面向 LLM 驱动的自主燃烧研究：面向自我纠正建模工作流程的文献感知智能体
机器学习
2026-01-06 v1 流体动力学
摘要
大语言模型 (LLM) 的快速演进正在使人工智能成为自主研究合作伙伴，但在复杂科学领域如燃烧建模中仍存在关键鸿沟。本文介绍了 FlamePilot，一种 LLM 智能体，旨在通过自动化和自我纠正的 CFD 工作流程赋能燃烧建模研究。FlamePilot 区别于其他方法的关键在于其架构利用原子工具确保在 OpenFOAM 和 DeepFlame 等扩展框架中复杂仿真的稳健设置和执行。该系统还能够从科学文献中学习，提取关键信息以指导仿真从初始设置到优化结果。基准测试显示，FlamePilot 实现了完美的 1.0 可执行性得分和 0.438 的成功率，显著优于先前报告的最佳智能体得分 0.625 和 0.250。此外，针对中等或强烈低氧稀释 (MILD) 燃烧仿真的详细案例研究表明，其作为协作性研究伙伴的有效性——FlamePilot 在最小的人类干预下自主将研究论文转化为配置仿真、执行仿真、后处理结果、提出基于证据的改进建议，并管理多步骤参数研究以收敛。通过采用透明且可解释的范式，FlamePilot 建立了 AI 赋能燃烧建模的基础框架，促进了智能体管理工作流程编排，使研究人员能够专注于高层次分析。
关键词
引用
@article{arxiv.2601.01357,
title = {Towards LLM-enabled autonomous combustion research: A literature-aware agent for self-corrective modeling workflows},
author = {Ke Xiao and Haoze Zhang and Runze Mao and Han Li and Zhi X. Chen},
journal= {arXiv preprint arXiv:2601.01357},
year = {2026}
}