在具有多物理场功能的人工智能助手 MOOSEnger 中部署前沿代理技术

多物理场面向对象仿真环境 (MOOSE) 是一个用于构建多物理场仿真应用程序的开源有限元框架。有效地使用多物理场环境需要专门的专业知识，这给许多领域的科学家和工程师造成了障碍。 MOOSEnger 由爱达荷国家实验室 (INL) 开发，是为 MOOSE 框架构建的特定领域、支持工具的 AI 代理。这项工作通过专注于本地托管模型的工具扩展了 MOOSEnger。该工具为代理提供了完整的管道：它从 MOOSE 存储库检索上下文知识，通过与模拟可执行环境交互来验证和诊断结果输入，并提取经验教训并将其存储在持久内存中。由此产生的框架在国家反应堆创新中心虚拟试验台 (VTB) 的工程问题上进行了演示，说明了其支持现实多物理场仿真工作流程的潜力。此外，还根据不同类别评估代理性能，包括扩散、纳维-斯托克斯、相场、塑性、多孔介质流动、固体力学、瞬态传热和反应器网格生成。每个类别包含 25 个提示/案例。我们将 MOOSEnger-Gemma4 与 MOOSEnger-GPT-5.2 以及没有代理功能的基线 Gemma4 和 GPT-5.2 进行比较。 MOOSEnger-GPT-5.2 显示出轻微的优势，成功率达到 90%，而 MOOSEnger-Gemma4 的成功率为 76.5%。基线模型的表现要差得多，仅为 5\% (GPT-5.2) 和 0\% (Gemma4)，这凸显了代理控制的影响。