Resumo Técnico: AutoFOAM – O Agente Autônomo de Auto-Refinamento para OpenFOAM

Declaração do Problema

A Dinâmica de Fluidos Computacional (CFD) é um pilar fundamental da engenharia moderna, porém, utilizar solvers de código aberto robustos como o OpenFOAM permanece um obstáculo significativo devido à íngreme curva de aprendizado e à necessidade de uma configuração manual meticulosa. Os usuários devem navegar por dicionários C++ interdependentes e sintaticamente rígidos para definir malhas, condições de contorno e esquemas numéricos. Embora os Modelos de Linguagem de Grande Escala (LLMs) tenham mostrado promessa na geração de código, os modelos prontos para uso falham neste domínio ao alucinar palavras-chave não suportadas, falhar em manter a consistência entre arquivos de condições de contorno e carecer da intuição de física de domínio (por exemplo, aplicar restrições de $y^+$ corretas) necessária para configurações numéricas estáveis. Além disso, agentes autônomos enfrentam o risco de "colapso de autodestilação", onde o treinamento baseado em suas próprias saídas falhas degrada rapidamente as capacidades fundamentais.

Metodologia

O AutoFOAM é um agente de LLM totalmente autônomo e autoevoluível, projetado para traduzir prompts de linguagem natural em casos de OpenFOAM sintaticamente corretos e conscientes da física. O sistema é construído sobre um backbone Qwen-2.5-Coder de 14 bilhões de parâmetros, inicialmente ajustado (fine-tuned) em um conjunto de dados deterministicamente curado de 252 prompts cobrindo sete famílias de solvers, treze templates paramétricos de malha e uma política numérica estrita de consciência de $y^+$.

Arquitetura do Sistema

O agente opera via um pipeline composto de oito etapas onde o LLM é invocado apenas em três pontos de decisão semântica (refinamento de prompt, extração de parâmetros e geração de tentativa de reexecução), enquanto as etapas restantes são estritamente determinísticas:

1. Refinamento de Prompt e Extração de Parâmetros: O LLM gera um objeto CFDParams padronizado. Para evitar alucinações estruturais, a geração é restringida por esquemas JSON xgrammar. Uma camada de validação regex post-hoc impõe a consistência física (por exemplo, garantindo que a velocidade característica esteja alinhada com a relação do número de Reynolds $Re = U \cdot L_{char}/\nu$), sobrescrevendo e recalculando automaticamente as condições de contorno se inconsistências forem detectadas.
2. Roteamento Determinístico de Solver: Em vez de confiar no LLM para selecionar os solvers, um algoritmo heurístico mapeia flags de física extraídas (transiente, compressível, térmica, etc.) e números de Reynolds para um de sete solvers validados do OpenFOAM, eliminando o viés de palavras-chave geométricas.
3. Malha, Escrita de Caso, Resolução e Pontuação: O sistema utiliza gmsh para a malha e executa o solver. Uma função de recompensa multiobjetivo ($r \in [0, 1]$) avalia a simulação com base em convergência, conservação de massa, qualidade da malha e tempo de execução. Execuções de alta fidelidade ($r \ge 0,65$) são promovidas ao corpus de treinamento, enquanto execuções intermediárias ($r \ge 0,5$) populam a memória de contexto de tentativa de reexecução.

O Pipeline de Autoevolução de Sete Camadas

Para permitir a melhoria contínua sem colapso do modelo, o AutoFOAM emprega um rigoroso loop de evolução de sete camadas:

