🤖 AI

AutoFOAM: The Self-Refining Autonomous OpenFOAM Agent

AutoFOAMは、高度な7段階の進化ループとアンチコラプス・メカニズムを活用し、自然言語による指示を通じてOpenFOAMのCFDシミュレーションの作成、実行、および洗練を自動化することで、複雑な流体力学のワークフローを民主化する自己進化型大規模言語モデルエージェントである。

原著者： Arun Govind Neelan, A Seshaditya

公開日 2026-08-04

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Arun Govind Neelan, A Seshaditya

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

新しい飛行機の翼を設計したり、より効率的な自動車エンジンを作ったりすることを想像してみてください。何が起こるかを確認するために、プロトタイプを何度も作っては衝突させる、というわけにはいきません。それはあまりにもコストがかかり、危険だからです。その代わりに、エンジニアは「計算流体力学（CFD）」と呼ばれる、デジタル上の魔法のような技術を使います。これは、空気、水、あるいは血液さえもが物体の周囲をどのように流れるかをシミュレートする、超高度なビデオゲームの物理エンジンのようなものです。それは、風が建物に対してどのように押し寄せるか、あるいは燃料がロケットの中でどのように燃焼するかを正確に示してくれる「水晶玉」を持っているようなものです。

しかし、そこには落とし穴があります。この「ゲーム」は素晴らしいものですが、「コントローラー」を使うのが非常に難しいのです。これらのシミュレーションを機能させるには、数千もの微細で連動したルールからなる、非常に厳格でロボット的な言語を話さなければなりません。もしコンマ一つを忘れたり、数字をわずかに間違えたりすると、シミュレーション全体がクラッシュし、エラーメッセージだけが残って何も得られなくなります。それは、一つ一つのレンガや釘を手作業で彫りながら家を建てるようなもので、一つのミスが土台全体を台無しにしてしまいます。だからこそ、通常は高度に訓練された専門家だけがこれを行うことができるのです。しかし、もしコンピュータに「車の上を風が吹き抜けるシミュレーションを作って」と言うだけで、コンピュータがその複雑な部分をすべて解決してくれるとしたらどうでしょうか？それが、この論文が答えようとしている大きな問いです。

AutoFOAM：自己学習するCFDの魔法使い

この論文では、AutoFOAMと呼ばれる新しいシステムを紹介しています。これは、流体シミュレーションの言語を独学で習得するロボットの弟子のようなものです。著者たちは、強力な「脳」（大規模言語モデル）を用いてこのロボットを構築しました。この脳には、普及しているオープンソースのシミュレーションツールであるOpenFOAMに必要な複雑なコードを書く方法が教え込まれています。しかし、単にロボットにルールのリストを暗記させるのではなく、著者たちはロボットに「自分の間違いから学ぶ」というスーパーパワーを与えました。

魔法がどのように起こるのかを説明しましょう。あなたが「パイプの中を水が流れる様子をシミュレートして」といった平易な英語のリクエストをロボットに与えると、ロボットはただ推測するだけではありません。まず、あなたの言葉を構造化された計画へと翻訳します。次に、適切な数学的ツール（ソルバー）を選び、デジタルメッシュ（シミュレーションが実行される格子）を構築します。そしてシミュレーションを実行し、結果をチェックして、自分自身にスコアを付けます。もしシミュレーションがクラッシュしたり、数値が奇妙に見えたりしても、ロボットは諦めません。エラーを確認し、何が間違っていたのかを特定し、より優れた理解を持って再挑戦します。

この論文の最もエキサイティングな部分は、ロボットの「自己改善ループ」です。通常、AIが自己学習を試みる際、混乱して同じ間違いを繰り返したり、最終的に正しいやり方を忘れてしまったりすること（「モデル崩壊」と呼ばれる問題）があります。著者たちは、7層の進化パイプラインを構築することでこれを解決しました。これは、宿題の採点をするだけでなく、間違えた時の記録を日記に付け、正解した時と比較し、二度と同じ間違いを犯さないように教科書を書き直す教師のようなものです。AutoFOAMはこれを自動的に行います。最高の成功例を保存し、失敗を分析し、「直接選好最適化（DPO）」という特殊な手法を用いて、悪い経路を避け、良い経路に固執するように自分自身を教育します。

