Agent能否可靠生成PDE仿真规格？新研究给出答案

将工程需求转化为可执行的仿真，需要几何、物理、边界条件和数值设置保持一致。近期，一项研究系统评估了AI智能体在自动化PDE仿真中构建完整JSON规格的能力，并提出了结合科学检查与显式澄清的工作流。

核心问题：执行成功不等于规格正确

研究指出，虽然智能体辅助系统能够自动化仿真设置，但仅凭成功执行并不能证明规格保留了原始问题的意图，也无法判断系统是否妥善处理了缺失信息。为此，作者将评估拆分为三个独立维度：规格正确性、执行完成度与数值验证。

偏微分方程（PDE）仿真是工程与科学计算中的核心手段，用于近似求解描述物理场（如流体流动、结构变形、热传导）的偏微分方程。一次完整的仿真设置通常需要明确几何区域、材料属性、控制方程、边界条件、初始条件以及数值离散参数（如网格尺寸、时间步长、求解器容差）。这些要素共同构成仿真的“JSON规格”——一种结构化的配置文件，用于驱动仿真软件执行。规格中的任何遗漏或错误都可能导致仿真结果偏离真实物理意图，即使求解器成功收敛并输出结果。因此，仿真设置的正确性必须与执行状态分开评估，这正是原文强调“执行成功不等于规格正确”的技术背景。

工作流设计：模型提取 + 确定性检查 + 显式澄清

该工作流将模型提取与确定性科学及能力检查相结合，并引入显式澄清环节。当信息不足时，系统会主动询问而非猜测；对于已接受的字段，则通过经过验证的局部补丁进行修复，确保不相关字段不被意外修改。这种设计旨在实现可追溯、经工程师审核的仿真辅助。

确定性科学检查指不依赖概率模型、而是基于物理规律和数值稳定性准则的规则验证。例如，检查边界条件是否覆盖所有边界、材料参数是否在物理合理范围内、时间步长是否满足CFL条件、网格是否足够分辨关键梯度等。这类检查可以自动执行且结果可复现，与LLM的概率性输出形成互补。显式澄清则是一种交互设计：当请求中缺少必要信息（如未指定入口流速或壁面热通量）时，系统不猜测默认值，而是向用户提出具体问题。局部补丁修复指仅修改JSON中经检查确认有误的字段，而不重新生成整个规格，从而避免对已正确字段的意外扰动，保证修改的可追溯性。

实验结果：完整工作流显著优于基线

在120个模板相关请求上，完整工作流在首轮规格与决策正确率上达到98.3%，而模式辅助的单次尝试为92.5%，仅模型方案为82.5%，分别提升5.8和15.8个百分点。在42个需要澄清或拒绝的请求中，该工作流没有做出任何错误的“就绪”决策。组件消融实验进一步确认了科学检查和条件修复的贡献。

下游验证：从1D到复杂3D几何

独立的下游研究覆盖了1D、2D和3D的稳态与非稳态、线性与非线性问题，包括具有复杂三维机翼几何的流动与弹性问题。一个包含30个案例的图库展示了基于保留的JSON规格的自动化执行。在12个选定的实时用户到结果测试中，有9个实现了规格、执行、导出和数值参考的联合成功，成功率为75.0%。

稳态与非稳态问题的区别在于是否包含时间导数项：稳态问题求解平衡状态，非稳态问题需时间推进。线性与非线性问题则取决于控制方程中未知量之间的关系，非线性问题（如Navier-Stokes方程中的对流项、大变形弹性）通常需要迭代求解且对初值敏感。三维机翼几何的流动与弹性问题属于多物理场耦合场景，涉及流体载荷下的结构变形，对几何保真度、网格质量和耦合界面处理要求极高。这些下游案例的多样性用于检验工作流生成的JSON规格能否在真实工程复杂度下保持可执行性与数值可信度。

局限与展望

尽管结果积极，但新响应回归测试表明一致性仍是需要优先改进的方向。作者认为，在测试范围内，这些结果支持可追溯、经工程师审核的仿真辅助，但距离完全自主仍需持续优化。

更多细节可参考原论文。