利用参数化模拟潜在基础模型对PDE空间的Agentic探索

摘要

流动物理以及更广泛地由偏微分方程（PDE）支配的物理现象，本质上是连续、高维且常常混沌的。传统上，研究者通过实验室实验和/或计算昂贵的数值模拟来探索这些丰富的时空PDE解空间。这严重限制了自动化和大规模探索，不像药物发现或材料科学等领域，其离散、可词元化的表示天然适合与大语言模型对接。我们通过把多智能体LLM与潜在基础模型（LFM）耦合来应对这一问题，LFM是参数化模拟之上的生成模型，学习流场的显式、紧凑且解耦的潜在表示，支持跨控制PDE参数与边界条件的连续探索。LFM充当按需代理模拟器，使智能体能以可忽略的成本查询任意参数配置。分层智能体架构通过假设、实验、分析和验证的闭环编排探索，其工具模块化接口无需用户支持。应用于Re = 500下的串联圆柱绕流，该框架自主评估了超过1,600个参数-位置组合，并发现发散的标度律：最小位移厚度存在依赖流态的双模态结构，而最大动量厚度则呈稳健的线性标度，且两个景观都在近尾迹向共脱涡流态转变处显现双极值结构。学习到的物理表示与智能体推理的耦合，为PDE支配系统中的自动化科学发现确立了一般范式。

利用参数化模拟潜在基础模型对PDE空间的Agentic探索 — 图1：多智能体探索框架概览。用户指定的任务启动探索回路：Planner 在参数空间 𝒫 \mathcal{P} 上制定采样策略，Analyst 通过模块化工具接口执行这些策略，该接口将物理查询路由到潜在基础模型（latent foundation model, LFM）以按需生成流场，Critic 则在更新共享知识库之前验证输出。这一策略、实验与验证的闭环持续进行，直至满足收敛准则，随后 Writer 将发现综合为结构化报告。