PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics

Titolo

PhyNiKCE: Un Framework Agente Neurosimbolico per la Dinamica dei Fluidi Computazionale (CFD) Autonoma

1. Il Problema: La "Disconnessione Semantica-Fisica"

L'articolo identifica una limitazione critica nell'uso degli Agenti basati su Large Language Models (LLM) per la Dinamica dei Fluidi Computazionale (CFD), in particolare con software deterministici come OpenFOAM.

• Natura del problema: Gli LLM sono modelli probabilistici che eccellono nella coerenza sintattica ma falliscono nel rispettare le leggi di conservazione rigide e la stabilità numerica richieste dalle simulazioni fisiche.
• Fallimento del RAG Standard: L'approccio attuale di Retrieval Augmented Generation (RAG) basato su vettori (embedding semantici) porta al fenomeno del "Context Poisoning" (Avvelenamento del Contesto). I tokenizzatori frammentano termini tecnici specifici (es. nutUSpaldingWallFunction), portando il motore di ricerca a recuperare documenti semanticamente simili ma fisicamente incompatibili (es. configurazioni per flussi incomprimibili applicate a flussi comprimibili).
• Limiti delle soluzioni esistenti: Sistemi precedenti come ChatCFD, che utilizzano un RAG strutturato basato su template JSON, risolvono gli errori di sintassi ma soffrono di "Rigidità dei Template". Falliscono in scenari pratici non tutorial che richiedono combinazioni inedite di modelli fisici, poiché non possono generalizzare oltre i casi preesistenti.
• Risultato attuale: Gli agenti CFD autonomi attuali raggiungono un'accuratezza inferiore all'1% per casi complessi e circa il 30% per compiti di base, a causa di questa disconnessione tra la comprensione linguistica e la validità fisica.

2. Metodologia: Il Framework PhyNiKCE

Per colmare il divario, gli autori propongono PhyNiKCE (Physical and Numerical Knowledgeable Context Engineering), un framework neurosimbolico che disaccoppia la pianificazione neurale dalla validazione simbolica.

Architettura Principale

Il sistema è composto da due componenti principali:

1. Componente Neurale (Agente CFD Autonomo): Gestisce l'estrazione dell'intento, la pianificazione di alto livello e la generazione sintattica dei file di configurazione.
2. Componente Simbolico (Symbolic Knowledge Engine): Agisce come un "guardrail" deterministico. Non genera contenuti, ma valida e fornisce contesto fisico rigoroso prima che l'agente proceda.

Motore di Conoscenza Simbolica (Stage 0)

• Costruzione della Knowledge Base (KB): Invece di usare embedding vettoriali su testo non strutturato, il sistema esegue una strutturazione ontologica dei tutorial di OpenFOAM.
• I file di dizionario vengono normalizzati in JSON e arricchiti con metadati fisici chiave:
  • msol: Il solver (definisce le PDE).
  • mturb: Il modello di turbolenza.
  • mcomp: La comprimibilità del flusso (incomprimibile vs comprimibile).
• Vengono estratte regole direttamente dagli header del codice sorgente C++ di OpenFOAM per gestire la polimorfia dei parametri (es. condizioni al contorno diverse per flussi subsonici vs supersonici).

Motore RAG Deterministico (Stage 2 e 3)

Il cuore dell'innovazione è un motore di recupero che tratta la ricerca di contesto come un Problema di Soddisfimento dei Vincoli (CSP), utilizzando cinque strategie di recupero specializzate:

1. Cascading Fallback Retriever: Per proprietà fisiche e BC. Se non esiste una corrispondenza esatta, rilassa i vincoli in ordine gerarchico (prima il solver, poi la fisica del flusso) per trovare la combinazione più vicina senza violare le leggi fisiche.
2. All-Model Retriever: Per gli schemi di discretizzazione (fvSchemes). Cerca schemi compatibili sia con il solver che con il modello di turbolenza, unendo i risultati per garantire stabilità numerica.
3. Data-driven Template Retriever: Per i solver lineari (fvSolution). Aggrega statisticamente le configurazioni migliori da tutta la KB per creare un template canonico, evitando variabili specifiche dell'utente.
4. Multi-Source Retriever: Per le condizioni al contorno (BC). Combina esempi pratici (sintassi) con vincoli teorici dal codice sorgente (fisica), risolvendo ambiguità come i coefficienti termodinamici necessari per flussi comprimibili.
5. Heuristic Keyword Retriever: Per la correzione degli errori (Stage 3). Analizza i log di errore, normalizza le parole chiave e recupera frammenti di codice mirati per correggere specifici parametri instabili senza rigenerare file interi.

