🔬 materials science

AutoMOOSE: Use Case and Logical Views of Agentic Phase-Field Simulation Software

Este artigo apresenta o framework AutoMOOSE, um sistema de software agêntico que traduz solicitações em linguagem natural em simulações de campo de fase MOOSE executadas, rastreadas e interpretadas, detalhando sua arquitetura, o pipeline de seis agentes e mecanismos de falsificação física e reparo automático para aumentar a extensibilidade e a interoperabilidade no design de materiais multifísicos.

Autores originais: Sukriti Manna, Henry Chan, Subramanian Sankaranarayanan

Publicado 2026-08-24

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sukriti Manna, Henry Chan, Subramanian Sankaranarayanan

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da ciência dos materiais, pesquisadores frequentemente precisam prever como estruturas minúsculas dentro de um sólido mudarão ao longo do tempo. Imagine um bloco de metal ou uma cerâmica; sob as condições certas, os grãos microscópicos que compõem o material irão crescer, encolher ou se rearranjar. Para entender essas mudanças antes de construir algo em um laboratório, os cientistas usam um método computacional poderoso chamado simulação de campo de fase (phase-field). Este método atua como um microscópio virtual, rastreando como as fronteiras entre diferentes partes de um material se movem e evoluem. No entanto, executar essas simulações sempre foi uma tarefa difícil, reservada a especialistas. Para fazer o computador trabalhar, um usuário deve escrever um conjunto longo e complexo de instruções manualmente, especificando cada detalidade do ambiente virtual. Se mesmo um pequeno erro for cometido nessas instruções, o computador pode executar a simulação e produzir um resultado que parece real, mas é na verdade um absurdo, ou pode simplesmente falhar sem explicar o porquê. Essa barreira tem impedido que muitas ideias brilhantes sejam testadas, já que o tempo gasto corrigindo o código muitas vezes supera o tempo dedicado à ciência propriamente dita.

Uma equipe de pesquisadores construiu um novo sistema de software chamado AutoMOOSE para remover essa barreira. Em vez de pedir a um humano que escreva as instruções complexas, o AutoMOOSE permite que um usuário simplesmente digite um pedido em linguagem natural, como "simular como os grãos de cobre crescem a uma temperatura específica". O software então assume todo o processo. Ele não apenas adivinha a resposta; ele atua como uma equipe de assistentes digitais especializados que trabalham juntos para construir a simulação, executá-la, verificar se o resultado faz sentido e explicar o que aconteceu. O sistema é projetado de modo que, se a simulação produzir um resultado fisicamente impossível, ele não apenas o aceite. Em vez disso, uma parte específica do software sinaliza o erro e interrompe o processo, garantindo que apenas resultados verificados sejam apresentados ao usuário.

O núcleo deste trabalho é o design do próprio software, que os autores descrevem usando um mapa claro de como as diferentes partes interagem. O sistema é construído em torno de um pipeline de seis agentes distintos, ou trabalhadores digitais, cada um com um trabalho específico. O primeiro agente ouve o pedido humano e cria um plano. O segundo agente escreve o código de computador real necessário para rodar a simulação. O terceiro agente lança a simulação em um computador potente. Assim que a simulação termina, um quarto agente verifica se o computador rodou com sucesso e se os dados estão legíveis. Então vem uma etapa crucial: um sexto agente, chamado Cético, examina os resultados para ver se eles obedecem às leis básicas da física. Por exemplo, em uma simulação de crescimento de grãos, o número de grãos não deve aumentar espontaneamente, e o tamanho dos grãos deve seguir um padrão previsível ao longo do tempo. Se o Cético encontrar uma violação, ele rejeita o resultado.

O que torna este sistema único é como ele lida com erros. Em muitos sistemas automatizados, se um resultado parece errado, o software pode tentar consertá-lo imediatamente e continuar. O AutoMOOSE separa o ato de encontrar um erro do ato de consertá-lo. Quando o Cético encontra um problema, ele não tenta reparar o código em si. Em vez disso, ele passa o veredito para um módulo de recuperação separado. Este módulo é muito conservador; ele apenas faz pequenos e seguros ajustes nos números que controlam como o computador calcula os passos, como tornar os passos de tempo menores ou refinar o tamanho da grade. Ele nunca altera as propriedades físicas do material que o usuário pediu para estudar. Se o módulo de recuperação fizer uma alteração, a simulação é executada novamente do zero. O Cético então verifica o novo resultado de forma independente. Somente se o novo resultado passar no teste é que ele é aceito. Esta separação rigorosa garante que o resultado final não seja apenas um conserto rápido, mas uma simulação verificada e confiável.