結果は目覚ましいものです。チームはこのロボットを、一度も見せたことのない110個の難解な新しい質問でテストしました。ロボットは、これらすべてのシミュレーションをクラッシュすることなく100%成功裏にセットアップし、実行しました。また、数学的ツールを正しく選択できた割合は96.4%でした。さらに、飛行機の翼やパイプのような複雑な3D形状を生成し、流体がどのように動くかを示す正確なフローマップを作成することにも成功しました。

しかし、著者たちはこれを完璧な完成品とは呼んでいません。彼らは、このロボットが現時点では特定の定義された形状（標準的なパイプや翼型など）にしか対応しておらず、工場から送られてくるような乱雑な実世界の設計図を扱うことはまだできないと明言しています。また、数学的な整合性を保つことには長けていますが、結果が現実の世界で物理的に理にかなっているか（例えば、車のドラッグが実際に現実的な数値かどうかなど）を判断することには、時として苦戦します。これは、困難で専門家向けのタスクを、一般の人でも使い始められるものへと変える素晴らしい一歩ですが、最終的な物理現象については依然として人間の専門家によるダブルチェックが必要です。

要約すると、AutoFOAMは、人間のアイデアと複雑なエンジニアリング・シミュレーションの間の溝を埋める、自己修正型のエージェントです。スマートな言語モデルと、自身の作業を厳格に確認・再確認するシステムを組み合わせることで、誰もがコンピュータに流体の流れをシミュレートするよう頼み、コンピュータがそれを実行するだけでなく、試行を重ねるたびにどんどん賢くなっていくという未来に、私たちは確実に近づいていることを示しています。

技術要約: AutoFOAM – 自己洗練型自律的OpenFOAMエージェント

問題提起

数値流体力学（CFD）は現代のエンジニアリングの礎石であるが、OpenFOAMのような堅牢なオープンソースソルバーを活用するには、高い学習障壁と細心の注意を要する手動設定が必要となる。ユーザーは、メッシュ、境界条件、および数値スキームを定義するために、相互依存的で構文的に厳格なC++辞書（dictionary）を操作しなければならない。大規模言語モデル（LLM）はコード生成において有望な成果を示しているが、既存のモデルは、サポートされていないキーワードのハルシネーション（幻覚）、境界条件ファイル間での一貫性の欠如、および安定した数値セットアップに必要なドメイン物理学の直感（例：正しい $y^+$ 制約の強制）の欠如により、この領域では失敗する。さらに、自律型エージェントは、自身の不完全な出力に基づいて学習することで基礎的な能力が急速に低下する「自己蒸留崩壊（self-distillation collapse）」のリスクに直面する。

手法

AutoFOAMは、自然言語のプロンプトを、構文的に正しく、物理学的に妥当なOpenFOAMケースへと変換するように設計された、完全自律・自己進化型のLLMエージェントである。本システムは、140億パラメータのQwen-2.5-Coderをバックボーンとして構築されており、当初は7つのソルバーファミリー、13のパラメトリックメッシュテンプレート、および厳格な $y^+$ を考慮した数値ポリシーをカバーする、決定論的にキュレーションされた252個のプロンプトを用いてファインチューニングされている。

システムアーキテクチャ

エージェントは8ステップの複合パイプラインを通じて動作し、LLPは3つの意味的決定ポイント（プロンプトの洗練、パラメータ抽出、およびリトライ生成）においてのみ呼び出され、残りのステップは厳密に決定論的である：

プロンプトの洗練とパラメータ抽出: LLMは標準化されたCFDParamsオブジェクトを生成する。構造的なハルシネーションを防ぐため、生成はxgrammarJSONスキーマによって制約される。事後的な正規表現による検証レイヤーは、物理的一貫性（例：特性速度がレイノルズ数の関係式 $Re = U \cdot L_{char}/\nu$ と一致すること）を強制し、不整合が検出された場合には自動的に境界条件を上書きおよび再計算する。
決定論的ソルバールーティング: LLMにソルバーを選択させる代わりに、抽出された物理フラグ（非定常、圧縮性、熱、など）とレイノルズ数を、検証済みの7つのOpenFOAMソルバーのいずれかにマッピングするヘリスティックアルゴリズムを使用し、幾何学的キーワードによるバイアスを排除する。
メッシング、ケース作成、計算、およびスコアリング: システムはメッシングにgmshを使用し、ソルバーを実行する。多目的報酬関数（ $r \in [0, 1]$ ）が、収束性、質量保存、メッシュ品質、および実行時間を基準にシミュレーションを評価する。高精度な実行（ $r \ge 0.65$ ）はトレーニングコーパスに昇格され、中程度の実行（ $r \ge 0.5$ ）はリトライ・コンテキストメモリに格納される。

