精选理由
做有限元仿真的工程师和研究者终于有了一个既省力又可靠的 AI 助手——LLM 只负责理解需求，核心求解器由人类专家编写，避免了自动生成代码的可靠性风险。建议做多物理场仿真的团队点开看看这个架构设计。
该论文提出了一种用于 FEniCS 多物理场有限元仿真的约束自然语言接口。LLM 仅负责前端任务：将用户提示解析为结构化 JSON、为非标准几何生成 Gmsh 代码，并利用重试反馈修正错误。它从不编写 FEniCS 求解器模板、推导弱形式或编写数值求解核心。一个确定性调度器将验证后的规范映射到五个人类编写的 FEniCS/UFL 模板：线弹性、超弹性、弹塑性、热力耦合和相场断裂。在解析器基准测试中，首次有效解析率为 9/15，重试后达到 100%，问题分类准确率 100%，字段提取准确率 97.1%。在自定义几何基准测试中，首次和最终成功率均为 90%。该架构通过约束 LLM 角色，在保持灵活性的同时提高了仿真代码的可靠性。
AI 翻译 · 中文
该论文提出了一种用于 FEniCS 多物理场有限元仿真的约束自然语言接口。LLM 仅负责前端任务：将用户提示解析为结构化 JSON、为非标准几何生成 Gmsh 代码，并利用重试反馈修正错误。它从不编写 FEniCS 求解器模板、推导弱形式或编写数值求解核心。一个确定性调度器将验证后的规范映射到五个人类编写的 FEniCS/UFL 模板：线弹性、超弹性、弹塑性、热力耦合和相场断裂。在解析器基准测试中，首次有效解析率为 9/15，重试后达到 100%，问题分类准确率 100%，字段提取准确率 97.1%。在自定义几何基准测试中，首次和最终成功率均为 90%。该架构通过约束 LLM 角色，在保持灵活性的同时提高了仿真代码的可靠性。
Large language models can reduce the manual effort required to set up finite element simulations, but they introduce reliability risks when generated solver code lies on the critical path. We present a constrained natura…