LARA: Validation-Driven Agentic Supercomputer Workflows for Atomistic Modeling

LARA-HPC is een nieuw agentisch framework dat betrouwbare workflows voor atomaire modellering op HPC-systemen mogelijk maakt door de nadruk te verleggen van louter generatie naar een validatie-gestuurd proces dat fouten in simulaties voorkomt en corrigeert.

De kern

Stel je voor dat je een supercomputer hebt die miljarden ingewikkelde berekeningen per seconde kan maken om te ontdekken hoe nieuwe materialen of medicijnen werken. Dit is een soort "digitale laboratorium-reus". Maar er is een probleem: deze reus spreekt geen mensentaal. Hij spreekt alleen een extreem ingewikkelde computertaal.

Normaal gesproken moet een wetenschapper zelf die ingewikkelde instructies (workflows) schrijven. Als de wetenschapper één klein typefoutje maakt of een verkeerde instelling kiest, raakt de supercomputer in de war, verspilt hij dagen aan rekenkracht en krijg je aan het eind een resultaat dat wetenschappelijk gezien nergens op slaat.

Dit paper introduceert LARA-HPC, een systeem dat dit proces verandert.

De Analogie: De Chef-kok en de Robot-keuken

Om dit uit te leggen, kunnen we de wetenschapper vergelijken met een Chef-kok, de supercomputer met een hypermoderne, maar extreem gevoelige robot-keuken, en de AI (zoals ChatGPT) met een assistent.

1. Het probleem met de huidige assistent (De "Generatie-eerst" aanpak)

Stel je voor dat je een assistent hebt die heel snel recepten kan opschrijven. Je zegt: "Maak een taart." De assistent schrijft razendsnel een recept, maar hij vergeet dat je geen oven hebt, of hij schrijft dat je een kilo zout moet gebruiken in plaats van suiker. De robot-keuken probeert het recept uit, faalt spectaculair, en de hele keuken staat onder de rotzooi. Dat is zonde van de tijd en de ingrediënten.

2. De oplossing: LARA-HPC (De "Validatie-eerst" aanpak)

LARA-HPC werkt niet door simpelweg een recept te schrijven en het direct in de oven te gooien. Het werkt volgens het principe: "Kijk voordat je springt."

Het systeem heeft drie slimme lagen:

• De Verstandige Planner (Understanding & Generation): In plaats van blindelings te typen, begrijpt de AI eerst echt wat de chef wil. Wil je een luchtige soufflé of een stevige cake? De AI zoekt in een enorme digitale kookboek-bibliotheek (RAG) naar de beste methodes.
• De Proef-Keuken (De Dry-Run): Dit is de grootste innovatie. Voordat de echte, dure ingrediënten worden gebruikt, draait de AI een "droog-loop". Het is alsof de assistent het recept eerst even hardop voorleest aan een controleur en checkt: "Hebben we de juiste temperatuur? Past dit in de pan? Klopt de verhouding?" De AI voert de berekening uit in een soort 'simulatie-modus' die bijna niets kost, maar wel alle fouten eruit vist.
• De Beveiligde Deur (RemoteManager): De AI krijgt nooit direct de sleutels van de keuken. Hij moet zijn instructies via een officieel loket (de RemoteManager) inleveren. Dit zorgt ervoor dat de AI niet per ongeluk de hele keuken (de supercomputer) opblaast of de verkeerde instellingen verandert.

Waarom is dit belangrijk?

In de wetenschap is een foutje niet zomaar een foutje; het is verloren tijd en verloren geld. LARA-HPC zorgt ervoor dat de AI niet alleen een "snelle schrijver" is, maar een "verstandige assistent".

Kortom: LARA-HPC is de digitale bodyguard en kwaliteitscontroleur die ervoor zorgt dat wanneer we AI vragen om de mysteries van de natuur te ontrafelen met supercomputers, de AI niet alleen hard werkt, maar vooral slim en correct werkt.

Technische samenvatting

Technische Samenvatting: LARA-HPC

1. Het Probleem: De kloof tussen AI-generatie en HPC-betrouwbaarheid

Hoewel Large Language Models (LLM's) en agentische systemen veelbelovend zijn voor het automatiseren van wetenschappelijke workflows, stuiten ze bij de implementatie in High-Performance Computing (HPC) omgevingen op fundamentele barrières:

• Gebrek aan correctheid: LLM's genereren vaak code met syntactische fouten, incorrect API-gebruik of onvolledige configuraties.
• Fysieke inconsistentie: Een workflow kan technisch correcte code bevatten, maar wetenschappelijk onjuist zijn (bijv. onmogelijke spin-configuraties of incompatibele parameters in Density Functional Theory (DFT)).
• HPC-beperkingen: In tegenstelling tot lokale workstations, hebben HPC-systemen een hoge latentie (wachttijden in queues) en hoge kosten voor rekenkracht. Een "trial-and-error" strategie waarbij foutieve jobs worden ingediend, is onacceptabel vanwege verspilling van kostbare resources.
• Beperkte tools: Bestaande frameworks die werken met vooraf gedefinieerde tools (zoals MCP) zijn veilig, maar te rigide voor de dynamische en methodologische vertakkingen die nodig zijn bij wetenschappelijk onderzoek.

