Agentic Exploration of PDE Spaces using Latent Foundation Models for Parameterized Simulations

1. O Problema

A descoberta científica em dinâmica dos fluidos e em sistemas governados por Equações Diferenciais Parciais (EDPs) enfrenta desafios fundamentais:

• Natureza dos Dados: Os fenômenos físicos são contínuos, de alta dimensão e frequentemente caóticos, diferentemente dos domínios discretos (como descoberta de fármacos ou ciência de materiais) onde representações tokenizáveis (ex: sequências de aminoácidos) se integram naturalmente a Grandes Modelos de Linguagem (LLMs).
• Custo Computacional: A exploração tradicional de espaços de parâmetros depende de experimentos laboratoriais ou simulações numéricas de alta fidelidade, que são computacionalmente caras e limitam a escala e a automação.
• Limitação de Modelos Atuais: Embora modelos de ordem reduzida (ROMs) e substitutos neurais existam para previsão rápida, eles geralmente atuam como componentes passivos. A tarefa de decidir o que simular, onde refinar e como sintetizar descobertas ainda recai sobre o pesquisador humano.
• Gap na Automação: Extender a descoberta agencial (baseada em LLMs) para sistemas físicos contínuos, onde a "verdade fundamental" emerge da estrutura do campo de fluxo e não de avaliação simbólica, permanece inexplorado.

2. Metodologia

O trabalho propõe um framework que acopla um sistema de LLMs multi-agente com um Modelo de Fundação Latente (LFM) para permitir a exploração autônoma e sistemática de física de fluxo parametrizada.

A. Modelo de Fundação Latente (LFM)

O LFM atua como um simulador sob demanda, capaz de gerar campos de fluxo fisicamente plausíveis para qualquer configuração de parâmetros sem a necessidade de novas simulações numéricas. É composto por:

1. Autoencoder Variacional de Correlação Total (TC-VAE): Aprende uma representação latente compacta, explícita e desenredada (disentangled) dos campos de fluxo. Utiliza uma perda que penaliza a dependência entre dimensões latentes, garantindo que cada dimensão capture fatores de variação independentes dos parâmetros de entrada.
2. Modelo de Difusão Condicionado por Parâmetros: Um modelo generativo treinado no espaço latente aprendido. Ele permite a amostragem condicional baseada nos parâmetros de entrada ($P$), utilizando atenção espaço-temporal fatorada e normalização de camada adaptativa (adaLN) para injetar as condições de parâmetro. O modelo gera trajetórias temporais coerentes, permitindo interpolação e extrapolação moderada no espaço de parâmetros.

B. Arquitetura Multi-Agente

O sistema utiliza uma arquitetura hierárquica baseada em LangGraph, orquestrando a exploração em um ciclo fechado (hipótese, experimentação, análise e verificação):

• Planner (Planejador): Coordena a estratégia de exploração. Define quais regiões do espaço de parâmetros precisam de investigação (ex: varredura de cobertura ou refinamento direcionado em transições detectadas).
• Analyst (Analista): Executa as diretrizes do planejador. Consulta o LFM para gerar campos de fluxo, calcula estatísticas de fluxo interpretáveis usando ferramentas físicas e compila os resultados. Não realiza raciocínio LLM, apenas execução determinística.
• Critic (Crítico): Valida a qualidade dos dados. Verifica a fidelidade geométrica (ex: posições dos cilindros), avalia a cobertura do espaço de parâmetros e a suavidade das tendências. Rejeita dados inconsistentes e decide quando a exploração deve continuar ou terminar.
• Writer (Escritor): Sintetiza as descobertas em um relatório estrutado ao final do processo.

C. Interface de Ferramentas

Os agentes acessam o LFM e ferramentas de análise através de uma interface modular. As ferramentas incluem geradores de fluxo, varreduras sistemáticas, cálculo de estatísticas de esteira (como espessura de deslocamento e momento) e visualização. Isso permite que os agentes explorem a física sem precisar de conhecimento físico explícito em seus prompts.

