AutoSurrogate：LLM 驱动的多代理框架，用于自主构建地下流中的深度学习代理模型

地下流的高保真数值模拟计算量很大，尤其是对于不确定性量化和数据同化等多查询任务。深度学习 (DL) 代理可以显着加速正向模拟，但构建它们需要大量的机器学习 (ML) 专业知识 - 从架构设计到超参数调整 - 大多数领域科学家都不具备这些专业知识。此外，该过程主要是手动的，并且严重依赖启发式选择。这种专业知识差距仍然是深度学习替代技术得到更广泛采用的主要障碍。因此，我们推出了 AutoSurrogate，这是一种大型语言模型驱动的多代理框架，使没有 ML 专业知识的从业者能够通过自然语言指令为地下流动问题构建高质量的代理。给定模拟数据和可选首选项，四个专门代理协作执行数据分析、模型库中的架构选择、贝叶斯超参数优化、模型训练 以及针对用户指定阈值的质量评估。该系统还可以自主处理常见的故障模式，包括在出现数值不稳定时重新启动调整配置的训练，以及在预测准确性达不到目标时切换到替代架构。在我们的设置中，单个自然语言句子足以生成可部署的代理模型，在任何中间阶段都需要最少的人工干预。我们展示了 AutoSurrogate 在 3D 地质碳储存建模任务中的实用性，将渗透率场映射到 31 个时间步长的压力和 CO$_2$ 饱和度场。无需任何手动调整，AutoSurrogate 就能够超越专家设计的基线和与领域无关的 AutoML 方法，展示了实际部署的强大潜力。