Flusso di Lavoro

L'agente opera in tre fasi:

1. Input Utente: Parsing di input multimodali.
2. Inizializzazione File Caso: L'agente genera i file usando il contesto fornito dal motore simbolico (non zero-shot).
3. Riflessione sugli Errori: Se la simulazione fallisce, l'agente usa il motore simbolico per diagnosticare e correggere l'errore in modo mirato, fino a 30 iterazioni.

3. Contributi Chiave

• Enforcement dei Vincoli Neurosimbolici: Sostituzione del recupero vettoriale probabilistico con un motore RAG deterministico basato su regole fisiche, eliminando l'avvelenamento del contesto.
• Superiorità su Compiti Complessi: Il framework supera i limiti di rigidità dei sistemi basati su template, permettendo la generalizzazione a scenari non tutorial.
• Efficienza Inferenziale: Contrariamente all'idea che l'approccio simbolico aggiunga overhead, PhyNiKCE riduce i cicli di correzione e il consumo di token.
• Auditabilità e Fiducia: Ogni parametro di configurazione è tracciabile a una regola specifica nella Knowledge Base, rendendo il processo trasparente e adatto a certificazioni industriali.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su OpenFOAM utilizzando modelli Gemini-2.5-Pro/Flash su un set di test rigoroso (NACA 0012 e ugelle De Laval) con vari solver e modelli di turbolenza, escludendo i casi tutorial per evitare leakage di dati.

• Accuratezza:
  • Baseline (ChatCFD): ~26% di accuratezza.
  • PhyNiKCE Completo: 51% di accuratezza.
  • Miglioramento: Un aumento relativo del 96% rispetto allo stato dell'arte.
  • Per i flussi comprimibili (più complessi), l'accuratezza è passata dal 18% al 40% (+122% relativo).
• Efficienza:
  • Riduzione dei Cicli di Riflessione: Diminuzione del 59% nel numero medio di round di correzione degli errori (da 22.11 a 9.06 per caso).
  • Riduzione dei Token: Diminuzione del 17% nel consumo totale di token LLM per caso (da 181.2k a 151.2k), dimostrando che un'inizializzazione di alta qualità riduce il costo della correzione iterativa.
• Validità Fisica: Le simulazioni corrette hanno prodotto risultati fisicamente validi (confrontati con dati sperimentali su coefficienti di pressione e visualizzazioni schlieren), confermando la stabilità numerica e la coerenza fisica.

5. Significato e Impatto

• Paradigma per l'IA Affidabile (Trustworthy AI): PhyNiKCE dimostra che per domini ad alta intensità di conoscenza e vincoli rigidi (come l'ingegneria), la densità informativa e la struttura simbolica sono superiori al semplice volume dei dati.
• Scalabilità Industriale: L'architettura è generalizzabile ad altri domini di ingegneria assistita da computer (CAE) come la meccanica dei solidi o l'elettromagnetismo, offrendo un modello per agenti autonomi certificabili.
• Superamento del Collo di Bottiglia: Il lavoro sposta il focus dalla capacità del modello linguistico alla qualità e struttura della conoscenza di dominio, risolvendo il problema fondamentale della "disconnessione semantica-fisica" che ha finora limitato l'automazione nella CFD.

In sintesi, PhyNiKCE rappresenta un passo fondamentale verso l'automazione affidabile della simulazione ingegneristica, combinando la flessibilità generativa degli LLM con la rigida correttezza logica dei sistemi simbolici.