3. Resultados

O framework foi aplicado ao fluxo incompressível ao redor de dois cilindros em tandem em $Re = 500$. O parâmetro de controle foi o espaçamento entre cilindros ($S$), variando de $3.5D$ a $10.0D$. O agente teve a tarefa de caracterizar a estrutura da esteira inter-cilindro usando duas grandezas integrais: espessura de deslocamento ($\delta^*$) e espessura de momento ($\theta$).

• Escala de Exploração: O sistema avaliou autonomamente mais de 1.600 pares de parâmetro-localização em 41 configurações de espaçamento, algo impraticável em fluxos de trabalho manuais tradicionais.
• Leis de Escala Divergentes:
  • Espessura de Momento ($\theta$): O agente descobriu uma lei linear robusta e única para a localização do máximo de $\theta$ ($x^*_\theta \approx S - 1.2D$), que rastreia a posição do cilindro a jusante independentemente do regime.
  • Espessura de Deslocamento ($\delta^*$): Revelou uma estrutura de dois modos dependente do regime:
    • No regime de near-wake ($S \lesssim 6-7D$), o mínimo de $\delta^*$ fica fixo próximo ao cilindro a montante ($\approx 0.5D$).
    • No regime de co-shedding ($S \gtrsim 7D$), o mínimo desloca-se para uma posição linearmente crescente ($0.71S - 2.2D$).
• Transição de Regime: A divergência entre as localizações ótimas ($|x^*_\theta - x^*_\delta|$) apresenta um comportamento não monótono, caindo abruptamente na transição de regime ($S \approx 7D$), servindo como uma assinatura quantitativa da mudança física.
• Validação: As descobertas foram validadas comparando os resultados do LFM com simulações de "ground truth", mostrando alta concordância e a capacidade do modelo de capturar estruturas complexas de otimização.

4. Contribuições Principais

1. Ponte entre LLMs e Física Contínua: O trabalho estabelece um paradigma geral para descoberta científica automatizada em sistemas governados por EDPs, superando a limitação de que LLMs só funcionam bem com dados discretos. O LFM atua como a representação intermediária essencial.
2. Simulador Sob Demanda: A combinação de TC-VAE e Difusão Latente cria um substituto de simulação que permite consultas arbitrárias a configurações de parâmetros com custo marginal quase nulo, habilitando uma exploração densa do espaço de parâmetros.
3. Descoberta Autônoma sem Conhecimento Prévio: O sistema identificou regimes físicos complexos e leis de escala divergentes sem que o LLM tivesse conhecimento prévio da física dos cilindros em tandem; o conhecimento emergiu da interação entre as ferramentas de análise e o raciocínio do agente.
4. Arquitetura Modular: A separação entre os agentes de raciocínio e as ferramentas de física permite que o framework seja adaptado para diferentes quantidades físicas (ex: frequências de desprendimento de vórtices, coeficientes aerodinâmicos) apenas trocando as ferramentas, sem reescrever os agentes.

5. Significado e Impacto

Este trabalho representa um avanço significativo na automação da ciência. Ao transformar modelos de aprendizado de máquina de ferramentas passivas de previsão em simuladores ativos e exploráveis por agentes de IA, o framework permite:

• Descoberta de Fenômenos Não Óbvios: A capacidade de realizar varreduras massivas e densas revela estruturas de paisagem de otimização e transições de regime que seriam perdidas em varreduras manuais esparsas.
• Aceleração do Design e Engenharia: Para aplicações como redução de arrasto ou bloqueio de fluxo, o sistema fornece critérios de projeto adaptativos baseados no regime de fluxo, permitindo otimizações mais precisas.
• Escalabilidade Futura: O framework abre caminho para a exploração de espaços de parâmetros de alta dimensão (3D, múltiplos parâmetros) e para a formulação autônoma de hipóteses causais, movendo-se em direção a uma verdadeira "ciência agencial".

Em resumo, o artigo demonstra que a integração de representações físicas aprendidas (LFM) com raciocínio agencial (LLMs) cria um novo paradigma para a exploração sistemática e autônoma de sistemas físicos complexos.