Technisch Overzicht: AutoFOAM – De Zelfverfijnende Autonome OpenFOAM-agent

Probleemstelling

Computational Fluid Dynamics (CFD) is een hoeksteen van de moderne techniek, maar het gebruik van robuuste open-source solvers zoals OpenFOAM blijft een aanzienlijke barrière vanwege de steile leercurve en de vereiste van nauwgezette handmatische configuratie. Gebruikers moeten navigeren door onderling afhankelijke, syntactisch rigide C++ dictionaries om meshes, randvoorwaarden en numerieke schema's te definiëren. Hoewel Large Language Models (LLM's) veelbelovend zijn gebleken voor codegeneratie, falen standaardmodellen in dit domein door het hallucineren van niet-ondersteunde keywords, het niet handhaven van consistentie over randvoorwaardendictaries, en het gebrek aan de benodigde domeinfysica-intuïtie (bijv. het afdwingen van correcte $y^+$-restricties) die vereist is voor stabiele numerieke opstellingen. Bovendien lopen autonome agenten het risico op "self-distillation collapse", waarbij training op hun eigen gebrekkige outputs de fundamentele capaciteiten snel doet degraderen.

Methodologie

AutoFOAM is een volledig autonome, zelf evoluerende LLM-agent ontworpen om natuurlijke taalprompts te vertalen naar syntactisch correcte, fysica-bewuste OpenFOAM-cases. Het systeem is gebouwd op een 14-miljard parameter Qwen-2.5-Coder backbone, die initieel is gefinetuned op een deterministisch gecureerde dataset van 252 prompts die zeven solver-families, dertien parametrische mesh-templates en een strikt $y^+$-bewust numeriek beleid beslaan.

Systeemarchitectuur

De agent werkt via een achtstaps composiet-pipeline waarbij de LLM alleen wordt aangeroepen bij drie semantische beslismomenten (promptverfijning, parameterextractie en retry-generatie), terwijl de overige stappen strikt deterministisch zijn:

1. Promptverfijning & Parameterextractie: De LLM genereert een gestandaardiseerd CFDParams-object. Om structurele hallucinaties te voorkomen, wordt de generatie beperkt door xgrammar JSON-schema's. Een post-hoc regex-validatielaag dwingt fysieke consistentie af (bijv. het waarborgen dat de karakteristieke snelheid overeenkomt met de Reynoldsgetalrelatie $Re = U \cdot L_{char}/\nu$), waarbij randvoorwaarden automatisch worden overschreven en herrekend als inconsistenties worden gedetecteerd.
2. Deterministische Solver Routing: In plaats van te vertrouwen op de LLM voor de selectie van solvers, gebruikt een heuristisch algoritme geëxtraheerde fysica-flags (transiënt, samendrukbaar, thermisch, etc.) en Reynoldsgetallen om te mappen naar één van zeven gevalideerde OpenFOAM solvers, wat bias door geometrische keywords elimineert.
3. Meshing, Case Writing, Solving en Scoring: Het systeem gebruikt gmsh voor meshing en voert de solver uit. Een multi-objective beloningsfunctie ($r \in [0, 1]$) evalueert de simulatie op basis van convergentie, massaconservatie, meshkwaliteit en runtime. High-fidelity runs ($r \ge 0.65$) worden gepromoveerd naar de trainingscorpus, terwijl tussenliggende runs ($r \ge 0.5$) de retry-contextgeheugen vullen.

De Zevenlaagse Zelfevolutie-pipeline

Om continue verbetering zonder model collapse mogelijk te maken, hanteert AutoFOAM een rigoureuze zevenlaagse evolutieloop:

