MetaOpenFOAM：基于 LLM 的 CFD 多智能体框架
内容提要
本文介绍了一种结合机器学习与计算流体动力学（CFD）的元学习方法，旨在提高少量数据下的模型表现。研究探讨了大型语言模型（LLMs）在能源领域的应用，开发了多代理工具调用过程，整合专家知识与LLM推理。通过与有限元模块结合，展示了LLMs在设计优化中的潜力，成功率高达90%。此外，提出了自组织多代理框架，提升了大规模代码生成的效率和准确性。
延伸解读
LLM在CFD中的参数规模需求
文章评估了LLama3、Qwen1.5和GPT等模型在燃气轮机分析中的表现，发现较小模型在工具使用和参数提取上存在困难，而较大模型表现更好。基于测试结果，作者推测近1000亿参数的LLM通过精调和先进提示设计可满足专业场景需求。这提示读者，在CFD等专业领域应用LLM时，模型规模仍是关键因素，但并非唯一，精调和提示设计同样重要。
多智能体框架的协同优势
文章介绍了多种多智能体框架，如自组织多代理框架（SoA）和MechAgents。SoA通过自组织代理独立生成和修改代码组件，并能根据问题复杂度自动增加代理数量，在HumanEval基准上Pass@1准确率超过单代理基准5%。这表明多智能体协作能有效处理大规模复杂任务，提升代码生成效率，为工程问题自动化解决提供了新思路。
LLM与数值模拟的集成效果
文章展示了将预训练LLM与有限元模块集成的框架，通过迭代优化桁架结构，LLM代理能以高达90%的成功率生成符合自然语言规范的设计，但成功率受约束条件影响。这证明了LLM在工程设计优化中的潜力，尤其是结合结构化反馈时，能自主推理和改进设计。然而，成功率的变化也提醒读者，实际应用中需考虑约束复杂性。
Q&A
MetaOpenFOAM 的元学习方法如何提高 CFD 模型的表现？
MetaOpenFOAM 通过使用模型无关的元学习器，在处理少量特定任务数据时，提高了机器学习在计算流体动力学中的表现。
大型语言模型在能源领域的应用有哪些？
大型语言模型在能源领域的应用包括燃气轮机的燃气通道分析和整合专家知识与 LLM 推理的双代理工具调用过程。
MetaOpenFOAM 如何实现高效的数据交换？
MetaOpenFOAM 利用开源软件 OpenFOAM 和 SmartSim，通过 SmartSim 实现 ML 与 CFD 客户端之间的高效数据交换。
MetaOpenFOAM 中的多智能体系统框架有什么特点？
该框架包括观测、推理、决策和总结四种类型的智能体，能够自动化数字孪生中的过程模拟参数化。
MetaOpenFOAM 的成功率如何？
通过将预训练的 LLMs 与有限元模块集成，MetaOpenFOAM 在设计优化中实现了高达 90% 的成功率。
自组织多代理框架 (SoA) 的优势是什么？
SoA 能够实现大规模代码的可扩展和高效生成优化，动态增加代理数量以应对问题复杂度，显著提高代码生成效率。
