基于潜在基础模型的参数化模拟PDE空间智能体探索
TLDR
将多智能体LLM与潜在基础模型结合，自主探索PDE参数空间，发现流体动力学中的标度律。
评分理由
The paper presents a novel integration of LLM agents with generative surrogate models for efficient exploration of PDE spaces, demonstrating real-world application with flow past tandem cylinders. However, the approach is limited to a specific case and scalability to broader PDE problems is not fully addressed.
Read-first 评分解释
综合优先阅读分 64，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 74。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：28。
关键词评分
深度分析
创新点
- 将多智能体LLM与潜在基础模型（LFM）耦合，用于PDE参数空间的连续探索
- LFM作为生成模型，学习流动场的显式、紧凑、解耦潜在表示，充当按需替代模拟器
- 分层智能体架构，具有假设、实验、分析和验证的闭环，使用工具模块化接口
- 发现发散的标度律（最小位移厚度的二模结构，最大动量厚度的线性标度）以及状态转变时的双极值结构
方法
训练潜在基础模型（LFM）于参数化流动模拟，提供低成本替代。多智能体LLM在分层架构中迭代提出假设、查询LFM获取选定参数-位置对的流动场、分析结果并验证发现，实现PDE解空间的自主探索。
关键结果
对Re=500串联圆柱绕流自主评估超过1600个参数-位置对，揭示了最小位移厚度的依赖于状态的二模标度和最大动量厚度的稳健线性标度，两种景观在近尾流到共脱落转变时均表现出双极值结构。
局限性
- 仅针对单一流动配置（Re=500串联圆柱）进行演示，未展示对其他PDE系统的泛化能力。