LLM驱动的物理约束本构模型设计：两个代理优于一个代理

传统上，开发捕捉材料在负载下如何变形的本构模型需要多年的连续介质力学、机器学习和科学编程方面的专业知识。 大语言模型 (LLM) 最近被证明可以通过按需生成本构模型来降低这一障碍，但现有的单代理管道缺乏系统检查，无法确保生成的模型遵守基本物理定律。为了弥补这一差距，我们引入了第一个多代理 LLM 驱动的本构模型生成方法：Creator 代理提出适合数据的模型，而 Inspector 代理根据九个物理约束严格审核每个提案，并在检测到违规时将其返回以进行细化。我们通过本构人工神经网络 (CANN) 演示了这一概念，并使用两种不同的 LLM 主干（Claude Opus 4.7 和 Kimi K2.5），以脑组织和橡胶作为各向同性材料，以猪皮肤组织作为具有首选纤维方向的横向各向同性材料进行基准测试。通过在变形状态、旋转和扰动方向的广泛样本中探测每个约束，以数字方式评估生成的模型是否满足物理约束。添加 Inspector 可以提高通过所有这些检查的导出模型的比例，Opus 从 90\% 提高到 95\%，Kimi 从 47\% 提高到 60\%。此外，生成的模型在准确性方面与专家设计的模型相当甚至超过，可以可靠地推断超出训练数据的范围，并且可以很好地推广到看不见的加载路径。因此，将生成与检查分开，将 LLM 驱动的本构建模变成一个更加值得信赖的过程。该范式故意与技术无关......