• Camada 1 (Autocorreção): Ao detectar divergência ou resíduos NaN, o agente amplia seu contexto para ingerir logs de erro e tenta novamente a extração de parâmetros.
• Camada 2 (Curadoria): Apenas execuções de alta fidelidade ($r \ge 0,65$) são filtradas para o conjunto de dados de treinamento.
• Camada 3 (SFT): Os dados curados passam por uma única época corretiva de QLoRA, seguida por um portão de avaliação fora da distribuição (OOD).
• Camada 4 (DPO): A Otimização de Preferência Direta (Direct Preference Optimization) é aplicada a pares de trajetórias mineradas, contrastando tentativas falhas com suas contrapartes bem-sucedidas e corrigidas para ensinar o modelo a evitar formulações sintáticas específicas que levam à divergência.
• Camada 5 (Mistura de Âncora): Para evitar o esquecimento catastrófico, 30% do corpus de treinamento fundamental é injetado em cada lote de retreinamento.
• Camada 6 (Aprendizado Ativo): O agente identifica sua família de solvers de pior desempenho e gera autonomamente novos seeds variados de parâmetros para reforçar esse domínio.
• Camada 7 (Auditoria de Regressão): Antes da implantação, um diff de texto detalhado ao nível de dicionário é realizado contra uma linha de base fixa para capturar regressões estruturais mascaradas por recompensas escalares.

Mecanismos Anti-Colapso

Para evitar a degeneração durante o auto-treinamento, o sistema utiliza três fluxos complementares:

1. Contexto Aumentado por RAG: Consulta um repositório vetorial de tutoriais validados para injetar estruturas de dicionário análogas quando a geração zero-shot falha.
2. Remendo de Dicionário Cirúrgico: Se ocorrer um erro de arquivo específico (por exemplo, esquema de divergência não suportado), o agente aplica um patch apenas no dicionário problemático em vez de regenerar todo o caso.
3. Parafraseamento de Diversidade de Prompt: Garante que o agente não sofra overfitting a padrões semânticos específicos.

Resultados

O sistema foi avaliado em um conjunto estritamente isolado de 110 prompts fora da distribuição (OOD), variando em fraseologia e vocabulário, através de 13 templates de geometria e 7 famílias de solvers.

• Sucesso de Execução: O agente alcançou uma taxa de sucesso de execução ponta a ponta de 100% (110/110) com zero erros de FOAM FATAL.
• Roteamento de Solver: O agente selecionou corretamente o solver apropriado em 96,4% dos casos (106/110). As quatro incompatibilidades ocorreram em regimes instacionários de baixo Reynolds matematicamente ambíguos, onde o agente selecionou um solver laminar (icoFoam) em vez de um turbulento transiente (pimpleFoam), uma substituição considerada computacionalmente defensável.
• Desempenho de Recompensa: A pontuação média de recompensa de execução foi de 0,64.
• Generalização: O sistema exerceu com sucesso todos os 13 templates de geometria e 7 famílias de solvers sem intervenção manual, gerando fronteiras de polyMesh válidas e parâmetros de turbulência derivados de números de Reynolds extraídos.

Significância e Alegações

O artigo afirma que o AutoFOAM consegue preencher a lacuna entre a intenção de linguagem natural e a execução rigorosa de CFD, eliminando as barreiras cognitivas e sintáticas da configuração manual. Sua principal significância reside na introdução de um pipeline de autoevolução de sete camadas que permite ao agente melhorar continuamente através de auto-jogo, evitando as armadilhas do colapso do modelo. Ao combinar Aprendizado Ativo direcionado, DPO em trajetórias de falha mineradas e Mistura de Âncora sistemática, os autores fornecem um blueprint para escalar as capacidades de agentes dentro de restrições físicas estritas.

O trabalho posiciona o AutoFOAM não apenas como uma ferramenta de inferência estática, mas como um ambiente de código aberto para pesquisar o aprendizado contínuo impulsionado por reforço em domínios científicos. No entanto, os autores mantêm um escopo modesto, reconhecendo limitações atuais: o agente é restrito a 13 templates gmsh pré-definidos (incapaz de processar arquivos CAD brutos como STEP/IGES), limitado a fluxos RANS e laminares padrão, e atualmente carece de um validador de física externo para cruzar resultados com dados empíricos, criando um "gap de validação física" onde soluções numericamente convergentes, mas fisicamente falhas, podem passar pela curadoria.