論文の概要: ALL-FEM: Agentic Large Language models Fine-tuned for Finite Element Methods

• arxiv url: http://arxiv.org/abs/2603.21011v1
• Date: Thu, 08 Jan 2026 21:25:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.956882
• Title: ALL-FEM: Agentic Large Language models Fine-tuned for Finite Element Methods
• Title（参考訳）: ALL-FEM:有限要素法用に微調整されたエージェント型大規模言語モデル
• Authors: Rushikesh Deotale, Adithya Srinivasan, Yuan Tian, Tianyi Zhang, Pavlos Vlachos, Hector Gomez,
• Abstract要約: ALL-FEMは、エージェントAIとドメイン固有で微調整されたLLMを統合した、FEniCSコード生成のための自律シミュレーションシステムである。 我々は、キュレートされたエキスパートコードと検索拡張マルチLLMパイプラインを組み合わせることで、1000以上の検証済みFEniCSスクリプトのコーパスを構築する。 我々のエージェントフレームワークは、微調整LDMを用いた特殊エージェントを編成し、問題をPDEとして定式化し、コードを生成し、結果を視覚化する。
• 参考スコア（独自算出の注目度）: 5.727939029920846
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Finite element (FE) analysis guides the design and verification of nearly all manufactured objects. It is at the core of computational engineering, enabling simulation of complex physical systems, from fluids and solids to multiphysics systems. However, implementing FE codes and analyzing simulation results demands expertise across numerical analysis, continuum mechanics, and programming. Conventional Large Language Models (LLMs) can generate FE code, but they hallucinate, lack awareness of variational structures, and cannot close the loop from problem statement to a verified solution. Here, we propose ALL-FEM, an autonomous simulation system that integrates agentic AI with domain-specific, fine-tuned LLMs for FEniCS code generation across solid, fluid, and multiphysics applications. We construct a corpus of 1000+ verified FEniCS scripts by combining 500+ curated expert codes with a retrieval-augmented, multi-LLM pipeline that generates and filters codes for diverse PDEs, geometries, and boundary conditions. We used the corpus to fine-tune LLMs with 3B to 120B parameters. Our agentic framework orchestrates specialized agents, powered by fine-tuned LLMs, to formulate problems as PDEs, generate and debug code and visualize the results. We evaluated the system on 39 benchmarks that include problems of linear/nonlinear elasticity, plasticity, Newtonian/non-Newtonian flow, thermofluids, fluid-structure interaction, phase separation, and transport on moving domains. Embedded in a multi-agent workflow with runtime feedback, the best fine-tuned model (GPT OSS 120B) achieves code-level success of 71.79%, outperforming a non-agentic deployment of GPT 5 Thinking. By showing that relatively small, fine-tuned LLMs, orchestrated through agentic frameworks, can automate FE workflows, ALL-FEM offers a blueprint for autonomous simulation systems in computational science and engineering.
• Abstract（参考訳）: 有限要素解析(FE)は、ほぼすべての製造されたオブジェクトの設計と検証を導く。 計算工学の中核であり、流体や固体から多物理系まで複雑な物理系のシミュレーションを可能にする。 しかし、FEコードの実装とシミュレーション結果の解析には、数値解析、連続体力学、プログラミングの専門知識が必要である。 従来の大言語モデル(LLM)は、FEコードを生成することができるが、幻覚し、変分構造を認識しておらず、問題ステートメントから検証されたソリューションへのループを閉じることができない。 本稿では,エージェントAIをドメイン固有かつ微調整のLLMと統合し,固体,流体,多分野にわたるFEniCSコード生成を行う自律シミュレーションシステムであるALL-FEMを提案する。 我々は,500以上のキュレートされたエキスパートコードと,PDE,ジオメトリ,境界条件のコードを生成しフィルタする多LLMパイプラインを組み合わせることで,1000以上の検証済みFEniCSスクリプトのコーパスを構築する。 コーパスを用いて3Bから120BパラメータのLPMを微調整した。 我々のエージェントフレームワークは、微調整LDMを用いた特殊エージェントを編成し、問題をPDEとして定式化し、コードを生成してデバッグし、結果を視覚化する。 本研究では, 線形/非線形弾性, 塑性, ニュートン/ニュートン流, 熱流体, 流体-構造相互作用, 相分離, 移動領域への輸送などの問題を含む39のベンチマークで評価した。 ランタイムフィードバックを備えたマルチエージェントワークフローに埋め込まれた最高の微調整モデル(GPT OSS 120B)は、コードレベルの成功率71.79%を達成し、GPT 5 Thinkingの非エージェントデプロイメントを上回っている。 エージェントフレームワークによって編成された比較的小さな微調整 LLM が FE ワークフローを自動化できることを示すことで、ALL-FEM は計算科学と工学における自律シミュレーションシステムの青写真を提供する。

関連論文リスト

• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• DynaMate: An Autonomous Agent for Protein-Ligand Molecular Dynamics Simulations [13.253932177045842]
  力場に基づく分子動力学(MD)シミュレーションは、生体分子系の構造、力学、機能を知るのに不可欠である。 MDセットアップの技術的な複雑さは、パラメータ化、入力準備、ソフトウェア構成を含んでおり、広く効率的な使用の障壁となっている。 本稿では,タンパク質リガンドシステムとタンパク質リガンドシステムの両方の完全なMDを自律的に設計し,実行するモジュール型マルチエージェントフレームワークであるDynaMateを紹介する。
  論文  参考訳（メタデータ） (2025-12-10T19:40:51Z)
• CFD-copilot: leveraging domain-adapted large language model and model context protocol to enhance simulation automation [6.71937346130764]
  CFD-copilotは、セットアップから後処理までの自然言語駆動CFDシミュレーションを容易にするために設計されたフレームワークである。 後処理では、外部ツールの実行からLCM推論を分離するオープンスタンダードであるMCP(Model context Protocol)を利用する。 この枠組みはNACA0012翼と3要素30P-30N翼を含むベンチマークで評価された。
  論文  参考訳（メタデータ） (2025-12-08T11:42:32Z)
• From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
  大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。 コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。 一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
  論文  参考訳（メタデータ） (2025-11-23T17:09:34Z)
• ChatCFD: An LLM-Driven Agent for End-to-End CFD Automation with Domain-Specific Structured Reasoning [4.098524616768554]
  ChatCFDはOpenFOAMシミュレーションのための自動エージェントシステムである。 その4段階のパイプラインは、複雑なセットアップのために反復的なトライアル-リフレクション-リファインメントを可能にする。 ChatCFDは、協調マルチエージェントシステムのためのMPPベースのエージェントネットワークにおいて、モジュラーコンポーネントとして強力な可能性を示している。
  論文  参考訳（メタデータ） (2025-05-28T08:43:49Z)
• MooseAgent: A LLM Based Multi-agent Framework for Automating Moose Simulation [1.951051209076837]
  本稿では,マルチ物理シミュレーションフレームワークMOOSEのための自動解法フレームワークMooseAgentを提案する。 MooseAgentは、大規模事前訓練言語モデル(LLM)とマルチエージェントシステムを組み合わせる。 その結果,MooseAgentはMOOSEシミュレーションプロセスをある程度自動化できることがわかった。
  論文  参考訳（メタデータ） (2025-04-11T15:25:50Z)
• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。