论文精选

双智能体LLM框架:生成物理约束本构模型,精度与泛化兼得

LLM-driven design of physics-constrained constitutive models: two agents are better than one

精选理由

做材料本构建模的团队终于有了靠谱的AI助手——双智能体框架自动生成物理有效的模型,省去手动校验的繁琐,建议做固体力学或生物力学仿真的开发者点开看看。

AI 摘要

传统本构模型开发需要多年连续介质力学和编程经验,LLM虽能自动生成模型,但单智能体管道缺乏物理一致性检查。研究者提出双智能体框架:Creator智能体根据数据生成模型,Inspector智能体审计模型是否违反9项物理约束,违规则退回修改。在脑组织、实验橡胶和合成橡胶数据集上,使用Claude Opus 4.7和Kimi K2.5测试,Inspector将Opus的物理约束满足率从91%提升至100%,Kimi从37%提升至56%,同时保持高精度和强泛化能力。该框架技术无关,可随LLM能力提升自动扩展,为自动化、物理感知的模型发现开辟新路径。

AI 翻译 · 中文

传统本构模型开发需要多年连续介质力学和编程经验,LLM虽能自动生成模型,但单智能体管道缺乏物理一致性检查。研究者提出双智能体框架:Creator智能体根据数据生成模型,Inspector智能体审计模型是否违反9项物理约束,违规则退回修改。在脑组织、实验橡胶和合成橡胶数据集上,使用Claude Opus 4.7和Kimi K2.5测试,Inspector将Opus的物理约束满足率从91%提升至100%,Kimi从37%提升至56%,同时保持高精度和强泛化能力。该框架技术无关,可随LLM能力提升自动扩展,为自动化、物理感知的模型发现开辟新路径。

arXiv cs.LGDeveloping constitutive models that capture how materials deform under load traditionally requires years of specialized expertise in continuum mechanics, machine learning, and scientific programming. Large language model