक ढांचे इन डोमेन-विशिष्ट वैधता द्वारों का अभाव रखते हैं, जबकि मौजूदा CFD एजेंट अक्सर पूर्ण खोज चक्र (discovery loop) तक नहीं पहुँच पाते, क्योंकि वे साहित्य-आधारित विचार, स्रोत-कोड संशोधन और विजन-आधारित सत्यापन को एकीकृत करने में विफल रहते हैं।

कार्यप्रणाली

लेखक AI CFD वैज्ञानिक प्रस्तुत करते हैं, जो CFD के लिए वैज्ञानिक खोज चक्र को पूरा करने के लिए डिज़ाइन किया गया एक ओपन-सोर्स ढांचा है। यह प्रणाली Foam-Agent इंटरफ़ेस के माध्यम से OpenFOAM पर संचालित होती है और एक साझा LLM बैकबोन (प्रयोगों में GPT-5.5) द्वारा समन्वित होती है। इसकी वास्तुकला CFD अभ्यास से निकले पांच परिचालन डिजाइन सिद्धांतों पर आधारित है:

भौतिक वैधता लॉग-पठनीय नहीं है: इमेज-स्तरीय निरीक्षण अनिवार्य है।
स्रोत कोड संशोधन: C++ स्रोत को संपादित करना एक शोध वस्तु है, न कि एक कॉन्फ़िगरेशन विकल्प।
मेश स्वतंत्रता (Mesh Independence): एक आवश्यक अभिसरण द्वार (convergence gate)।
प्रयोगों का भ्रम (Hallucination) नहीं: एजेंट विफल मामलों को चलाने के लिए वेरिएबल्स को बदल नहीं सकते या मानदंडों को शिथिल नहीं कर सकते।
ट्रेसेबिलिटी (Traceability): पांडुलिपि में प्रत्येक दावे का विशिष्ट, सत्यापित चित्रों और संख्यात्मक मानों के साथ संबंध होना चाहिए।

यह ढांचा तीन युग्मित पथों (coupled pathways) को निष्पादित करता है:

नियमित प्रयोग: साहित्य-जागरूक विचार (ideation), नवीनता फ़िल्टरिंग, आवश्यकता सत्यापन, मेश-स्वतंत्रता द्वार, और Foam-Agent के माध्यम से निष्पादन।
कोड संशोधन: नए भौतिक मॉडलों के लिए केस-स्थानीय C++ स्रोत फ़ाइलों और डिक्शनरी का निर्माण, संकलन (compilation), और स्मोक टेस्टिंग।
ओपन-एंडेड डिस्कवरी: एक बाहरी परिकल्पना लूप जो बिना किसी मानवीय इनपुट के उम्मीदवार मॉडल संशोधनों को संदर्भ तुलनाकार (reference comparator) के विरुद्ध स्वायत्त रूप से उत्पन्न, संकलित और परीक्षण करता है।

मुख्य नवाचार: VLM भौतिकी-सत्यापन द्वार
इस ढांचे के केंद्र में एक विज़न-लैंग्वेज मॉडल (VLM) भौतिकी-सत्यापन द्वार है। किसी भी परिणाम को स्वीकार करने, पुनः चलाने या पांडुलिपि में लिखने से पहले, सिस्टम फ्लो फील्ड्स (जैसे वेग कंटूर, स्किन फ्रिक्शन प्लॉट्स) को रेंडर करता है और उन्हें एक VLM को सबमिट करता है। VLM दो जाँच करता है:

गुणवत्ता फ़िल्टर: यह सुनिश्चित करता है कि चित्र पठनीय हैं और विकृत नहीं हैं।
भौतिकी जाँच: यह अपेक्षित विशेषताओं (जैसे पुनरावृत्ति क्षेत्र, पृथक्करण बिंदु) के लिए दृश्य प्रवाह का निरीक्षण करता है और प्रयोग की आवश्यकता के साथ निरंतरता का निर्णय लेता है।
यह द्वार उन "मौन विफलताओं" (silent failures) को पकड़ने के लिए डिज़ाइन किया गया है जो सॉल्वर लॉग में पास हो जाते हैं लेकिन भौतिक अंतर्ज्ञान का उल्लंघन करते हैं।