• Laag 1 (Zelfcorrectie): Bij detectie van divergentie of NaN-residuen verbreedt de agent zijn context om terminal logs te absorberen en probeert het opnieuw de parameterextractie.
• Laag 2 (Curatie): Alleen high-fidelity executies ($r \ge 0.65$) worden gefilterd voor de trainingsdataset.
• Laag 3 (SFT): De gecureerde data ondergaat een enkele correctieve QLoRA-epoch, gevolgd door een out-of-distribution (OOD) evaluatiepoort.
• Laag 4 (DPO): Direct Preference Optimization wordt toegepast op geminede trajectparen, waarbij gefaalde pogingen worden gecontrasteerd met hun succesvolle, gecorrigeerde tegenhangers om het model te leren specifieke syntactische formuleringen te vermijden die tot divergentie leiden.
• Laag 5 (Anchor Mixing): Om catastrofale vergetelheid te voorkomen, wordt 30% van de fundamentele trainingscorpus bij elke hertrainingsbatch geïnjecteerd.
• Laag 6 (Active Learning): De agent identificeert de zwakst presterende solver-familie en genereert autonoom nieuwe parameter-gevarieerde seeds om dat domein te versterken.
• Laag 7 (Regressie-audit): Vóór deployment wordt een granulair dictionary-niveau text diff uitgevoerd tegen een vastgelegde baseline om structurele regressies te vangen die gemaskeerd worden door scalaire beloningen.

Anti-Collapse Mechanismen

Om degeneratie tijdens zelftraining te voorkomen, maakt het systeem gebruik van drie complementaire stromen:

1. RAG-Augmented Context: Bevraagt een vector store van gevalideerde tutorials om analoge dictionary-structuren te injecteren wanneer zero-shot generatie faalt.
2. Surgical Dictionary Patching: Als er een specifieke bestandsfout optreedt (bijv. een niet-ondersteund divergentieschema), patcht de agent alleen de betreffende dictionary in plaats van de gehele case te regenereren.
3. Prompt-Diversity Paraphrasing: Zorgt ervoor dat de agent niet overfit op specifieke semantische patronen.

Resultaten

Het systeem werd geëvalueerd op een strikt gescheiden set van 110 out-of-distribution (OOD) prompts, variërend in formulering en vocabulaire, over 13 geometrie-templates en 7 solver-families.

• Execution Success: De agent behaalde een 100% end-to-end executie succespercentage (110/110) met nul FOAM FATAL fouten.
• Solver Routing: De agent selecteerde de juiste solver in 96,4% van de gevallen (106/110). De vier mismatches kwamen voor in mathematisch ambigue lage-Reynolds unsteady regimes waar de agent een laminaire solver (icoFoam) koos in plaats van een transiënte turbulente solver (pimpleFoam), een substitutie die computationeel verdedigbaar werd geacht.
• Reward Performance: De gemiddelde executie-beloningsscore was 0,64.
• Generalisatie: Het systeem heeft succesvol alle 13 geometrie-templates en 7 solver-families geëxecuteerd zonder handmatige interventie, waarbij geldige polyMesh-grenzen en turbulentieparameters werden gegenereerd die afgeleid zijn van de geëxtraheerde Reynoldsgetallen.

Betekenis en Claims

Het artikel claimt dat AutoFOAM succesvol de kloof overbrugt tussen natuurlijke taalintentie en rigoureuze CFD-executie, waardoor de cognitieve en syntactische barrières van handmatige configuratie worden weggenomen. De primaire betekenis ligt in de introductie van een zevenlaagse zelfevolutie-pipeline die de agent in staat stelt continu te verbeteren via self-play, terwijl de valkuilen van model collapse worden vermeden. Door gerichte Active Learning, DPO op geminede falende trajecten en systematische Anchor Mixing te combineren, bieden de auteurs een blauwdruk voor het schalen van agent-capaciteiten binnen strikte fysieke restricties.

Dit werk positioneert AutoFOAM niet enkel als een statische inferentie-tool, maar als een open-source testbed voor onderzoek naar continue, reinforcement-gestuurde learning in wetenschappelijke domeinen. De auteurs behouden echter een bescheiden scope door huidige beperkingen te erkennen: de agent is beperkt tot 13 vooraf gedefinieerde gmsh templates (niet in staat om ruwe CAD-bestanden zoals STEP/IGES te verwerken), beperkt tot standaard RANS en laminaire stromingen, en mist momenteel een externe fysica-validator om resultaten te toetsen aan empirische data, wat een "physics-validation gap" creëert waarbij numeriek geconvergeerde maar fysiek gebrekkige oplossingen de curatie kunnen passeren.