[论文解读] MyCrunchGPT: A chatGPT assisted framework for scientific machine learning

Varun Kumar, Leonard Gleyzer+3 more|arXiv (Cornell University)|Jun 27, 2023

Lattice Boltzmann Simulation Studies被引用 5

一句话总结

MyCrunchGPT 是一个基于 ChatGPT 的框架，通过自然语言提示自动编排计算力学中的科学机器学习（SciML）工作流，实现从空气动力学翼型设计优化到物理信息神经网络（PINN）仿真的端到端任务自动化。该框架集成了代理建模（DeepONet）、CFD 验证和交互式代码生成，仅需最少的用户输入即可实现高保真度结果，并支持流体动力学领域的快速原型设计，未来还可拓展至固体力学和材料科学领域。

ABSTRACT

Scientific Machine Learning (SciML) has advanced recently across many different areas in computational science and engineering. The objective is to integrate data and physics seamlessly without the need of employing elaborate and computationally taxing data assimilation schemes. However, preprocessing, problem formulation, code generation, postprocessing and analysis are still time consuming and may prevent SciML from wide applicability in industrial applications and in digital twin frameworks. Here, we integrate the various stages of SciML under the umbrella of ChatGPT, to formulate MyCrunchGPT, which plays the role of a conductor orchestrating the entire workflow of SciML based on simple prompts by the user. Specifically, we present two examples that demonstrate the potential use of MyCrunchGPT in optimizing airfoils in aerodynamics, and in obtaining flow fields in various geometries in interactive mode, with emphasis on the validation stage. To demonstrate the flow of the MyCrunchGPT, and create an infrastructure that can facilitate a broader vision, we built a webapp based guided user interface, that includes options for a comprehensive summary report. The overall objective is to extend MyCrunchGPT to handle diverse problems in computational mechanics, design, optimization and controls, and general scientific computing tasks involved in SciML, hence using it as a research assistant tool but also as an educational tool. While here the examples focus in fluid mechanics, future versions will target solid mechanics and materials science, geophysics, systems biology and bioinformatics.

研究动机与目标

• 通过将预处理、代码生成和后处理等耗时阶段整合到单一由大语言模型（LLM）驱动的界面中，实现科学机器学习流程的简化。
• 使非专家用户能够通过简单的自然语言提示执行复杂的 SciML 任务，包括二维 NACA 翼型优化和基于 PINN 的流场仿真。
• 开发一个基于网络的图形用户界面（GUI），支持实时交互式引导工作流，具备实时日志记录、可视化功能和自动生成报告的能力。
• 通过与高保真 CFD 求解器（如 Nektar++）和已发表文献的对比，验证 MyCrunchGPT 输出结果的准确性与可靠性。
• 通过集成神经算子和 PINN 变体，将框架扩展至固体力学、材料科学、地球物理学和系统生物学等未来应用领域。

提出的方法

• MyCrunchGPT 使用大语言模型（ChatGPT）作为核心编排器，解析用户提示，并动态调用后端函数以执行设计、仿真和分析任务。
• 在翼型优化方面，基于用户定义的中弧线（m）和中弧线位置（p），利用参数方程生成 NACA 二维翼型几何形状，并采用在 CFD 数据上训练的 DeepONet 作为代理模型。
• 该框架利用 DeepONet 预测新翼型设计周围的流场，实现无需完整 CFD 重新仿真即可快速评估性能。
• 在流体力学方面，MyCrunchGPT 自动生成并训练 PINN 以求解 lid-driven cavity flow 等基准问题的纳维-斯托克斯方程，支持自动超参数调优和可视化。
• 基于网络的应用程序 GUI 支持实时交互、日志追踪、图像渲染以及可导出的总结报告，报告中包含与 CFD 和文献基准的对比分析。
• 系统支持通过提示进行迭代优化，包括请求验证、不确定性量化和多模态解译，未来计划扩展至分布式计算和高级神经算子支持。

实验结果

研究问题

• RQ1 大型语言模型（如 ChatGPT）是否能够有效用于自动化和编排计算流体动力学中的端到端科学机器学习工作流？
• RQ2 基于代理模型和 PINN 的 LLM 辅助系统在翼型设计和流场仿真中，能否生成准确、可验证且可复现的结果？
• RQ3 如何利用自然语言提示在物理信息深度学习管道中动态修改仿真参数、几何形状和超参数？
• RQ4 将 LLM 与科学计算工具集成，是否能够降低计算力学领域非专家用户的使用门槛，并加速研究与设计周期？
• RQ5 构建一个可扩展、交互式且可审计的基于 LLM 的科研助手用于科学计算，其关键技术和架构挑战是什么？

主要发现

• MyCrunchGPT 通过自动化设计、代理模型评估和优化流程，成功生成了升阻比更高的优化二维 NACA 翼型，其结果基于 DeepONet 的预测。
• 与 Nektar++ 得到的高保真 CFD 结果相比，优化翼型的 DeepONet 预测流场表现出极小的绝对误差（数量级为 10^-3 至 10^-4）。
• 基于 PINN 的 lid-driven cavity flow 仿真达到了高精度，其结果与直接数值模拟（DNS）数据和已发表基准高度吻合。
• 用户可通过简单的文本提示，交互式地修改问题几何形状、训练超参数，并请求可视化和验证检查，充分体现了系统的适应性。
• 基于网络的 GUI 实现了实时日志记录、图像渲染和自动生成报告功能，报告中包含与 CFD 和文献结果的对比摘要。
• 该框架在扩展至其他领域方面展现出可行性，未来版本计划集成先进的神经算子（FNO、WNO、ViTO）和概率设计方法。