使用潜在基础模型进行PDE空间的代理驱动探索用于参数化仿真
摘要
流动物理以及更广泛地说由偏微分方程（PDE）支配的物理现象本质上是连续的、高维的，往往在本质上是混沌的。传统上，研究人员通过实验室实验和/或计算昂贵的数值仿真来探索这些丰富的时空 PDE solution space。这严重限制了自动化和大规模探索，不同于药物发现或材料科学等领域，在这些领域，离散、可标记的表示天然地与大语言模型接口。我们通过将多代理 LLMs 与潜在基础模型（Latent Foundation Models, LFMs）相结合来解决这一问题，LFMs 是一种针对参数化仿真的生成模型，学习显式、紧凑且解耦的流场潜在表示，使其能够在 governing PDE 参数和边界条件之间进行连续探索。LFMs 作为按需的 surrogate simulator，允许代理查询任意参数配置，成本极低。一个层次化代理 architecture 通过假设、实验、分析和验证的闭环来 orchestrate 探索，采用 tool-modular interface，不需要用户支持。应用于 Re = 500 时的 tanden cylinders 过流，我们的框架自主评估了超过 1,600 个 parameter-location 对，发现了发散的 scaling laws：一种用于 minimum displacement thickness 的 regime-dependent two-mode structure，以及用于 maximum momentum thickness 的 robust linear scaling，两者的 landscape 都呈现出在 near-wake 到 co-shedding regime transition 处出现的 dual-extrema structure。将所学到的物理表示与代理推理耦合在一起，确立了一种通用范式，用于自动化的 PDE 支配系统的科学发现。
引用
@article{arxiv.2604.09584,
title = {Agentic Exploration of PDE Spaces using Latent Foundation Models for Parameterized Simulations},
author = {Abhijeet Vishwasrao and Francisco Giral and Mahmoud Golestanian and Federica Tonti and Andrea Arroyo Ramo and Adrian Lozano-Duran and Steven L. Brunton and Sergio Hoyas and Soledad Le Clainche and Hector Gomez and Ricardo Vinuesa},
journal= {arXiv preprint arXiv:2604.09584},
year = {2026}
}