基于 LLM 的物理约束本构模型设计：两位智能体优于一人
机器学习
2026-05-25 v1
摘要
开发能够捕捉材料在受力下的变形行为的本构模型传统上需要数年的连续力学、机器学习和科学编程专业知识。 大型语言模型 (LLM) 近期已被证明可通过按需生成本构模型来降低这一门槛, 但现有的单智能体管道缺乏对所生成模型是否遵守基本物理法则的系统性检查。 为弥合这一差距, 我们引入首个多智能体 LLM 驱动的本构模型生成方法: 一个创造者智能体针对数据提出模型, 而一个审查官智能体则对每次提议进行批判性审查, 检查其是否违反九项物理约束, 并在检测到违规时将其返回进行细化。 我们以人工神经网络本构模型 (CANN) 为例进行了概念验证, 并在脑组织、实验橡胶和合成橡胶上进行基准测试, 使用两种不同的 LLM 后端 (Claude Opus 4.7 和 Kimi K2.5)。 添加审查官后, Opus 的模型符合所有物理约束的导出比例从 91% 提升至 100%, Kimi 的模型则从 37% 提升至 56%, 同时保持接近基准的准确率和对未见加载路径的惊人推广能力。 综合来看, 生成的模型在物理有效性、高度准确性和可靠的训练数据外推方面表现优异 - 这些属性共同使其直接可用于实际应用。 将生成与审查分离, 使 LLM 驱动的本构建模成为一个真正可信的过程。 该范式 deliberately 技术中立, 并随着 LLM 能力的进步而自动扩展, 为实现自动化、面向物理的模型发现之路开启了令人期待的前景。
引用
@article{arxiv.2605.23754,
title = {LLM-driven design of physics-constrained constitutive models: two agents are better than one},
author = {Marius Tacke and Matthias Busch and Kian Abdolazizi and Jonas Eichinger and Kevin Linka and Roland Aydin and Christian Cyron},
journal= {arXiv preprint arXiv:2605.23754},
year = {2026}
}