AI CFD Scientist: Toward Open-Ended Computational Fluid Dynamics Discovery with Physics-Aware AI Agents

O artigo apresenta o AI CFD Scientist, um framework de código aberto que aproveita modelos visão-linguagem para executar, validar e refinar autonomamente simulações de dinâmica dos fluidos computacionais no OpenFOAM, descobrindo com sucesso uma correção Spalart-Allmaras que reduz o erro em 7,89% enquanto detecta falhas silenciosas que os verificações tradicionais de solucionador deixam passar.

O essencial

Imagine uma equipe de assistentes de pesquisa altamente inteligentes e incansáveis trabalhando em conjunto para resolver quebra-cabeças complexos de física. Este artigo apresenta o AI CFD Scientist, um novo sistema de código aberto projetado para atuar como um cientista autônomo especificamente para Dinâmica dos Fluidos Computacional (CFD) — o campo que utiliza supercomputadores para simular como o ar e a água fluem ao redor de objetos como asas de aviões, carrocerias de carros ou até mesmo vasos sanguíneos.

Aqui está como o sistema funciona, explicado por meio de analogias simples:

O Problema: A Armadilha da "Falha Silenciosa"

Em muitas áreas científicas, se um programa de computador termina de executar sem travar, você assume que o resultado é bom. Mas, na dinâmica dos fluidos, isso é perigoso.

• A Analogia: Imagine um chef que segue uma receita perfeitamente, mas acidentalmente usa sal em vez de açúcar. O bolo assa, cresce e parece perfeito. O "log" (os passos da receita) diz que tudo está bem. Mas, se você provar, está impróprio para consumo.
• A Realidade: Uma simulação CFD pode terminar de executar sem erros e, ainda assim, produzir um resultado fisicamente impossível (como ar fluindo para trás através de uma parede sólida) devido a um erro sutil na configuração ou na matemática. Ferramentas tradicionais de IA frequentemente ignoram essas "falhas silenciosas" porque apenas verificam os logs do computador, e não a imagem real do fluxo.

A Solução: Uma Equipe de Agentes Especializados

Os autores construíram um sistema que não apenas executa código; ele atua como um laboratório de pesquisa completo. Ele utiliza um "cérebro" (um modelo de linguagem grande) para coordenar vários "agentes" especializados (ferramentas de software) que lidam com diferentes partes do trabalho:

1. O Gerador de Ideias: Em vez de apenas adivinhar, este agente lê artigos científicos para encontrar lacunas no conhecimento e propõe novos experimentos.
2. O Construtor de Código: Se as ferramentas padrão não conseguem resolver um problema específico, este agente escreve e compila novo código C++ (o "motor" da simulação) para criar modelos físicos personalizados.
3. O Inspetor de Malha: Antes de executar uma simulação, ele verifica se a grade digital (a "malha") é detalhada o suficiente para capturar pequenos detalhes, garantindo que os resultados não sejam apenas um palpite desfocado.
4. O Guardião da "Visão" (A Funcionalidade Principal): Esta é a inovação mais importante. Após a execução de uma simulação, o sistema não olha apenas para números. Ele tira uma foto do fluxo e a mostra a um Modelo Visão-Linguagem (uma IA que pode "ver" imagens).
   • A Analogia: Pense nisso como um crítico de arte humano olhando para uma pintura. Mesmo que o artista diga: "Segui as regras", o crítico pode perceber que a perspectiva está errada ou que as cores não correspondem à realidade.
   • O Resultado: Se a IA "vê" que o fluxo parece estranho (como um vórtice no lugar errado), ela rejeita o resultado e diz ao sistema para tentar novamente, mesmo que o log do computador tenha dito "Sucesso".

O Que Eles Realmente Conquistaram

A equipe testou este sistema em cinco tarefas diferentes. Aqui estão os destaques:

• Verificações Rotineiras: Ele executou com sucesso testes padrão, como verificar como diferentes modelos de turbulência se comportam ao redor de um degrau voltado para trás (um caso de teste comum em aerodinâmica).
• Engenharia Personalizada: Ele escreveu seu próprio código para simular fluidos não newtonianos (fluidos que mudam de espessura quando você os mexe, como ketchup ou sangue) e provou que funcionou.
• A Grande Descoberta (Descoberta Aberta): Esta é a parte mais impressionante. O sistema recebeu um objetivo: "Encontre uma maneira de fazer o modelo de turbulência padrão corresponder melhor aos dados do mundo real."
  • Sem ajuda humana, a IA executou 44 iterações de experimentos.
  • Ela tentou diferentes ajustes matemáticos, escreveu novo código, executou simulações e verificou os resultados.
  • O Resultado: Ela descobriu uma nova correção matemática (um "ajuste em tempo de execução") que reduziu o erro na previsão do atrito superficial (quanta fricção o ar exerce sobre uma superfície) em 7,89% em comparação com os melhores dados de referência disponíveis.

A Rede de Segurança: Capturando Erros

Para provar que o sistema funciona, os pesquisadores quebraram intencionalmente as simulações de 16 maneiras diferentes (por exemplo, excluindo o arquivo de saída, tornando os números errados ou interrompendo a simulação muito cedo).

