[논문 리뷰] AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation

Sukriti Manna, Henry Chan외 1명|arXiv (Cornell University)|2026. 03. 22.

Solidification and crystal growth phenomena인용 수 0

한 줄 요약

AutoMOOSE는 자연어 프롬프트에서 입력 생성, 실행, 실패 복구 및 분석을 포함한 전체 MOOSE 상 발생 시뮬레이션 워크플로를 자율적으로 조율하는 오픈 소스 에이전트 프레임워크입니다.

ABSTRACT

Multiphysics simulation frameworks such as MOOSE provide rigorous engines for phase-field materials modeling, yet adoption is constrained by the expertise required to construct valid input files, coordinate parameter sweeps, diagnose failures, and extract quantitative results. We introduce AutoMOOSE, an open-source agentic framework that orchestrates the full simulation lifecycle from a single natural-language prompt. AutoMOOSE deploys a five-agent pipeline in which the Input Writer coordinates six sub-agents and the Reviewer autonomously corrects runtime failures without user intervention. A modular plugin architecture enables new phase-field formulations without modifying the core framework, and a Model Context Protocol (MCP) server exposes the workflow as ten structured tools for interoperability with any MCP-compatible client. Validated on a four-temperature copper grain growth benchmark, AutoMOOSE generates MOOSE input files with 6 of 12 structural blocks matching a human expert reference exactly and 4 functionally equivalent, executes all runs in parallel with a 1.8x speedup, and performs an end-to-end physical consistency check spanning intent, finite-element execution, and Arrhenius kinetics with no human verification. Grain coarsening kinetics are recovered with R^2 = 0.90-0.95 at T >= 600 K; the recovered activation energy Q_fit = 0.296 eV is consistent with a human-written reference (Q_fit = 0.267 eV) under identical parameters. Three runtime failure classes were diagnosed and resolved autonomously within a single correction cycle, and every run produces a provenance record satisfying FAIR data principles. These results show that the gap between knowing the physics and executing a validated simulation campaign can be bridged by a lightweight multi-agent orchestration layer, providing a pathway toward AI-driven materials discovery and self-driving laboratories.

연구 동기 및 목표

• 자연어 의도에서 MOOSE 상 변화 시뮬레이션의 엔드-투-엔드 조정을 자율적으로 시연한다.
• 에이전트 기반 워크플로 관리 도입으로 수동 입력 파일 구성과 반복 디버깅을 제거한다.
• 핵심 변경 없이도 새로운 상 변화 형태로 확장할 수 있는 물리 모듈 비의존적 플러그인 아키텍처를 제공한다.
• 자체 기술 설명 가능한 원인 추적성과 구조화된 기록을 통해 재현성과 FAIR 데이터 원칙을 보장한다.
• 자율 수렴 복구를 포함한 엔드투엔드 검증을 네 가지 온도 구간 Copper 결정립 성장을 통해 시연한다.

제안 방법

• 자연어 프롬프트를 검증된 MOOSE 입력 파일로 번역하고 병렬 스윕을 실행하는 다섯-에이전트 파이프라인(Architect, Input Writer, Runner, Reviewer, Visualization)을 정의한다.
• 물리학의 구체를 조정에서 분리하기 위해 생성 입력(generate_input)과 결과 파싱(parse_results)라는 모듈식 이중 함수 플러그인 계약을 사용한다.
• Reviewer로 수렴 실패를 라우팅하여 파라미터를 조정하고 입력을 재생성하는 자율적 실패 진단 및 수정 구현한다.
• 자체 포함 디렉토리에서 구조화된 메타데이터로 완전한 실행 원인을 캡처하여 FAIR 데이터 원칙을 충족한다.
• 자연온도 네 단계의 Copper 다결정 결정립 성장 벤치마크에서 인간의 확인 없이도 동역학 및 Arrhenius 활성화 에너지를 회복한다.

Figure 1: AutoMOOSE agentic pipeline. Five claude-sonnet-4-20250514 agents ( $f_{1}$ – $f_{5}$ ) transform a natural-language prompt into a completed MOOSE phase-field simulation. Architect ( $f_{1}$ ) parses the user prompt and constructs the structured simulation plan $\mathcal{P}$ (Eq. ( 9 )), en

실험 결과

연구 질문

• RQ1 에이전트 AI가 자연어에서 올바른 MOOSE 입력 파일을 합성하고 전체 상전이 시뮬레이션을 자율적으로 실행할 수 있는가?
• RQ2 자율적 실패 복구(타임스텝, 메쉬, 허용오차)가 인간의 개입 없이도 유효한 결과로 수렴하는가?
• RQ3 자율 워크플로우가 병렬 온도 스윕에서 성능을 보이고 알려진 운동 법칙과 Arrhenius 매개변수를 재현하는가?
• RQ4 파이프라인이 플러그인을 통해 추가적인 상 변화 형식으로 확장되기에 충분히 모듈화되어 있는가?

주요 결과

• 파이프라인은 인간 참조와 12개 블록 중 6개 블록 정확히 일치하고 4개는 기능적으로 동등한 구문적으로 유효한 MOOSE 입력을 자율적으로 생성한다.
• 네 개의 병렬 실행이 직렬 실행에 비해 월등히 약 1.8배의 벽시계 속도 향상을 보여준다.
• 엔드-투-엔드 일관성 점검은 예측된 운동 및 Arrhenius 거동을 회복하며 결정립 성장이 T≥600 K에서 R^2 0.90~0.95의 값을 보인다.
• 회복된 Arrhenius 활성화 에너지 Q_fit = 0.296 eV가 동일한 메쉬와 파라미터 하에서 명시된 Q = 0.23 eV와 일치하며 인간 참조 실행과도 일치한다.
• 세 가지 수렴 실패 클래스를 단일 수정 사이클 내에서 자율적으로 진단하고 해결한다.
• 각 실행은 시뮬레이션 계획 필드와 실행 메타데이터를 인코딩한 자체 문서화 원인 기록을 생성한다.

Figure 2: AutoMOOSE run directory structure. Each run directory is timestamped and self-contained, comprising: grain_growth.i (complete MOOSE input file), grain_growth.csv (tabulated grain count time series $N(t)$ , Eq. ( 18 )), run.log (full solver stdout), metadata.json (structured provenance reco