LLM-driven design of physics-constrained constitutive models: two agents are better than one

Resumo Técnico: Projeto de Modelos Constitutivos Confinados pela Física Impulsionado por LLMs

Declaração do Problema
Desenvolver modelos constitutivos que capturem com precisão a deformação de materiais sob carga exige tradicionalmente anos de expertise especializada em mecânica do contínuo, aprendizado de máquina e programação científica. Embora os Grandes Modelos de Linguagem (LLMs) tenham demonstrado recentemente a capacidade de gerar modelos constitutivos sob demanda, pipelines de agente único existentes carecem de mecanismos sistemáticos para garantir que os modelos resultantes aderam às leis físicas fundamentais. Especificamente, abordagens anteriores como GenCANN (Tacke et al., 2025a) podiam gerar modelos precisos, mas não ofereciam garantia de que as redes geradas satisfizessem restrições hiperelásticas críticas, como consistência termodinâmica, objetividade, simetria do material e policonvexidade. Essa lacuna limita a confiabilidade e a usabilidade prática de modelos gerados por LLMs em aplicações de engenharia.

Metodologia
Os autores introduzem um framework impulsionado por LLMs multiagente projetado para fechar a lacuna entre a geração de modelos e a validação física. O sistema emprega dois agentes especializados:

1. O Agente Criador: Responsável por propor um modelo constitutivo adaptado a dados experimentais específicos. Ele gera uma implementação em Python de uma Rede Neural Artificial Constitutiva (CANN), focando no ajuste aos dados enquanto tenta aderir a restrições físicas por construção.
2. O Agente Inspetor: Responsável por auditar criticamente a proposta do Criador contra nove restrições físicas específicas exigidas para modelos hiperelásticos admissíveis:
   • Consistência termodinâmica
   • Simetria do tensor de tensão
   • Objetividade
   • Simetria do material
   • Policonvexidade (implicando elipticidade/estabilidade)
   • Condição de crescimento volumétrico
   • Normalização de energia
   • Normalização de tensão
   • Não negatividade da energia de deformação

O fluxo de trabalho opera como um loop de refinamento. O Criador gera um modelo, que passa por verificações sintéticas automatizadas. Implementações válidas são passadas ao Inspetor, que as avalia contra as nove restrições. Se violações forem detectadas, o Inspetor retorna o modelo com justificativas específicas ao Criador para refinamento. Este ciclo se repete, com o par realizando duas rodadas de refinamento após a geração inicial. O sistema seleciona o modelo mais preciso entre os três candidatos aprovados pelo Inspetor produzidos em uma única execução.

O estudo utiliza dois backbones de LLM: o proprietário Claude Opus 4.7 e o de código aberto Kimi K2.5. O framework é testado em três conjuntos de dados de referência: tecido cerebral humano (desafiador, dados esparsos), borracha experimental (Treloar, 1944) e borracha sintética (permitindo o cálculo de tensão de verdade fundamental para testes de extrapolação).

Principais Contribuições

1. Primeira Arquitetura Multiagente para Modelagem Constitutiva: O artigo apresenta o primeiro sistema onde um Criador e um Inspetor colaboram para gerar modelos constitutivos confinados pela física. Isso separa a tarefa generativa da tarefa de verificação, um princípio de design que demonstrou melhorar a correção factual e o raciocínio em outros domínios de LLM.
2. Melhoria Quantificável na Aderência Física: O estudo demonstra que adicionar o Inspetor aumenta significativamente a confiabilidade da saída. Para o Claude Opus 4.7, a parcela de modelos exportados que satisfazem todas as restrições físicas subiu de 91% (Criador sozinho) para 100%. Para o Kimi K2.5, aumentou de 37% para 56%.
3. Paradigma Agnóstico à Técnica: Embora demonstrado usando CANNs, os autores formulam o loop Criador-Inspetor como um modelo geral aplicável a Redes Neurais Aumentadas pela Física (PANNs), KANs Constitutivos (CKANs) ou leis simbólicas, escalando automaticamente com futuras capacidades de LLM.

Resultados

• Validade Física: A abordagem multiagente alcançou aderência física perfeita (100%) para o backbone Opus e uma melhoria substancial para o Kimi. O Inspetor provou ser altamente eficaz na detecção de violações, particularmente no que diz respeito à simetria do material e à elipticidade.
• Precisão e Generalização: Os modelos gerados mantiveram precisão próxima à linha de base em comparação com CANNs projetados por humanos. Em conjuntos de dados de borracha, alcançaram previsões quase perfeitas nos dados de treinamento. Crucialmente, demonstraram capacidades notáveis de generalização e extrapolação em caminhos de carregamento não vistos (por exemplo, o plano invariante de Treloar), performando de forma comparável ou superior às linhas de base em cenários de extrapolação.
• Dinâmicas de Colaboração: O par Criador-Inspetor mostrou colaboração eficaz. Para o Opus, 93% das novas violações sinalizadas pelo Inspetor foram resolvidas na próxima iteração. O Kimi mostrou uma taxa de resolução menor (69%) e uma tendência a ficar preso em ciclos de violações repetidas, embora ainda tenha melhorado a confiabilidade geral.
• Uso de Ferramentas: Quando o Inspetor recebeu acesso a ferramentas de validação numérica, o Opus as usou de forma parcimoniosa e seletiva, enquanto o Kimi exibiu um comportamento bimodal (chamando todas as ferramentas ou nenhuma). O acesso a ferramentas melhorou a aderência do Kimi para 73%, mas reduziu ligeiramente o desempenho do Opus devido à superconfiança em restrições específicas.

Significado e Alegações
O artigo alega que separar a geração da inspeção transforma a modelagem constitutiva impulsionada por LLMs em um "processo genuinamente confiável". O significado principal reside na produção de modelos que são simultaneamente fisicamente válidos, altamente precisos e capazes de extrapolação confiável — uma combinação anteriormente difícil de alcançar com métodos automatizados.

Os autores posicionam este trabalho como um passo em direção à descoberta de modelos automatizada e consciente da física. Eles enfatizam que o paradigma é deliberadamente agnóstico à técnica e projetado para escalar com avanços na capacidade de LLM. Ao alcançar 100% de aderência física para um modelo de fronteira em materiais hiperelásticos, isotrópicos e incompressíveis, o estudo estabelece um marco para o uso confiável de LLMs na modelagem constitutiva, indo além da geração "caixa preta" para o projeto "confinado pela física". Os autores observam que, embora a configuração atual envolva restrições predefinidas e ferramentas codificadas manualmente, o framework está pronto para se tornar mais autônomo à medida que os LLMs melhoram em raciocínio e geração de código.