PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics

Resumo Técnico: PhyNiKCE

1. O Problema: A Desconexão Semântico-Física

A implementação de agentes autônomos para Dinâmica dos Fluidos Computacional (CFD) enfrenta uma barreira crítica: a natureza probabilística dos Grandes Modelos de Linguagem (LLMs).

• Falha de Consistência: LLMs padrão, mesmo com técnicas de Geração Aumentada por Recuperação (RAG) baseadas em vetores, tendem a gerar configurações linguisticamente plausíveis, mas fisicamente inválidas. Isso ocorre devido à "Desconexão Semântico-Física", onde a similaridade de vetores (tokens) não garante a validade das leis de conservação ou estabilidade numérica.
• Envenenamento de Contexto: A recuperação baseada em vetores frequentemente mistura regimes físicos incompatíveis (ex.: configurar um fluxo incompressível com equações de estado compressíveis), levando a falhas de simulação.
• Limitação de Modelos Atuais: Soluções anteriores, como o ChatCFD, que utilizam recuperação baseada em templates estruturados, sofrem de "Rigidez de Template". Elas funcionam bem em casos de tutorial, mas falham em cenários complexos e não tutoriais que exigem combinações novas de modelos físicos, resultando em taxas de precisão inferiores a 30%.

2. Metodologia: A Arquitetura Neurosimbólica PhyNiKCE

O trabalho propõe o PhyNiKCE (Physical and Numerical Knowledgeable Context Engineering), um framework agencial neurosimbólico que desacopla o planejamento neural da validação simbólica. A arquitetura divide-se em dois componentes principais:

A. Motor de Conhecimento Simbólico (Symbolic Knowledge Engine)
Atua como um "guardrail" determinístico, validando o plano do agente antes da execução.

• Base de Conhecimento Simbólica: Em vez de embeddings vetoriais, o sistema constrói uma base de conhecimento estruturada (JSON) a partir de tutoriais do OpenFOAM e código-fonte C++. Os dados são normalizados e indexados por características físicas: Solver ($m_{sol}$), Modelo de Turbulência ($m_{turb}$) e Compressibilidade ($m_{comp}$).
• Motor RAG Determinístico: Substitui a busca semântica por uma abordagem de Problema de Satisfação de Restrições (CSP). O sistema emprega cinco estratégias de recuperação especializadas:
  1. Recuperador de Fallback em Cascata: Relaxa restrições hierarquicamente (ex.: se não houver um caso exato para o solver + turbulência, busca apenas pelo solver, garantindo compatibilidade física).
  2. Recuperador All-Model: Garante que esquemas de discretização sejam compatíveis com todos os modelos físicos ativos simultaneamente.
  3. Recuperador de Template Orientado a Dados: Agrega estatisticamente as melhores práticas de configurações de solvers lineares ($fvSolution$) para criar um template canônico.
  4. Recuperador Multi-Fonte: Combina exemplos de tutoriais com restrições teóricas extraídas do código-fonte para resolver polimorfismo em condições de contorno (ex.: parâmetros diferentes para regimes subsônicos vs. supersônicos).
  5. Recuperador Heurístico de Palavras-Chave: Foca em correções precisas durante erros de execução, extraindo apenas o bloco de configuração relevante para o erro específico.

B. Agente CFD Autônomo

• Planejamento Neural: Um LLM (Gemini-2.5-Pro/Flash) interpreta entradas multimodais (literatura, malhas) e planeja a simulação.
• Execução e Reflexão: O agente gera arquivos de configuração e executa o OpenFOAM. Em caso de erro, um loop de reflexão autônoma utiliza o Motor de Conhecimento Simbólico para diagnosticar e corrigir falhas, garantindo que as correções respeitem as leis físicas.

3. Contribuições Principais

1. Aplicação de Restrições Neurosimbólicas: Introdução de um motor RAG determinístico que elimina o "envenenamento de contexto" ao tratar a configuração de simulação como um problema de satisfação de restrições físicas.
2. Superação da Rigidez de Template: Capacidade de generalizar para cenários não tutoriais, combinando modelos físicos de forma segura, algo que sistemas baseados apenas em templates falham em fazer.
3. Eficiência de Inferência: Demonstração de que a validação simbólica antecipada reduz a necessidade de loops de tentativa e erro, diminuindo o consumo de tokens do LLM.
4. Auditabilidade: Cada parâmetro gerado é rastreável até uma regra específica na base de conhecimento, oferecendo transparência essencial para aplicações industriais e certificação de IA Confiável.

4. Resultados e Desempenho

O framework foi validado através de um estudo de ablação rigoroso no OpenFOAM, cobrindo fluxos incompressíveis (perfil NACA 0012) e compressíveis (bocal de Laval), com múltiplos solvers e modelos de turbulência ($k-\omega$ SST, $k-\epsilon$, Spalart-Allmaras).

• Precisão: O PhyNiKCE completo alcançou 51% de precisão em tarefas complexas, uma melhoria relativa de 96% em relação à linha de base (SOTA ChatCFD), que ficou em 26%.
• Eficiência de Correção: O número de loops de reflexão autônoma (tentativa e erro) foi reduzido em 59% (de 22,11 para 9,06 rodadas por caso).
• Economia de Tokens: O consumo de tokens do LLM diminuiu em 17%, provando que a validação simbólica inicial é mais eficiente do que a correção reativa iterativa.
• Validação Física: As simulações bem-sucedidas demonstraram alta fidelidade física, com resultados de coeficiente de pressão e visualizações de choque (schlieren) alinhados com dados experimentais e teóricos.

5. Significado e Impacto

O PhyNiKCE representa um avanço paradigmático na IA Confiável para Engenharia:

• Mudança de Paradigma: Demonstra que, em domínios de alta precisão física, a "Densidade de Informação" (regras estruturadas) é mais eficaz do que o "Volume de Dados" (aprendizado puramente estatístico).
• Escalabilidade Industrial: A arquitetura oferece um modelo escalável e auditável para automação em outras áreas de Engenharia Assistida por Computador (CAE), como mecânica dos sólidos e eletromagnetismo.
• Solução para o "Black Box": Ao desacoplar a geração neural da validação simbólica, o framework resolve o problema fundamental de confiabilidade, permitindo que agentes autônomos operem com segurança em ambientes industriais críticos, onde erros de simulação podem ter custos elevados.

Em suma, o PhyNiKCE não apenas melhora a precisão da automação CFD, mas estabelece um novo padrão para como a IA pode ser integrada a sistemas físicos determinísticos, garantindo que a "inteligência" do agente esteja sempre ancorada nas leis da física.