• O "Portão de Visão" do sistema capturou 14 de 16 dessas falhas silenciosas.
• Ferramentas padrão de IA (sem a verificação de visão) teriam aceitado esses resultados quebrados como válidos.

Comparação com Outros Cientistas de IA

Os autores compararam seu sistema a duas outras ferramentas de cientistas de IA de propósito geral (ARIS e DeepScientist).

• A Diferença: As outras ferramentas podiam executar as simulações e escrever um relatório, mas frequentemente ignoravam as verificações de física. Elas poderiam afirmar que um resultado era válido quando não era.
• A Vantagem: O AI CFD Scientist é "conservador". Se a evidência não for perfeita (por exemplo, se a malha não for fina o suficiente ou se a imagem parecer estranha), ele admite que ainda não conhece a resposta, em vez de inventar uma afirmação falsa.

Resumo

O AI CFD Scientist é uma nova ferramenta de código aberto que automatiza todo o processo de pesquisa em dinâmica dos fluidos. Ela não apenas executa números; lê artigos, escreve código, verifica se a física está correta "vendo" o fluxo e publica apenas resultados que passam por uma inspeção visual e matemática rigorosa. Ela conseguiu encontrar sozinha uma nova maneira de melhorar um modelo físico padrão, provando que a IA agora pode lidar com o mundo complexo e de alto risco da simulação física, e não apenas com a codificação de software.

Resumo técnico

Resumo Técnico: Cientista CFD de IA

Declaração do Problema

Estender agentes de Modelos de Linguagem de Grande Escala (LLM) às ciências físicas, especificamente à Dinâmica dos Fluidos Computacional (CFD), apresenta desafios únicos não encontrados em aprendizado de máquina baseado apenas em software ou em pesquisa biológica. A principal dificuldade reside no fato de que a conclusão do solver não implica validade física. Uma simulação CFD pode convergir limpa, sem erros nos logs do solver, enquanto ainda produz resultados fisicamente degenerados devido a geometria incorreta, características de escoamento ausentes ou modelos de fechamento defeituosos. Essas modalidades de falha são frequentemente invisíveis à análise de logs baseada em texto. Além disso, na CFD, o modelo de fechamento é uma variável de pesquisa que exige modificação no código-fonte (nível C++) em vez de simples alterações de configuração, e as portas de validade (como independência de malha e alinhamento com dados de referência) são objetos científicos que devem ser explicitamente confirmados, não assumidos. As estruturas existentes de cientistas de IA carecem dessas portas de validade específicas do domínio, enquanto os agentes CFD existentes frequentemente param antes do ciclo completo de descoberta, falhando em integrar ideação fundamentada na literatura, modificação de código-fonte e verificação baseada em visão.

Metodologia

Os autores apresentam AI CFD Scientist, uma estrutura de código aberto projetada para fechar o ciclo de descoberta científica para CFD. O sistema opera no OpenFOAM por meio da interface Foam-Agent e é orquestrado por um backbone LLM compartilhado (GPT-5.5 nos experimentos). A arquitetura é construída sobre cinco princípios de design operacional extraídos da prática de CFD:

1. Validade Física Não é Legível em Logs: Inspeção em nível de imagem é obrigatória.
2. Modificação de Código-Fonte: A edição de código-fonte C++ é um objeto de pesquisa, não uma opção de configuração.
3. Independência de Malha: Uma porta de convergência necessária.
4. Sem Alucinação de Experimentos: Agentes não podem trocar variáveis ou relaxar critérios para fazer casos falhos funcionarem.
5. Rastreabilidade: Cada afirmação em um manuscrito deve rastrear de volta a figuras e valores numéricos específicos e validados.

A estrutura executa três caminhos acoplados:

• Experimentação Regular: Ideação consciente da literatura, filtragem de novidade, validação de requisitos, gate de independência de malha e execução via Foam-Agent.
• Modificação de Código: Geração de arquivos de código-fonte C++ e dicionários locais ao caso para novos modelos físicos, compilação e testes de fumaça.
• Descoberta Aberta: Um loop de hipótese externo que gera, compila e testa autonomamente modificações candidatas de modelo contra um comparador de referência sem intervenção humana adicional.

Inovação Central: A Porta de Verificação Física do Modelo Visão-Linguagem (VLM)
Central à estrutura é uma porta de verificação física baseada em Modelo Visão-Linguagem (VLM). Antes que qualquer resultado seja aceito, reexecutado ou escrito em um manuscrito, o sistema renderiza campos de escoamento (por exemplo, contornos de velocidade, gráficos de atrito na parede) e os submete a um VLM. O VLM realiza duas verificações:

1. Filtro de Qualidade: Garante que as figuras sejam legíveis e não degeneradas.
2. Verificação Física: Inspeciona o escoamento visualizado em busca de características esperadas (por exemplo, zonas de recirculação, pontos de separação) e julga a consistência com o requisito do experimento.
   Esta porta foi projetada para capturar "falhas silenciosas" que passam pelos logs do solver, mas violam a intuição física.