Os pesquisadores testaram este framework com um conjunto específico de tarefas envolvendo o crescimento de grãos em um material. Eles mostraram que o sistema pode receber um pedido em linguagem natural, gerar o código necessário, rodar a simulação e interpretar os resultados sem qualquer intervenção humana. O software lidou com sucesso com todo o fluxo de trabalho, incluindo a detecção de erros e a recuperação deles. O sistema também é projetado para ser flexível. Se os pesquisadores quiserem estudar um tipo diferente de comportamento de material, eles podem adicionar um novo "plugin", que é uma pequena peça de código que ensina o sistema a escrever instruções para aquele problema de física específico. Isso significa que o software pode ser expandido para lidar com muitos tipos diferentes de materiais sem a necessidade de reescrever todo o sistema.

Os autores enfatizam que este trabalho é sobre a arquitetura do software, o projeto que o torna confiável e reutilizável. Embora os resultados científicos das simulações sejam relatados em um estudo separado, este artigo foca em como o sistema é construído para ser seguro, transparente e fácil de usar. Ao separar os papéis de planejamento, execução, verificação e correção, o sistema cria um registro de cada etapa tomada, desde o pedido inicial até o resultado final verificado. Esta abordagem permite que cientistas que não são especialistas em codificação de computador executem simulações complexas, garantindo ao mesmo tempo que os resultados sejam submetidos a um alto padrão de precisão física. O software está agora disponível para que outros possam usar e desenvolver, oferecendo uma nova maneira de construir uma ponte entre uma ideia simples e um experimento científico rigoroso.

Com base no artigo fornecido, aqui está um resumo técnico detalhado do AutoMOOSE.

Declaração do Problema

A simulação de campo de fase é um pilar da ciência dos materiais computacional, mas utilizar solvers multifísicos gerais como o Multiphysics Object-Oriented Simulation Environment (MOOSE) exige perícia significativa. Os autores devem elaborar manualmente arquivos de entrada que codificam malhas, variáveis de campo, núcleos de energia livre, condições de contorno e configurações de solver. Este processo é propenso a erros; pequenos erros nos arquivos de entrada são frequentemente indistinguíveis de resultados fisicamente significativos até serem inspecionados manualmente. Além disso, traduzir a intenção científica em um input do MOOSE sintaticamente válido e fisicamente significativo, executar a simulação, diagnosticar falhas e interpretar resultados normalmente requer conhecimento especializado do solver, criando uma barreira para pesquisadores, estudantes e desenvolvedores de IA para a ciência.

Soluções existentes ficam aquém: o próprio MOOSE é um framework de solver que não elabora inputs nem julga resultados; motores de workflow (ex: Parsl, FireWorks) orquestram campanhas, mas assumem que os inputs já existem e não raciocinam sobre a física; e assistentes de codificação de modelos de linguagem genéricos podem redigir inputs, mas carecem de restrições específicas do solver, capacidades de execução ou registros auditáveis.

Metodologia

O AutoMOOSE é um framework de software agêntico projetado para converter solicitações em linguagem natural em simulações de campo de fase MOOSE executadas, rastreadas e interpretadas. O sistema emprega um pipeline de seis agentes orquestrado por um backend, acoplado a uma camada de plugin de física e uma interface de Protocolo de Contexto de Modelo (MCP).

1. Visões Arquiteturais
O artigo descreve o sistema usando o modelo de visões arquiteturais 1+5, especificamente as visões de Caso de Uso e Lógica, para garantir consistência estrutural e operacional:

Visão de Caso de Uso: Define três papéis (Pesquisador, cliente otimizador de IA, desenvolvedor de plugin) e sete funções (gerar, rodar, varrer, rastrear, falsificar, recuperar, interpretar).
Visão Lógica: Detalha a estrutura do código-fonte (componentes) e operações de tempo de execução (diagramas de sequência).

2. O Pipeline de Seis Agentes
O backend orquestra um pipeline linear onde os agentes enriquecem um registro de execução compartilhado ( $S = f_5 \circ f_6 \circ f_4 \circ f_3 \circ f_2 \circ f_1(U)$ ):

$f_1$ Arquiteto: Planeja a simulação com base na solicitação do usuário.
$f_2$ Escritor de Input: Gera o arquivo de entrada do MOOSE (.i).
$f_3$ Executor (Runner): Executa o solver (localmente ou via SLURM em HPC).
$f_4$ Revisor: Realiza o rastreamento da execução (verifica a conclusão e a saída analisável).
$f_6$ Cético: Realiza a falsificação por invariante físico. Ele testa os resultados contra invariantes específicos (ex: leis de conservação, limites assintóticos, relações de escala), mas nunca repara a simulação.
$f_5$ Agente de Visualização: Interpreta e visualiza os resultados rastreados e críveis.

3. Separação de Falsificação e Recuperação
Uma característica distinta da arquitetura é a separação da detecção e da correção. O Cético ( $f_6$ ) identifica resultados fisicamente implausíveis (falsificação), mas não os modifica. Um módulo de recuperação de loop fechado separado ($recovery.py$) atua apenas em falhas recuperáveis e falsificadas (ex: divergência do passo de tempo).