7層の自己進化パイプライン

モデル崩壊を起こさずに継続的な改善を可能にするため、AutoFOAMは厳格な7層の進化ループを採用している：

レイヤー1（自己修正）: 発散またはNaN残差を検出した場合、エージェントはコンテキストを広げてターミナルログを取り込み、パラメータ抽出を再試行する。
レイヤー2（キュレーション）: 高精度な実行（ $r \ge 0.65$ ）のみがトレーニングデータセット用にフィルタリングされる。
レイヤー3（SFT）: キュレーションされたデータに対して単一の補正QLoRAエポックを実行し、その後、分布外（OOD）評価ゲートを通過する。
レイヤー4（DPO）: 直接選好最適化（DPO）を、失敗した試行と成功して修正された試行のペアに対して適用し、発散を招く特定の構文形式を避けるようモデルを学習させる。
レイヤー5（アンカー混合）: 破滅的忘却を防ぐため、再学習バッチには基礎となるトレーニングコーパスの30%が注入される。
レイヤー6（能動学習）: エージェントは最もパフォーマンスの低いソルバーファミリーを特定し、そのドメインを強化するために、パラメータを変化させた新しいシードを自律的に生成する。
レイヤー7（回帰監査）: デプロイ前に、スカラー報酬によって隠蔽された構造的な退行を捉えるため、固定されたベースラインに対する詳細な辞書レベルのテキスト差分（diff）が行われる。

アンチ・コラップス（崩壊防止）メカニズム

自己学習中の劣化を防ぐため、システムは3つの補完的なストリームを利用する：

RAG拡張コンテキスト: ベクトルストアに対して検証済みのチュートリアルを照会し、ゼロショット生成が失敗した場合に類似の辞書構造を注入する。
外科的辞書パッチ適用: 特定のファイルエラー（例：サポートされていない発散スキーム）が発生した場合、エージェントはケース全体を再生成するのではなく、問題のある辞書のみをパッチ修正する。
プロンプト多様性パラフレーズ: エージェントが特定の意味的パターンに過学習しないようにする。

結果

システムは、フレーズや語彙が異なる110個の厳格なホールドアウト・アウトオブディストリビューション（OOD）プロンプト（13のジオメトリテンプレートおよび7つのソルバーファミリーにわたる）を用いて評価された。

実行成功率: エージェントは、FOAM FATALエラーをゼロとし、100%のエンドツーエンド実行成功率（110/110）を達成した。
ソルバールーティング: エージェントは、96.4%（106/110）のケースで適切なソルバーを正しく選択した。4件の不一致は、数学的に曖昧な低レイノルズ数非定常領域において発生し、エージェントが非定常乱流ソルバー（pimpleFoam）の代わりに層流ソルバー（icoFoam）を選択したものであり、これは計算上許容可能な代替とみなされる。
報酬パフォーマンス: 平均実行報酬スコアは0.64であった。
汎用性: システムは、手動介入なしにすべての13のジオメトリテンプレートと7つのソルバーファミリーを正常に実行し、抽出されたレイノルズ数から導出されたポリメッシュ境界および乱流パラメータを生成した。

意義および主張

本論文は、AutoFOAMが自然言語の意図と厳密なCFD実行の間の溝を埋め、手動設定の認知的および構文的な障壁を排除することに成功したと主張している。その主な意義は、モデル崩壊の落とし穴を回避しながら、自己対戦を通じて継続的に改善できる7層の自己進化パイプラインの導入にある。ターゲットを絞った能動学習、失敗の軌跡に基づくDPO、および体系的なアンカー混合を組み合わせることで、著者らは厳格な物理的制約下でのエージェント能力をスケールアップするためのブループリントを提示している。

本研究は、AutoFOAMを単なる静的な推論ツールではなく、科学的ドメインにおける継続的かつ強化学習駆動型の学習を研究するためのオープンソースのテストベッドとして位置づけている。ただし、著者らは現在の限界についても謙虚に認めている。具体的には、エージェントは13の定義済みgmshテンプレートに限定されており（STEP/IGESのような生のCADファイルを処理できない）、標準的なRANSおよび層流フローに限定されている。また、結果を経験的データと照合するための外部物理バリデーターを現在備えておらず、数値的には収束しているが物理的には不適切な解が通過してしまう可能性があるという「物理検証のギャップ」が存在する。