🤖 AI

AutoPDE: Reliable Agentic PDE Solving via Explicitly Represented Solver Strategies

AutoPDE is een agentisch systeem dat de betrouwbaarheid van het oplossen van partiële differentiaalvergelijkingen (PDE's) verbetert door numerieke solver-strategieën expliciet en iteratief te verfijnen als onafhankelijke objecten vóór de codegeneratie, waarmee een pass rate van 54,5% wordt bereikt op de PDE Agent Bench.

Oorspronkelijke auteurs: Huanshuo Dong, Keyao Zhang, Hong Wang, Zhezheng Hao, Zhiwei Zhuang, Ziyan Liu, Jiacong Wang, Gengyuan Liu, Xin Jin

Gepubliceerd 2026-06-10

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Huanshuo Dong, Keyao Zhang, Hong Wang, Zhezheng Hao, Zhiwei Zhuang, Ziyan Liu, Jiacong Wang, Gengyuan Liu, Xin Jin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een zeer complexe taart te bakken (het oplossen van een partiële differentiaalvergelijking, of PDE). In de wereld van wetenschap en techniekken vertegenwoordigen deze "taarten" echte problemen zoals hoe warmte zich door een metalen plaat verspreidt, hoe lucht over een vleugel stroomt, of hoe water door een pijp beweegt.

Lange tijd vereiste het goed krijgen hiervan een menselijke expert-kok die precies wist welke ingrediënten hij moest mengen, welke temperatuur hij moest gebruiken en hoe lang hij moest bakken. Als de taart aanbrandde, moest de chef het recept heroverwegen, en niet alleen een typefout in de instructies corrigeren.

Onlangs zijn AI-coderingsassistenten (LLM's) begonnen met het bakken van deze taarten voor ons. Ze zijn geweldig in het schrijven van de instructies (de code), maar ze hebben een blinde vlek: ze behandelen het recept als een geheim dat verborgen zit in de code.

Het Probleem: "De Code Fixen" versus "De Strategie Fixen"

Het artikel betoogt dat huidige AI-agenten werken als een nerveuze leerling die, wanneer de taart mislukt, onmiddellijk begint met het regel voor regel herschrijven van de instructies, zonder ooit te vragen: "Wacht even, heb ik wel de juiste oventemperatuur gebruikt om mee te beginnen?"

De Oude Manier (Traditionele Menselijke Expert): De chef schrijft eerst een duidelijk plan: "Dit is een convectieprobleem, dus ik heb een speciaal stabiliserend ingrediënt (SUPG) en een specifieke roostergrootte nodig." Als het mislukt, kijkt hij naar het plan, beseft dat de temperatuur fout was, en past het plan aan.
De Huidige AI-Manier: De AI springt direct naar het schrijven van de code. Als de taart mislukt, probeert de AI de code te patchen. De AI realiseert zich niet dat de fundamentele strategie (het recept) gebrekkig was. Het is alsof je probeert een aangebrande taart te repareren door het lettertype op de receptenkaart te veranderen.

De Oplossing: AutoPDE

De auteurs introduceren AutoPDE, een nieuwe AI-agent die de workflow verandert. In plaats van direct naar het schrijven van code te springen, werkt AutoPDE als een projectmanager die eerst een blauwdruk eist.

Zo werkt AutoPDE, opgedeeld in drie eenvoudige stappen:

De Diagnose (De "Wat is dit?" Fase):
Voordat er ook maar één regel code wordt geschreven, analyseert AutoPDE het probleem. Het vraagt: "Is dit een warmteprobleem? Een golfprobleem? Is het instabiel?" Het maakt een digitale "Diagnosekaart" die expliciet de aard van het probleem vermeldt. Dit is alsof een chef de ingrediënten leest en zegt: "Ah, dit is een soufflé; dit vereist een zeer specifieke techniek, geen standaard taartmethode."
De Strategieke Selectie (De "Hoe doen we dit?" Fase):
Met behulp van een bibliotheek van "vaardigheden" (zoals een kookboek met bewezen technieken), kiest AutoPDE de juiste instrumenten op basis van de Diagnosekaart. Het beslist over de wiskundige methode, de roostergrootte en de solver. Cruciaal is dat deze strategie wordt opgeslagen als een apart, zichtbaar object. Het is nog niet verborgen in de code. Het is een op zichzelf staand document dat zegt: "We gebruiken Methode X omdat het probleem Type Y is."
De Pilot Run (De "Testkeuken" Fase):
Voordat de definitieve, dure run wordt uitgevoerd, draait AutoPDE een kleine, goedkope test (een "pilot solve"). Het controleert: "Krijgen we het juiste resultaat? Duurt het te lang?"

Als de fout te hoog is, past het niet alleen de code aan, maar gaat het terug naar het Strategiedocument en zegt: "We hebben een fijner rooster nodig."
Als het te traag is, zegt het: "We hebben een simpelere solver nodig."
Het herziet het plan op basis van de testresultaten en werkt vervolgens de code bij om aan het nieuwe plan te voldoen.