कार्यप्रवाह में एक मेश-स्वतंत्रता द्वार (बेसलाइन और परिष्कृत मेश की तुलना) और एक रीरन/राइटर लूप भी शामिल है जो विफलता होने पर आवश्यकताओं को संशोधित करता है और सत्यापित आर्टिफैक्ट्स पर आधारित LaTeX पांडुलिपि का मसौदा तैयार करता है।

मुख्य योगदान

प्रथम एंड-टू-एंड ओपन-सोर्स CFD वैज्ञानिक: लेखकों की जानकारी के अनुसार, यह पहला सिस्टम है जो साहित्य-आधारित विचार, सत्यापित निष्पादन, विजन-आधारित भौतिकी सत्यापन, स्रोत-कोड संशोधन और चित्र-आधारित लेखन को एक एकल निरीक्षण योग्य वर्कफ़्लो में जोड़ता है।
VLM-आधारित भौतिकी गेट: एक विज़न-लैंग्वेज उपप्रणाली का परिचय जो भौतिक विसंगतियों का पता लगाती है जो सॉल्वर लॉग में अदृश्य होती हैं, जो वर्तमान AI-वैज्ञानिक ढांचों के एक महत्वपूर्ण अंतर को संबोधित करती है।
स्रोत-स्तर की खोज: नए भौतिक मॉडलों (जैसे Spalart–Allmarks) के लिए केस-स्थानीय C++ स्रोत फ़ाइलों को लिखने, संकलित करने और उन्हें केस-स्थानीय लाइब्रेरी के रूप में संकलित करने की क्षमता, जहाँ कोड संशोधन को परिकल्पना स्थान के हिस्से के रूप में माना जाता है।
कठोर मूल्यांकन: एक नियंत्रित एब्लेशन अध्ययन जो VLM गेट की प्रभावकारिता और मजबूत सामान्य AI-वैज्ञानिक बेसलाइनों (ARIS, DeepScientist) के विरुद्ध हेड-टू-हेड तुलना प्रदर्शित करता है।

परिणाम

सिस्टम का मूल्यांकन GPT-5.5 बैकबोन का उपयोग करके पांच कार्यों पर किया गया:

T1 (BFS टर्बुलेंस संवेदनशीलता): सफलतापूर्वक चार RANS क्लोजर चलाए। VLM गेट ने री-अटैचमेंट-लेंथ एक्सट्रैक्टर में एक साइन-कन्वेंशन त्रुटि को पकड़ा और $k$ - $\varepsilon$ आउटपुट को अलग-थलग प्रवाह भौतिकी के साथ असंगत मानकर छाँट दिया, जिससे सिस्टम को त्रुटिपूर्ण रैंकिंग जारी करने से रोका जा सका।
T2 (जेट/प्लम री-स्वीप): 7-केस रेनॉल्ड्स नंबर स्वीप निष्पादित किया, अपेक्षित वेग स्केलिंग को पुनः प्राप्त किया। सिस्टम ने एक विसंगतिपूर्ण मामले को चिह्नित किया जहाँ सेंटरलाइन मीन (centerline mean) ढह गई थी।
T3 (कस्टम विस्कोसिटी): स्वायत्त रूप से एक कस्टम पावर-लॉ विस्कोसिटी लाइब्रेरी लिखी, संकलित और मान्य की, जिसने 0.5% त्रुटि के भीतर न्यूटोनियन लिमिट ( $n=1$ ) को पुनरुत्पादित किया।
T4 (कस्टम SA मॉडिफायर): एक प्रतिकूल-दबाव-ग्रेडिएंट (APG) सुधार के साथ Spalart–Allmarks वेरिएंट को संकलित किया। कस्टम कोड पाथ को कंट्रोल केस ($APG=0$) के विरुद्ध मान्य किया और DNS-संरेखित $C_f$ ओवरले जेनरेट किए।
T5 (ओपन-एंडेड डिस्कवरी): 44-इटरेशन के स्वायत्त लूप में, सिस्टम ने पीरियडिक हिल ( $Re_h=5600$ ) पर Spalart–Allmarks मॉडल के लिए एक क्वाड्रुपोलर रनटाइम करेक्शन की खोज की। इस संशोधन ने DNS के विरुद्ध लोअर-वॉल स्किन-फ्रिक्शन ( $C_f$ ) RMSE को 7.89% (0.004297 से 0.003958 तक) कम कर दिया।