2. Methodologie: Het LARA-HPC Framework

De auteurs introduceren een verschuiving van een "generation-first" naar een "validation-first" paradigma ("Look Before You Leap"). Het framework is opgebouwd uit drie kerncomponenten:

A. Gecontroleerde Executielaag (remotemanager & MCP):

• remotemanager: Een Python-middleware die interactie met HPC-resources medieert. Het formaliseert de standaard workflow (batch-scripts, file staging, job submission) via een programmeerbare interface zonder de noodzaak van directe shell-toegang voor de AI.
• Model Context Protocol (MCP): Dit wordt gebruikt om gestructureerde tool-calls aan de LLM aan te bieden, waardoor de agent werkt binnen een veilige, auditeerbare omgeving.

B. Multi-fase Agentische Pipeline:
LARA-HPC verdeelt het proces in vier fasen om verschillende foutmodi aan te pakken:

1. Understanding: Extractie van wetenschappelijke intentie en mapping naar specifieke modules (bijv. BigDFT).
2. Generation: Constructie van workflows via Retrieval-Augmented Generation (RAG) en sjablonen (templates).
3. Validation (De kerninnovatie): Een gelaagde verificatie bestaande uit syntactische controle (AST-parsing), structurele controle (API-validatie) en dry-run executie.
4. Review: Een kritische fase waarbij een aparte agent de code beoordeelt op best practices en optimalisatie.

C. Simulation-Native Validatie (Dry-run):
Het systeem maakt gebruik van de dry-run modus van de simulatiesoftware (BigDFT). Dit is geen statische code-analyse, maar een executie waarbij de interne logica van de software wordt gebruikt om parameters, inputbestanden en resource-eisen (zoals geheugen) te valideren zonder de volledige (dure) berekening uit te voeren.

3. Belangrijkste Bijdragen

• Validatie-gedreven architectuur: Het introduceren van een iteratieve feedbackloop waarbij foutmeldingen van de simulatie-engine direct worden gebruikt om de gegenereerde code te corrigeren.
• Scheiding van cognitieve taken: Het framework gebruikt grotere modellen (frontier models) voor complexe fysieke redenering en kleinere, snellere modellen voor specifieke subtaken, wat kostenefficiënt en schaalbaar is.
• Resource-bewuste planning: Door de dry-run kan de agent nauwkeurige schattingen maken van het benodigde geheugen en het aantal benodigde HPC-nodes, wat onderprovisionering voorkomt.

4. Resultaten

De effectiviteit van LARA-HPC werd gedemonstreerd via DFT-simulaties met de BigDFT-code:

• Correctie van fouten: Het systeem slaagde erin om API-fouten (bijv. verkeerde methoden), ontbrekende parameters en cruciale fysische inconsistenties (zoals een onmogelijke spin-polarisatie voor een waterstofatoom) te identificeren en autonoom te corrigeren.
• Methodologische flexibiliteit: In tegenstelling tot statische tools kon de agent complexe workflows genereren, zoals het berekenen van de atomisatie-energie, waarbij de logica dynamisch werd aangepast (bijv. het toevoegen van specifieke parameters voor wavelet-resolutie).
• HPC-optimalisatie: Bij een complexe berekening van een TiO2-oppervlak met watermoleculen kon de agent op basis van dry-run data een specifiek advies geven over het aantal benodigde nodes om de geheugenlimieten van de supercomputer Fugaku niet te overschrijden.

5. Betekenis en Conclusie

Dit werk pleit voor een fundamentele verandering in hoe AI wordt ingezet in de computationele fysica. In plaats van te vertrouwen op de generatieve kracht van LLM's alleen, moet de focus liggen op het bouwen van domeinspecifieke agentische systemen die gebruikmaken van gestructureerde tooling en validatie-mechanismen. LARA-HPC biedt een blauwdruk voor een "co-piloted" onderzoeksecosysteem waarin AI de wetenschappelijke exploratie versnelt zonder de betrouwbaarheid, reproduceerbaarheid of efficiëntie van supercomputers in gevaar te brengen.