O fluxo de trabalho também inclui uma Porta de Independência de Malha (comparando malhas de base e refinadas) e um Loop de Reexecução/Escrita que revisa requisitos em caso de falha e redige manuscritos LaTeX fundamentados nos artefatos validados.

Contribuições Principais

1. Primeiro Cientista CFD de Código Aberto de Ponta a Ponta: Ao conhecimento dos autores, este é o primeiro sistema a abranger ideação fundamentada na literatura, execução validada, verificação física baseada em visão, modificação de código-fonte e escrita fundamentada em figuras em um único fluxo de trabalho inspecionável.
2. Porta Física Baseada em VLM: A introdução de um subsistema visão-linguagem que detecta inconsistências físicas invisíveis aos logs do solver, abordando uma lacuna crítica nas estruturas atuais de cientistas de IA.
3. Descoberta em Nível de Fonte: A capacidade de editar autonomamente código-fonte C++ para modificar modelos de turbulência (por exemplo, Spalart–Allmaras) e compilá-los como bibliotecas locais ao caso, tratando a modificação de código como parte do espaço de hipóteses.
4. Avaliação Rigorosa: Um estudo de ablação controlado demonstrando a eficácia da porta VLM e uma comparação direta contra fortes baselines gerais de cientistas de IA (ARIS, DeepScientist).

Resultados

O sistema foi avaliado em cinco tarefas usando um backbone GPT-5.5:

• T1 (Sensibilidade à Turbulência BFS): Executou com sucesso quatro fechamentos RANS. A porta VLM sinalizou um erro de convenção de sinal em um extrator de comprimento de reatachamento e triou uma saída $k$-$\varepsilon$ como inconsistente com a física de escoamento separado, impedindo que o sistema emitisse uma classificação defeituosa.
• T2 (Revarredura de Jato/Pluma): Executou uma varredura de número de Reynolds de 7 casos, recuperando a escala de velocidade esperada. O sistema sinalizou um caso anômalo onde a média da linha central colapsou.
• T3 (Viscosidade Personalizada): Escreveu, compilou e validou autonomamente uma biblioteca de viscosidade de lei de potência personalizada, reproduzindo o limite newtoniano ($n=1$) com erro inferior a 0,5%.
• T4 (Modificador SA Personalizado): Compilou uma variante de Spalart–Allmaras com correção de gradiente de pressão adverso (APG). Validou o caminho de código personalizado contra um caso de controle ($APG=0$) e gerou sobreposições de $C_f$ alinhadas com DNS.
• T5 (Descoberta Aberta): Em um loop autônomo de 44 iterações, o sistema descobriu uma correção de tempo de execução quadrupolar para o modelo Spalart–Allmaras na colina periódica ($Re_h=5600$). Esta modificação reduziu o RMSE do atrito na parede inferior ($C_f$) contra DNS em 7,89% (de 0,004297 para 0,003958).

Estudo de Ablação:
Em uma ablação com falhas plantadas envolvendo 16 erros injetados em quatro tipos de escoamento, a porta VLM detectou 14 de 16 falhas (87,5% de recall). Alcançou 100% de recall em entregáveis ausentes, magnitudes incorretas e pós-processamento quebrado, mas apenas 50% de recall em execuções de convergência truncadas (onde o tempo de simulação foi editado para corresponder ao estado truncado, tornando-o visualmente completo).

Comparação:
Comparado ao ARIS e ao DeepScientist sob custos LLM equivalentes, as baselines executaram fluxos de trabalho parciais, mas careciam de portas de validade específicas do domínio. Frequentemente emitiram classificações de fechamento ou correlações sem independência de malha ou validação DNS. O AI CFD Scientist foi mais conservador, retendo afirmações quando as evidências estavam incompletas e garantindo que todas as afirmações fossem respaldadas por figuras validadas.

Significado e Afirmações

O artigo afirma que o AI CFD Scientist representa um passo significativo em direção à descoberta computacional de dinâmica dos fluidos de abertura. Seu significado reside em:

• Fechar o Ciclo: Ir além da simples configuração de casos para um ciclo completo de ideação, execução, verificação e escrita.
• Fundamentação Física: Demonstrar que a integração de uma porta visão-linguagem é necessária para converter simulações executáveis em afirmações científicas defensáveis, pois os logs do solver sozinhos são insuficientes para validade física.
• Descoberta Autônoma: Mostrar que um agente de IA pode modificar autonomamente o código-fonte para descobrir correções inovadoras de modelos de turbulência que melhoram o acordo com dados DNS de alta fidelidade.
• Base para a Comunidade: Fornecer uma estrutura de código aberto e inspecionável para automação científica específica de CFD, contrastando com alternativas de código fechado ou de cobertura parcial.

Os autores permanecem modestos, observando que o sistema é atualmente uma ferramenta de "assistência científica supervisionada" em vez de um motor de publicação desatendido, e que a avaliação depende da leitura manual de artefatos por especialistas devido à falta de rubricas automatizadas para artigos de CFD. Os resultados são limitados pelo único backbone utilizado (GPT-5.5) e pelas tarefas específicas testadas.