एब्लेशन अध्ययन:
चार प्रवाह प्रकारों में 16 इंजेक्ट की गई त्रुटियों वाले प्लांटेड-फेलियर एब्लेशन में, VLM गेट ने 16 में से 14 विफलताओं (87.5% रिकॉल) का पता लगाया। इसने मिसिंग डिलिवरेबल्स, गलत मैग्नीट्यूड और टूटे हुए पोस्ट-प्रोसेसिंग पर 100% रिकॉल हासिल किया, लेकिन ट्रंकेटेड कन्वर्जेंस रन (जहाँ सिमुलेशन समय को ट्रंकेटेड स्टेट से मेल खाने के लिए संपादित किया गया था, जिससे वह विजुअली पूर्ण लग रहा था) पर केवल 50% रिकॉल प्राप्त किया।

तुलना:
मैच किए गए LLM लागतों के तहत ARIS और DeepScientist की तुलना में, बेसलाइनों ने आंशिक वर्कफ़्लो निष्पादित किया लेकिन डोमेन-विशिष्ट वैधता द्वारों की कमी थी। उन्होंने अक्सर मेश स्वतंत्रता या DNS सत्यापन के बिना क्लोजर रैंकिंग या सहसंबंध जारी किए। AI CFD वैज्ञानिक अधिक रूढ़िवादी था, साक्ष्य अपूर्ण होने पर दावों को रोक दिया और सुनिश्चित किया कि सभी दावे सत्यापित चित्रों द्वारा समर्थित हों।

महत्व और दावे

पेपर का दावा है कि AI CFD वैज्ञानिक ओपन-एंडेड कम्प्यूटेशनल फ्लूइड डायनेमिक्स डिस्कवरी की दिशा में एक महत्वपूर्ण कदम है। इसका महत्व निम्नलिखित में निहित है:

लूप को बंद करना: सरल केस सेटअप से आगे बढ़कर विचार, निष्पादन, सत्यापन और लेखन के पूर्ण चक्र तक पहुँचना।
भौतिक आधार (Physical Grounding): यह प्रदर्शित करना कि विज़न-लैंग्वेज गेट को एकीकृत करना रन करने योग्य सिमुलेशन को रक्षात्मक वैज्ञानिक दावों में बदलने के लिए आवश्यक है, क्योंकि केवल सॉल्वर लॉग भौतिक वैधता के लिए पर्याप्त नहीं हैं।
स्वायत्त खोज: यह दिखाना कि एक AI एजेंट उच्च-निष्ठा वाले DNS डेटा के साथ सहमति में सुधार करने के लिए नवीन टर्बुलेंस मॉडल सुधारों की खोज करने हेतु स्वायत्त रूप से स्रोत कोड को संशोधित कर सकता है।
सामुदायिक बेसलाइन: CFD-विशिष्ट वैज्ञानिक स्वचालन के लिए एक ओपन-सोर्स, निरीक्षण योग्य ढांचे को प्रदान करना, जो क्लोज्ड-सोर्स या आंशिक-कवरेज विकल्पों के विपरीत है।

लेखक विनम्र बने हुए हैं, यह नोट करते हुए कि सिस्टम वर्तमान में एक "पर्यवेक्षित वैज्ञानिक सहायता" उपकरण है न कि एक अनअटेंडेड पब्लिकेशन इंजन, और मूल्यांकन स्वचालित CFD-पेपर रूब्रिक्स की कमी के कारण मैनुअल विशेषज्ञ आर्टिफैक्ट रीडिंग पर निर्भर करता है। परिणाम उपयोग किए गए एकल बैकबोन (GPT-5.5) और परीक्षण किए गए विशिष्ट कार्यों तक सीमित हैं।