Recuperação Limitada: As correções limitam-se a controles numéricos e de discretização (ex: reduzir o passo de tempo pela metade, refinar a malha, estender janelas de integração). Parâmetros físicos (constantes de material, coeficientes de energia livre) nunca são alterados.
Trilha de Auditoria: Cada correção é registrada, e uma execução corrigida só é aceita se completar o ciclo de forma independente e o Cético a admitir novamente. A recuperação é limitada a três tentativas por tarefa.

4. Extensibilidade e Interfaces

Plugins de Física: Novos domínios de física são adicionados via uma camada de plugin (automoose/plugins/). Os plugins definem metadados, geram strings de input e, opcionalmente, analisam resultados. Os agentes e o backend permanecem agnósticos à lógica interna da física.
Agnosticismo de Modelo: Chamadas de modelos de linguagem são roteadas através de um cliente independente de provedor, permitindo que o framework utilize vários backends (ex: Claude, Qwen, Llama) sem mudanças no código.
Interfaces: Usuários podem interagir via um frontend React ou programaticamente via um servidor MCP (expondo 10 ferramentas) e um backend REST FastAPI.

Principais Contribuições

Framework Agêntico para Computação Científica: O AutoMOOSE acopla o raciocínio de modelos de linguagem a uma arquitetura de software restrita (plugins, controle de execução, agentes de verificação) para produzir simulações executadas e rastreadas, em vez de apenas rascunhos de inputs.
Design Epistêmico (Falsificação vs. Reparo): O framework separa explicitamente a detecção de implausibilidade física da correção de falhas numéricas. Isso garante que as simulações corrigidas permaneçam inspecionáveis e devam ser readmitidas pelo Cético antes da aceitação, mantendo o rigor científico.
Documentação Arquitetural 1+5: O artigo fornece uma conta estrutural e operacional rigorosa de um sistema agêntico usando visões de Caso de Uso e Lógica, garantindo que papéis e componentes sejam consistentes entre o design e o tempo de execução.
Reprodutibilidade e Proveniência: Cada execução gera um registro estruturado (JSON) que vincula a intenção em linguagem natural ao output numérico, incluindo identidade do modelo, parâmetros, hashes de arquivos de input e vereditos dos agentes. Este registro serve como a unidade de reprodutibilidade, eliminando a necessidade de consultar novamente o modelo de linguagem para reexecução.
Extensibilidade Baseada em Plugins: A arquitetura permite a adição de novos domínios de física (ex: crescimento de grão, decomposição espinodal) sem modificar a lógica central dos agentes, desde que o plugin siga o esquema.

Resultados e Validação

O artigo foca primariamente na arquitetura de software e no design.

Validação Científica: O desempenho quantitativo (taxas de passagem de benchmark, recuperação de energia de ativação e validação na decomposição espinodal Fe–Cr) é relatado em um artigo complementar [11].
Capacidades Atuais: A versão lançada (v0.2.0) inclui dois plugins "prontos": crescimento de grão (dinâmica de Allen–Cahn) e decomposição espinodal (dinâmica de Cahn–Hilliard). Dois plugins adicionais (solidificação, ferroelétrico) são fornecidos como templates "stub" para desenvolvimento.
Infraestrutura de Testes: O repositório inclui um conjunto de avaliação de 25 tarefas de crescimento de grão, scripts de validação de recuperação e uma suíte de testes unitários offline que roda sob integração contínua (CI) usando um backend de modelo mock determinístico para verificar descoberta de plugins, validação de esquema e contratos de ferramentas MCP sem exigir chamadas de API de LLM ao vivo.

Significância e Alegações

Os autores alegam que o AutoMOOSE aborda a barreira da elaboração de inputs na ciência dos materiais computacional ao automatizar a tradução da intenção científica em simulações executadas. Sua significância reside em:

Democratização: Permitir que pesquisadores e estudantes executem simulações complexas do MOOSE sem profunda perícia em sintaxe de arquivos de entrada.
Confiabilidade: Ao integrar a falsificação por invariante físico e a recuperação limitada, o sistema reduz o risco de propagar resultados sem sentido físico.
Interoperabilidade: A separação da camada de plugin do pipeline de agentes torna o framework portátil entre diferentes solvers (não apenas o MOOSE) e backends de modelos de linguagem.
Auditabilidade: O registro persistente de execução e a separação de falsificação do reparo fornecem um fluxo de trabalho transparente e inspecionável, adequado para publicação científica e loops de otimização automatizados.

O artigo conclui que a arquitetura descrita é o que torna o framework portátil, extensível e inspecionável, servindo como um modelo para envolver outros solvers científicos com agentes restritos por plugins e loops de verificação separados.

Declaração do Problema

Metodologia

Principais Contribuições

Resultados e Validação

Significância e Alegações

Mais como este