Waarom dit ertoe doet (De Resultaten)

De auteurs hebben AutoPDE getest op een benchmark genaamd PDE Agent Bench, die 191 verschillende wiskundige problemen bevat, variërend van eenvoudige warmtestroming tot complexe vloeistofdynamica.

De Score: AutoPDE loste 54,5% van de problemen succesvol op.
De Vergelijking: De beste vorige AI-agent (CodePDE) loste slechts ongeveer 40,3% op (op hetzelfde krachtige AI-model). AutoPDE verbeterde het succespercentage met 14,2 procentpunt.

Het artikel benadrukt dat deze verbetering het meest spectaculair is bij "lastige" problemen (zoals convectie-diffusie), waarbij een verkeerde strategie het probleem onmogelijk oplosbaar maakt, ongeacht hoeveel je de code verfijnt. AutoPDE slaagt omdat het eerst de strategie oplost, waardoor de code op een solide fundament wordt gebouwd.

De Kernboodschap

Beschouw AutoPDE als het verschil tussen een programmeur die alleen maar koortsachtig typt in de hoop het goed te doen, en een meesteringenieur die een blauwdruk tekent, de natuurkunde controleert, een schaalmodel test en dan pas de brug bouwt. Door de "solver-strategie" een expliciet, zichtbaar en herzienbaar object te maken, zorgt AutoPDE ervoor dat AI niet langer blindelings code patcht, maar begint te denken als een wiskundige.

Technische Samenvatting: AutoPDE

Probleemstelling

Numerieke solvers voor partiële differentiaalvergelijkingen (PDE's) zijn fundamenteel voor wetenschappelijke berekeningen, maar het bouwen van betrouwbare solvers vereist meer dan alleen het genereren van uitvoerbare code; het vereist een coherente numerieke solver-strategie. Deze strategie omvat cruciale beslissingen over discretisatie, stabilisatie, solver-configuratie en resolutiecontrole, die moeten aansluiten bij de specifieke algebraïsche en fysische structuur van de PDE.

Recente op Large Language Models (LLM) gebaseerde coding-agents (bijv. SWE-agent, OpenHands, CodePDE) hebben de programmeerlast verminderd door solver-implementaties te genereren en te debuggen. Deze systemen werken echter op een programma-centrische wijze. Ze gaan direct van een PDE-specificatie naar code, waardoor de solver-strategie impliciet blijft binnen de gegenereerde implementatiedetails. Als gevolg hiervan wordt feedback bij een mislukte oplossing gerouteerd naar code-aanpassingen (patches) in plaats van naar de onderliggende numerieke beslissingen. Dit maakt het moeilijk om numerieke keuzes te inspecteren vóór de codegeneratie en het lastig om deze te herzien met behulp van numeriek bewijs wanneer er fouten optreden. Bijvoorbeeld: het toepassen van een Conjugate Gradient-solver op een indefinite Helmholtz-systeem of het weglaten van stabilisatie voor convectie-gedomineerde problemen vertegenwoordigt een mismatch op strategieniveau die lokale code-patching vaak niet kan oplossen.

Methodologie: AutoPDE

Om deze beperkingen aan te pakken, stellen de auteurs AutoPDE voor, een agentic PDE-solver die de solver-strategie als een expliciet gerepresenteerd object behoudt gedurende het oplossingsproces. In tegenstelling tot traditionele agents die direct code genereren, construeert AutoPDE eerst een strategie-artefact voordat de code wordt geschreven, waardoor deze geïnspecteerd en herzien kan worden met behulp van numeriek bewijs.

De AutoPDE-workflow bestaat uit drie afzonderlijke fasen, die allemaal gebruikmaken van een bibliotheek van herbruikbare PDE-oplossende vaardigheden:

PDE-analyse:
De agent inspecteert de PDE-specificatie (vergelijkingstype, domein, randvoorwaarden, dominante mechanismen) om een DIAGNOSIS-kaart te genereren. Deze kaart identificeert de vergelijkingsfamilie (bijv. Helmholtz, Stokes, Convectie-Diffusie) en de algebraïsche structuur (bijv. symmetrisch positief-definiet versus symmetrisch indefinite). Deze stap bepaalt welke herbruikbare vaardigheden toepasbaar zijn.
Selectie van Numerieke Methode:
Op basis van de DIAGNOSIS-kaart haalt de agent een gestructureerde, tekstuele PDE-skill op uit een bibliotheek die tien vergelijkingsfamilies dekt (Poisson, Heat, Stokes, Navier-Stokes, Helmholtz, Convection-Diffusion, Biharmonic, Darcy, Linear Elasticity, Reaction-Diffusion). De agent schrijft vervolgens een METHOD-kaart, waarin specifieke keuzes worden vastgelegd voor:
- Variatiemethode (variational formulation)
- Finite element space (discretisatie)
- Stabilisatietechnieken (bijv. SUPG voor advectie-gedomineerde stromingen)
- Algebraïsche solver en preconditioner (bijv. MINRES voor indefinite systemen, om CG te vermijden)
Adaptieve Afstemming:
Na het genereren van een initiële uitvoerbare solver (solver.py), voert AutoPDE adaptieve afstemming uit met behulp van goedkope pilot-runs. Het meet empirische fout en rekentijd tegenover voorgeschreven nauwkeurigheid en runtime-budgetten. Een regelgebaseerde profileringsgids stuurt zelfcorrectie aan:
- Als de fout te hoog is: Verfijn het rooster ( $h$ ) of verhoog de polynoomgraad ( $p$ ).
- Als de runtime te hoog is: Vereenvoudig de solver of versoepel de toleranties.
- Als de uitvoering crasht: Debug de traceback.
  Het verslag van de solver-strategie wordt iteratief bijgewerkt totdat de doelen zijn bereikt of geen verdere lokale reparaties meer mogelijk zijn.

Belangrijkste Bijdragen

Strategie-eerst Agent Design: AutoPDE introduceert een paradigma waarbij de solver-strategie een expliciet, controleerbaar object is dat naast de code wordt bijgehouden. Dit maakt numerieke beslissingen zichtbaar, controleerbaar en herzienbaar, wat contrasteert met de impliciete strategieën van huidige LLM coding-agents.
Herbruikbare Vaardigheden voor Strategieconstructie: Het systeem maakt gebruik van een bibliotheek van gestructureerde, niet-uitvoerbare PDE-oplossende vaardigheden. Hierdoor kan de agent complexe strategieën samenstellen (formulering, discretisatie, stabilisatie, solver-selectie) op basis van de specifieke PDE-familie die tijdens de analyse is geïdentificeerd.
Adaptieve Afstemming via Numeriek Bewijs: De agent gebruikt een pilot-solve mechanisme om de resolutie en solver-toleranties te kalibreren op basis van empirische prestatiegegevens, waardoor wordt gegarandeerd dat de uiteindelijke solver zowel aan de nauwkeurigheids- als de runtime-beperkingen voldoet.

Experimentele Resultaten

De auteurs hebben AutoPDE geëvalueerd op de PDE Agent Bench, een benchmark bestaande uit 191 gevallen over acht vergelijkingsfamilies.

Algemene Prestaties: AutoPDE behaalde een algemeen slagingspercentage van 54,5% op zowel de Claude Opus 4.6 als GPT 5.1 backbones. Dit is een verbetering van 14,2 procentpunt ten opzichte van de sterkste baseline (OpenHands op GPT 5.1 met 40,3%) en een verbetering van 22,6 punt ten opzichte van de beste Claude-gebaseerde baseline (CodePDE met 31,9%).
Robuustheid over Backbones: AutoPDE vertoonde minimale afhankelijkheid van de onderliggende LLM-backbone (0,0% verschil tussen Claude en GPT-resultaten), terwijl andere agent-families verschillen van 15–21 procentpunten lieten zien. Dit suggereert dat expliciete strategie-redenering zwakkere code-schrijvende backbones in staat stelt om hoogwaardige resultaten te behalen.
Prestaties per Familie: AutoPDE was de enige methode die een niet-triviaal slagingspercentage behield over alle acht vergelijkingenfamilies. Het excelleerde met name in complexe regimes die niet-triviale numerieke beslissingen vereisen, zoals Convection-Diffusion (59,5% op GPT 5.1) en Helmholtz (78,9% op GPT 5.1), waar andere agents vaak naar een bijna nul slagingspercentage zakten.
Ablatie-studies: Het verwijderen van een van de drie fasen (DIAGNOSIS, PDE Skills of Adaptive Tuning) resulteerde in significante prestatiedalingen. Het verwijderen van de PDE Skills veroorzaakte de grootste daling (34,6 procentpunt), wat het belang van de gestructureerde skill-bibliotheek benadrukt.

Betekenis en Claims

Het artikel beweert dat de primaire bottleneck in geautomatiseerde PDE-solving niet de capaciteit voor codegeneratie is, maar de impliciete representatie van de numerieke strategie. Door de strategie los te koppelen van de code en het te maken tot een expliciet, herzienbaar artefact, herstelt AutoPDE de feedbackloop die typerend is voor menselijke numerieke experts: het analyseren van het probleem, het selecteren van een methode en het verfijnen op basis van bewijs, in plaats van enkel het patchen van code.

De auteurs benadrukken dat AutoPDE niet vertrouwt op nieuwe LLM-architecturen, maar op een scaffolding-innovatie die het redeneerproces van de agent structureert. De resultaten suggereren dat expliciete strategie-representatie cruciaal is voor het oplossen van PDE's in delicate regimes (bijv. convectie-gedomineerde transport, indefinite operatoren) waar een "foutieve" numerieke keuze niet simpelweg kan worden opgelost door mesh-verfijning of code-patching. Het systeem automatiseert succesvol de "menselijke expert"-lus van strategie-afleiding en -revisie, en bereikt hiermee state-of-the-art prestaties op een diverse reeks PDE-problemen.